一种评估图像分类模型的方法、装置、设备及存储介质与流程

本技术涉及计算机，尤其涉及一种评估图像分类模型的方法、装置、设备及存储介质。

背景技术：

1、随着科技的不断发展，越来越多的设备在获得待分类图像之后，可以通过已训练的目标图像分类模型提供图像分类服务，图像分类服务可以用于确定待分类图像中的目标所属的类别。

2、例如，在采集到人脸图像之后，设备可以通过目标图像分类模型，对采集的人脸图像进行图像分类，以确定人脸图像中人脸所对应的对象的身份等。

3、在一些情况下，例如，待分类图像在被恶意遮挡了有效信息，或被恶意添加了干扰信息等情况下，通过目标图像分类模型对待分类图像进行图像分类时，容易出现将待分类图像确定为错误的类别的情况，从而影响图像分类服务的准确性。因此，设备通过目标图像分类模型提供图像分类服务之前，可以先对目标图像分类模型的抗干扰程度进行评估，以保证图像分类服务的准确性。

4、相关技术中，对于模型结构和模型参数未知的目标图像分类模型来说，评估图像分类模型的抗干扰程度的方法通常是，通过训练已知模型结构和模型参数的参考模型，来模拟目标图像分类模型的图像分类能力，再结合训练得到的参考模型的模型结构和模型参数，对目标图像分类模型的抗干扰程度进行评估。

5、然而，为了保证图像分类的准确性，图像分类模型的模型结构通常非常复杂，模型参数也较为丰富，因此参考模型很难准确地还原目标图像分类模型，那么结合参考模型的模型结构和模型参数，来评估目标图像分类模型的抗干扰程度时，也无法获得准确地目标图像分类模型的评估结果。

6、可见，相关技术下，评估模型结构和模型参数未知的图像分类模型的抗干扰程度时的评估准确性和可靠性较低。

技术实现思路

1、本技术实施例提供了一种评估图像分类模型的方法、装置、计算机设备及存储介质，用于解评估图像分类模型的抗干扰程度时的评估准确性和可靠性较低的问题。

2、第一方面，提供一种评估图像分类模型的方法，包括：

3、基于待评估的图像分类模型，获得源图像的第一类别和干扰图像的第二类别；其中，所述第一类别和所述第二类别不同；所述干扰图像用于：干扰所述图像分类模型对所述源图像的分类过程；

4、分别基于多种图像融合策略将所述干扰图像融合在所述源图像中，获得相应的备选融合图像，并将获得的各备选融合图像分别输入所述图像分类模型，获得相应的融合类别，以及统计所述各备选融合图像对应的第一分类总次数；

5、在所述各备选融合图像中，选取对应的融合类别与所述第二类别相匹配的备选融合图像，作为目标融合图像；

6、基于获得的各目标融合图像和所述第一分类总次数，获得针对所述待评估图像分类模型的评估结果；其中，所述评估结果用于表征：所述图像分类模型在分类过程中的抗干扰程度。

7、第二方面，提供一种评估图像分类模型的装置，包括：

8、获取模块：用于基于待评估的图像分类模型，获得源图像的第一类别和干扰图像的第二类别；其中，所述第一类别和所述第二类别不同；所述干扰图像用于：干扰所述图像分类模型对所述源图像的分类过程；

9、处理模块：用于分别基于多种图像融合策略将所述干扰图像融合在所述源图像中，获得相应的备选融合图像，并将获得的各备选融合图像分别输入所述图像分类模型，获得相应的融合类别，以及统计所述各备选融合图像对应的第一分类总次数；

10、所述处理模块还用于：在所述各备选融合图像中，选取对应的融合类别与所述第二类别相匹配的备选融合图像，作为目标融合图像；

11、所述处理模块还用于：基于获得的各目标融合图像和所述第一分类总次数，获得针对所述待评估图像分类模型的评估结果；其中，所述评估结果用于表征：所述图像分类模型在分类过程中的抗干扰程度。

12、可选的，所述处理模块具体用于：

13、分别基于多种图像截取策略，对所述干扰图像进行图像截取，获得相应的干扰子图；

14、分别将获得的各干扰子图，覆盖在所述源图像上，获得相应的备选融合图像。

15、可选的，所述处理模块具体用于：

16、按照指定数量，分别从第一坐标范围和第二坐标范围中选取多个坐标，获得多个关键点对；其中，所述第一坐标范围内的最大坐标，小于所述第二坐标范围内的最小坐标；所述第一坐标范围和所述第二坐标范围是以所述干扰图像的两条相邻边为参考坐标系确定出的坐标范围；

