未知类别图像的分类方法及装置与流程

本发明涉及图像分类，尤其涉及一种未知类别图像的分类方法及装置。

背景技术：

1、随着深度学习技术的不断发展，基于深度学习的图像分类技术逐渐广泛应用到各个领域中。针对传统的图像分类模型，其是在一个封闭的世界中进行训练的，所采用的训练数据和测试数据均来自同样的分布，而对于未知类别的测试图像，传统的图像分类模型通常会将其错误地预测为已知类别，导致了对未知类别图像的错误分类结果。

2、当前，为了实现对待分类图像的分类，在现有的图像分类方法中，可以通过图像分类器和验证数据集，求解减小值向量以及各已知图像类别的阈值向量(即每个类别集合的异常值)，继而对待分类图像的特征向量减去减小值向量，并进行sigmoid计算，得到类别预测概率之后，将其与已知图像类别的阈值向量比较，从而判定待分类图像是否属于未知类别。然而，通过实践发现，该现有的图像分类方法受限于验证数据集的统计特性，在实际应用时存在分类准确度低的问题。因此，提出一种能够提高对待分类图像的分类准确度的技术方案显得尤为重要。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种未知类别图像的分类方法及装置，能够利用已知类别图像对应的虚拟异常参数来提高对图像分类模型的确定可靠性及准确性，从而可以基于图像分类模型来提高对待分类图像的分类精准性。

2、为了解决上述技术问题，本发明第一方面公开了一种未知类别图像的分类方法，所述方法包括：

3、获取用于训练的已知类别图像集；所述已知类别图像集包括多张已知类别图像；

4、将所有所述已知类别图像输入至预设的待训练分类模型中的虚拟异常分析器进行分析，得到每个所述已知类别图像对应的虚拟异常参数；

5、将所有所述已知类别图像对应的虚拟异常参数输入至所述待训练分类模型中的类别参数分析器中进行分析，得到训练后分类模型，并确定所述训练后分类模型的模型损失参数；

6、根据所述模型损失参数，判断所述训练后分类模型是否收敛，若是，则根据所述训练后分类模型，确定图像分类模型；所述图像分类模型用于对待分类图像进行类别分析操作，得到所述待分类图像的类别分析结果。

7、作为一种可选的实施方式，在本发明第一方面中，所述将所有所述已知类别图像输入至预设的待训练分类模型中的虚拟异常分析器进行分析，得到每个所述已知类别图像对应的虚拟异常参数，包括：

8、将所有所述已知类别图像输入至预设的待训练分类模型中的虚拟异常分析器进行分析，以使所述虚拟异常分析器执行如以下操作：

9、提取每个所述已知类别图像对应的特征向量，并根据每个所述已知类别图像对应的特征向量，确定每个所述已知类别图像的特征向量空间分布情况；

10、对于每个所述已知类别图像，根据所述已知类别图像的特征向量空间分布情况，从所述已知类别图像的特征空间中的多个已知类别下的低似然区域中，确定出每个所述已知类别下的低似然区域中的多个采样点，并计算每个所述采样点对应的高斯分布边界距离参数；

11、对于每个所述已知类别图像，根据所述已知类别图像中的每个所述采样点对应的高斯分布边界距离参数，从所有所述采样点中确定出所述高斯分布边界距离参数小于预设的距离参数阈值的多个异常采样点，并根据所有所述异常采样点，确定所述已知类别图像对应的虚拟异常参数。

12、作为一种可选的实施方式，在本发明第一方面中，所述计算每个所述采样点对应的高斯分布边界距离参数，包括：

13、根据所述已知类别图像的特征向量空间分布情况，确定所述已知类别图像的特征空间中所包含的至少一个多元高斯分布，并确定每个所述多元高斯分布对应的目标参数以及所有所述多元高斯分布所对应的维度参数；所述目标参数包括向量权重参数、向量均值参数以及向量方差参数；

