1.一种数据集粒度分类方法,其特征在于,包括:
2.如权利要求1所述的数据集粒度分类方法,其特征在于,所述待分类数据集被预先拆分为训练数据集和测试数据集;
3.如权利要求2所述的数据集粒度分类方法,其特征在于,所述利用所述第一数据集对神经网络模型进行训练和测试,得到用于图像分类的第一分类模型和所述第一分类模型的分类精度,包括:
4.如权利要求3所述的数据集粒度分类方法,其特征在于,所述第一测试结果包括所述第一测试数据集中的图像的分类结果;
5.如权利要求1所述的数据集粒度分类方法,其特征在于,所述第一分类模型和所述第二分类模型是采用相同的训练配置和训练超参数训练得到的。
6.如权利要求1所述的数据集粒度分类方法,其特征在于,所述根据所述第一分类模型的分类精度、所述第二分类模型的分类精度和预设阈值,得到所述待分类数据集的粒度分类结果,包括:
7.如权利要求6所述的数据集粒度分类方法,其特征在于,所述根据所述差值的绝对值和所述预设阈值,得到所述待分类数据集的粒度分类结果,包括:
8.一种数据集粒度分类装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.一种存储指令的计算机可读存储介质,其特征在于,当所述指令被至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1到7中的任一权利要求所述的数据集粒度分类方法。