17、分别以所述多个关键点对形成的矩形区域，以及各矩形区域各自在所述干扰图像中的相对位置，对所述干扰图像进行图像截取，获得相应的干扰子图。

18、可选的，所述处理模块具体用于：

19、将获得的各目标融合图像分别作为各集合元素对应的初始图像，建立备选图像集合；

20、基于图像更新策略，对所述备选图像集合包含的各集合元素进行多轮图像更新，获得目标图像集合；

21、基于所述目标图像集合和所述第一分类总次数，获得针对所述待评估图像分类模型的评估结果。

22、可选的，所述处理模块具体用于：

23、针对所述多轮图像更新，分别执行以下操作：

24、从所述备选图像集合包含的各集合元素中选取一个集合元素进行图像调整，获得调整图像；

25、将获得的调整图像输入所述图像分类模型，获得相应的调整类别；

26、确定获得的调整图像和调整类别满足更新条件时，采用所述调整图像更新所述各集合元素中的一个集合元素，获得更新后的所述备选图像集合。

27、可选的，所述处理模块具体用于：

28、将所述各集合元素中，图像评分最小的集合元素作为最优集合元素，其中，所述图像评分是基于相应的集合元素与所述源图像之间的误差确定的；

29、选取所述各集合元素中，除了所述最优集合元素以外的两个集合元素，对所述最优集合元素进行图像调整，获得调整图像。

30、可选的，每个集合元素关联有关键点对，所述关键点对表征相应的集合元素中包含的干扰子图的坐标，所述干扰子图为所述干扰图像中的矩形区域；所述处理模块具体用于：

31、确定所述两个集合元素各自关联的关键点对之间的坐标差异；

32、基于所述最优集合元素关联的关键点对与所述坐标差异之间的加权和，对所述干扰图像进行图像截取，获得调整后的干扰子图；

33、将获得的调整后的干扰子图覆盖在所述源图像上，获得调整图像。

34、可选的，所述处理模块具体用于：

35、确定所述调整图像与所述源图像之间的误差，获得所述调整图像的图像评分；

36、确定所述调整图像的图像评分，小于所述各集合元素各自的图像评分中的最大图像评分，且所述调整类别与所述第二类别相匹配时，采用所述调整图像更新各集合元素中，所述最大图像评分对应的集合元素。

37、可选的，若每轮图像更新过程中，获得相应的调整图像，并采用所述图像分类模型获得相应的调整类别，所述调整图像用于更新所述备选图像集合包含的各集合元素中的一个集合元素；所述处理模块具体用于：

38、统计获得的各调整图像对应的第二分类总次数，并基于所述第一分类总次数和所述第二分类总次数，确定综合分类次数；

39、基于所述目标图像集合和所述综合分类次数，获得针对所述待评估图像分类模型的评估结果。

40、可选的，所述处理模块具体用于：

41、分别确定所述目标图像集合包含的各集合元素与所述源图像之间的误差，获得相应的图像评分；

42、从所述各集合元素中，选取对应的图像评分最小的集合元素作为目标图像；

43、确定所述目标图像中，属于所述干扰图像的像素点的像素点数量，占所述目标图像包含像素点的像素点总数量之比，获得干扰范围；

44、基于所述干扰范围和所述综合分类次数，获得针对所述待评估图像分类模型的评估结果；其中，干扰范围越大，则所述图像分类模型在分类过程中的抗干扰程度越高；综合分类次数越多，则所述图像分类模型在分类过程中的抗干扰程度越高。

45、第三方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面所述的方法。

46、第四方面，提供一种计算机设备，包括：

47、存储器，用于存储程序指令；

48、处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如第一方面所述的方法。

49、第五方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的方法。

50、本技术实施例中，通过多种图像融合策略将干扰图像融合在源图像中，获得各备选融合图像，从而可以基于其中融合类别与第二类别相匹配的目标融合图像，以及基于图像分类模型对各备选融合图像进行分类的第一分类总次数，这两个角度来对图像分类模型进行评估，在评估待评估的图像分类模型时，无需图像分类模型的模型结构和模型参数，仅依据图像分类模型输出的图像类别，就可以实现对图像分类模型抗干扰程度的评估。相较于采用参考模型来模拟图像分类模型的方法来说，本技术实施例中直接采用真实的图像分类模型完成评估，避免了参考模型无法准确地还原目标图像分类模型，而造成评估图像分类模型的抗干扰程度时，无法获得准确地图像分类模型的评估结果的情况，提高了评估模型结构和模型参数未知的图像分类模型的抗干扰程度时的评估准确性和可靠性。