14、根据所述已知类别图像的特征空间中所有所述多元高斯分布对应的目标参数，计算所述已知类别图像中每个所述采样点对应的高斯分布边界距离参数。

15、作为一种可选的实施方式，在本发明第一方面中，对应的采样点所对应的高斯分布边界距离参数为：

16、

17、k指示第k个多元高斯分布，αk指示第k个多元高斯分布对应的向量权重参数，μk指示第k个多元高斯分布对应的向量均值参数，ρk指示第k个多元高斯分布对应的向量方差参数，n指示所有所述多元高斯分布所对应的维度参数，k指示所有所述多元高斯分布所对应的个数参数，oi指示对应的采样点的向量参数，i指示对应的采样点所在的低似然区域所属的已知类别i。

18、作为一种可选的实施方式，在本发明第一方面中，所述将所有所述已知类别图像对应的虚拟异常参数输入至所述待训练分类模型中的类别参数分析器中进行分析，得到训练后分类模型，包括：

19、将所有所述已知类别图像对应的虚拟异常参数输入至所述待训练分类模型中的类别参数分析器中进行分析，以使所述类别参数分析器执行如以下操作：

20、根据每个所述已知类别图像对应的特征向量以及对应的虚拟异常参数，对每个所述已知类别图像对应的特征向量以及对应的虚拟异常参数进行线性变换操作，得到每个所述已知类别图像对应的已知类别特征逻辑值；

21、对于每个所述已知类别图像，根据所述已知类别图像中除所有所述异常采样点之外的所有所述采样点，确定所述已知类别图像的特征空间中针对所有所述已知类别下的第一特征逻辑值参数，以及根据所述已知类别图像中的所有所述异常采样点，确定所述已知类别图像的特征空间中针对所有未知类别下的第二特征逻辑值参数，并根据所述第一特征逻辑值参数以及所述第二特征逻辑值参数，确定所述已知类别图像对应的未知类别概率值。

22、作为一种可选的实施方式，在本发明第一方面中，所述确定所述训练后分类模型的模型损失参数，包括：

23、根据所有所述已知类别图像对应的已知类别特征逻辑值，计算所述训练后分类模型的交叉熵损失函数，并根据所有所述已知类别图像对应的第一特征逻辑值参数以及对应的第二特征逻辑值参数，计算所述训练后分类模型的正则损失参数；

24、确定所述正则损失参数对应的权重值，并根据所述交叉熵损失函数、所述正则损失参数以及所述权重值，确定所述训练后分类模型的模型损失参数；

25、其中，所述训练后分类模型的模型损失参数为：

26、q＝lcrossentropy+β*luncertainty；

27、lcrossentropy为所述交叉熵损失函数，luncertainty为所述正则损失参数，β为所述权重值。

28、作为一种可选的实施方式，在本发明第一方面中，所述图像分类模型包括特征提取器以及目标类别参数分析器；所述方法还包括：

29、在确定出所述图像分类模型之后，将所述待分类图像输入至所述特征提取器中进行分析，得到所述待分类图像对应的特征向量；

30、通过所述目标类别参数分析器，根据所述待分类图像对应的特征向量，确定所述待分类图像的已知类别特征逻辑值以及未知类别概率参数；

31、根据所述待分类图像的未知类别概率参数，判断所述未知类别概率参数是否大于预设的未知类别概率参数阈值；

32、当判断出所述未知类别概率参数大于所述未知类别概率参数阈值时，将所述待分类图像所属的图像类别确定为未知类别；

33、当判断出所述未知类别概率参数小于或等于所述未知类别概率参数阈值时，根据所述待分类图像的已知类别特征逻辑值，确定所述待分类图像对应的多个已知类别下的类别概率值，并根据所有所述已知类别下的类别概率值中所述类别概率值为最大的目标已知类别，确定为所述待分类图像所属的图像类别。

34、本发明第二方面公开了一种未知类别图像的分类装置，所述装置包括：

35、获取模块，用于获取用于训练的已知类别图像集；所述已知类别图像集包括多张已知类别图像；

36、第一分析模块，用于将所有所述已知类别图像输入至预设的待训练分类模型中的虚拟异常分析器进行分析，得到每个所述已知类别图像对应的虚拟异常参数；

37、第二分析模块，用于将所有所述已知类别图像对应的虚拟异常参数输入至所述待训练分类模型中的类别参数分析器中进行分析，得到训练后分类模型；

38、确定模块，用于确定所述训练后分类模型的模型损失参数；

39、判断模块，用于根据所述模型损失参数，判断所述训练后分类模型是否收敛；

40、所述确定模块，还用于当所述判断模块判断结果为是时，根据所述训练后分类模型，确定图像分类模型；所述图像分类模型用于对待分类图像进行类别分析操作，得到所述待分类图像的类别分析结果。

41、作为一种可选的实施方式，在本发明第二方面中，所述第一分析模块将所有所述已知类别图像输入至预设的待训练分类模型中的虚拟异常分析器进行分析，得到每个所述已知类别图像对应的虚拟异常参数的方式具体包括：

42、将所有所述已知类别图像输入至预设的待训练分类模型中的虚拟异常分析器进行分析，以使所述虚拟异常分析器执行如以下操作：

43、提取每个所述已知类别图像对应的特征向量，并根据每个所述已知类别图像对应的特征向量，确定每个所述已知类别图像的特征向量空间分布情况；

44、对于每个所述已知类别图像，根据所述已知类别图像的特征向量空间分布情况，从所述已知类别图像的特征空间中的多个已知类别下的低似然区域中，确定出每个所述已知类别下的低似然区域中的多个采样点，并计算每个所述采样点对应的高斯分布边界距离参数；

45、对于每个所述已知类别图像，根据所述已知类别图像中的每个所述采样点对应的高斯分布边界距离参数，从所有所述采样点中确定出所述高斯分布边界距离参数小于预设的距离参数阈值的多个异常采样点，并根据所有所述异常采样点，确定所述已知类别图像对应的虚拟异常参数。

46、作为一种可选的实施方式，在本发明第二方面中，所述第一分析模块计算每个所述采样点对应的高斯分布边界距离参数的方式具体包括：

47、根据所述已知类别图像的特征向量空间分布情况，确定所述已知类别图像的特征空间中所包含的至少一个多元高斯分布，并确定每个所述多元高斯分布对应的目标参数以及所有所述多元高斯分布所对应的维度参数；所述目标参数包括向量权重参数、向量均值参数以及向量方差参数；

48、根据所述已知类别图像的特征空间中所有所述多元高斯分布对应的目标参数，计算所述已知类别图像中每个所述采样点对应的高斯分布边界距离参数。

49、作为一种可选的实施方式，在本发明第二方面中，对应的采样点所对应的高斯分布边界距离参数为：

50、

51、k指示第k个多元高斯分布，αk指示第k个多元高斯分布对应的向量权重参数，μk指示第k个多元高斯分布对应的向量均值参数，ρk指示第k个多元高斯分布对应的向量方差参数，n指示所有所述多元高斯分布所对应的维度参数，k指示所有所述多元高斯分布所对应的个数参数，oi指示对应的采样点的向量参数，i指示对应的采样点所在的低似然区域所属的已知类别i。

52、作为一种可选的实施方式，在本发明第二方面中，所述第二分析模块将所有所述已知类别图像对应的虚拟异常参数输入至所述待训练分类模型中的类别参数分析器中进行分析，得到训练后分类模型的方式具体包括：

53、将所有所述已知类别图像对应的虚拟异常参数输入至所述待训练分类模型中的类别参数分析器中进行分析，以使所述类别参数分析器执行如以下操作：

54、根据每个所述已知类别图像对应的特征向量以及对应的虚拟异常参数，对每个所述已知类别图像对应的特征向量以及对应的虚拟异常参数进行线性变换操作，得到每个所述已知类别图像对应的已知类别特征逻辑值；

55、对于每个所述已知类别图像，根据所述已知类别图像中除所有所述异常采样点之外的所有所述采样点，确定所述已知类别图像的特征空间中针对所有所述已知类别下的第一特征逻辑值参数，以及根据所述已知类别图像中的所有所述异常采样点，确定所述已知类别图像的特征空间中针对所有未知类别下的第二特征逻辑值参数，并根据所述第一特征逻辑值参数以及所述第二特征逻辑值参数，确定所述已知类别图像对应的未知类别概率值。

56、作为一种可选的实施方式，在本发明第二方面中，所述确定模块确定所述训练后分类模型的模型损失参数的方式具体包括：

57、根据所有所述已知类别图像对应的已知类别特征逻辑值，计算所述训练后分类模型的交叉熵损失函数，并根据所有所述已知类别图像对应的第一特征逻辑值参数以及对应的第二特征逻辑值参数，计算所述训练后分类模型的正则损失参数；

58、确定所述正则损失参数对应的权重值，并根据所述交叉熵损失函数、所述正则损失参数以及所述权重值，确定所述训练后分类模型的模型损失参数；

59、其中，所述训练后分类模型的模型损失参数为：

60、q＝lcrossentropy+β*luncertainty；

61、lcrossentropy为所述交叉熵损失函数，luncertainty为所述正则损失参数，β为所述权重值。

62、作为一种可选的实施方式，在本发明第二方面中，所述图像分类模型包括特征提取器以及目标类别参数分析器；所述装置还包括：

63、第三分析模块，用于在所述确定模块确定出所述图像分类模型之后，将所述待分类图像输入至所述特征提取器中进行分析，得到所述待分类图像对应的特征向量；

64、所述确定模块，还用于通过所述目标类别参数分析器，根据所述待分类图像对应的特征向量，确定所述待分类图像的已知类别特征逻辑值以及未知类别概率参数；

65、所述判断模块，还用于根据所述待分类图像的未知类别概率参数，判断所述未知类别概率参数是否大于预设的未知类别概率参数阈值；

66、所述确定模块，还用于当所述判断模块判断出所述未知类别概率参数大于所述未知类别概率参数阈值时，将所述待分类图像所属的图像类别确定为未知类别；当所述判断模块判断出所述未知类别概率参数小于或等于所述未知类别概率参数阈值时，根据所述待分类图像的已知类别特征逻辑值，确定所述待分类图像对应的多个已知类别下的类别概率值，并根据所有所述已知类别下的类别概率值中所述类别概率值为最大的目标已知类别，确定为所述待分类图像所属的图像类别。

67、本发明第三方面公开了另一种未知类别图像的分类装置，所述装置包括：

68、存储有可执行程序代码的存储器；

69、与所述存储器耦合的处理器；

70、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的未知类别图像的分类方法。

71、本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的未知类别图像的分类方法。

72、与现有技术相比，本发明实施例具有以下有益效果：

73、本发明实施例中，将用于训练的所有已知类别图像输入至预设的待训练分类模型中的虚拟异常分析器进行分析，得到每个已知类别图像对应的虚拟异常参数；将所有已知类别图像对应的虚拟异常参数输入至待训练分类模型中的类别参数分析器中进行分析，得到训练后分类模型，并根据训练后分类模型的模型损失参数，判断训练后分类模型是否收敛，若是，则根据训练后分类模型，确定图像分类模型；图像分类模型用于对待分类图像进行类别分析操作。可见，实施本发明能够利用已知类别图像对应的虚拟异常参数来提高对图像分类模型的确定可靠性及准确性，从而可以基于图像分类模型来提高对待分类图像的分类精准性。