图像分类方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及图像分类方法、装置、电子设备和计算机可读介质。

背景技术

图像分类，是用于区分不同类别图像的一项技术。目前，在进行图像分类时，通常采用的方式为：先提取图像的特征描述信息，然后将特征描述信息输入至分类模型确定图像的类别。

然而，当采用上述方式对图像进行分类时，经常会存在如下技术问题：

若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类，从而，导致图像分类结果的准确度较低。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了图像分类方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种图像分类方法，该方法包括：对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量，其中，上述目标图像信息包括类别标签组和上述目标图像；对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组；基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组；响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。

可选的，上述基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组，包括：将上述图像特征向量与上述标签特征向量组中每个标签特征向量之间的相似度确定为图像标签匹配信息，得到图像标签匹配信息组。

可选的，上述对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组，包括：对上述类别标签组中的各个类别标签进行扩展处理，得到扩展类别标签组；基于预先训练的图像分类模型，对上述扩展类别标签组中的各个扩展类别标签进行标签特征提取，得到标签特征向量组，其中，上述图像分类模型包括图像特征提取器和标签特征提取器。

可选的，上述图像分类模型通过以下步骤训练得到：将样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，得到样本结果对集合，其中，上述样本结果对集合中的样本结果对包括样本图像特征向量和样本标签特征向量；对于每个样本信息，根据上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、上述样本信息对应的样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离、上述样本信息对应的样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离，确定样本损失值；确定与上述样本信息组中各个样本信息的样本损失值对应的目标损失值；响应于确定上述目标损失值不满足预设的训练条件，调整初始图像分类模型中的相关参数。

可选的，上述方法还包括：响应于确定所生成的样本损失值满足上述训练条件，将上述初始图像分类模型确定为图像分类模型。

可选的，上述样本信息组中的样本信息包括样本图像和样本标签，上述初始图像分类模型包括初始图像特征提取器和初始标签特征提取器；以及上述将预设的样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，包括：将上述样本信息中的样本图像输入至上述初始图像特征提取器，得到样本图像特征向量；将上述样本信息中的样本标签输入至上述初始标签特征提取器，得到样本标签特征向量；将上述样本图像特征向量和上述样本标签特征向量确定为样本结果对。

可选的，上述预设的训练条件为上述目标损失值大于等于预设损失阈值。

第二方面，本公开的一些实施例提供了一种图像分类装置，装置包括：图像特征提取单元，被配置成对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量，其中，上述目标图像信息包括类别标签组和上述目标图像；标签特征提取单元，被配置成对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组；第一生成单元，被配置成基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组；第二生成单元，被配置成响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。

可选的，上述第一生成单元被进一步配置成将上述图像特征向量与上述标签特征向量组中每个标签特征向量之间的相似度确定为图像标签匹配信息，得到图像标签匹配信息组。

可选的，上述标签特征提取单元被进一步配置成对上述类别标签组中的各个类别标签进行扩展处理，得到扩展类别标签组；基于预先训练的图像分类模型，对上述扩展类别标签组中的各个扩展类别标签进行标签特征提取，得到标签特征向量组，其中，上述图像分类模型包括图像特征提取器和标签特征提取器。

可选的，图像分类模型通过以下步骤训练得到：将样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，得到样本结果对集合，其中，上述样本结果对集合中的样本结果对包括样本图像特征向量和样本标签特征向量；对于每个样本信息，根据上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、上述样本信息对应的样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离、上述样本信息对应的样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离，确定样本损失值；确定与上述样本信息组中各个样本信息的样本损失值对应的目标损失值；响应于确定上述目标损失值不满足预设的训练条件，调整初始图像分类模型中的相关参数。

可选的，训练步骤还包括响应于确定所生成的样本损失值满足上述训练条件，将上述初始图像分类模型确定为图像分类模型。

可选的，上述样本信息组中的样本信息包括样本图像和样本标签，上述初始图像分类模型包括初始图像特征提取器和初始标签特征提取器；以及训练步骤中的将预设的样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，包括：将上述样本信息中的样本图像输入至上述初始图像特征提取器，得到样本图像特征向量；将上述样本信息中的样本标签输入至上述初始标签特征提取器，得到样本标签特征向量；将上述样本图像特征向量和上述样本标签特征向量确定为样本结果对。

可选的，上述预设的训练条件为上述目标损失值大于等于预设损失阈值。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的图像分类方法，可以提高图像分类结果的准确度。具体来说，造成降低图像分类结果的准确度的原因在于：若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类。基于此，本公开的一些实施例的图像分类方法，首先，对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量。其中，上述目标图像信息包括类别标签组和上述目标图像。然后，对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组。分别对目标图像进行图像特征提取、对类别标签进行标签特征提取，便于后续通过图像特征向量与标签特征向量进行图像分类。接着，基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组。最后，响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。通过图像标签匹配信息和预设匹配条件，可以根据实际需要灵活配置图像特征向量和标签特征向量的匹配程度。例如，当找不到匹配的类别标签时，可以调整匹配条件以降低匹配度，进而确保针对任一目标图像，均可以确定与目标图像对应的类别标签。从而，生成图像分类结果。因此，避免了若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类的情况。进而，可以提高图像分类结果的准确度。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的图像分类方法的一个应用场景的示意图；

图2是根据本公开的图像分类方法的一些实施例的流程图；

图3是根据本公开的图像分类方法的另一些实施例的流程图；

图4是根据本公开的图像分类方法的一些实施例中的模型训练的示意图；

图5是根据本公开的图像分类装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的图像分类方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以对目标图像信息中的目标图像102进行图像特征提取，得到图像特征向量103，其中，上述目标图像信息包括类别标签组104和上述目标图像102。例如，目标图像102可以是玩具车图像。然后，计算设备101可以对上述类别标签组104中的各个类别标签进行标签特征提取，得到标签特征向量组105。例如，类别标签可以包括但不限于以下至少一项：玩具车、遥控车、手机等。之后，计算设备101可以基于上述图像特征向量103和上述标签特征向量组105，生成图像标签匹配信息组106。最后，计算设备101可以响应于确定上述图像标签匹配信息组106中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果107。例如，图像分类结果107可以是：“类别标签：玩具车”。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的图像分类方法的一些实施例的流程200。该图像分类方法的流程200，包括以下步骤：

步骤201，对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量。

在一些实施例中，图像分类方法的执行主体(如图1所示的计算设备101)可以对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量。其中，上述目标图像信息可以包括类别标签组和上述目标图像。目标图像信息可以是需要进行图像分类的图像信息。可以通过特征提取算法，对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量。上述类别标签组中的各个类别标签可以是图像中的物体信息。目标图像可以是待分类图像。

作为示例，上述特征提取算法可以包括但不限于以下至少一项：Resnet(ResidualNetwork，残差神经网络)模型、VGG(Visual Geometry Group Network，卷积神经网络)模型、GoogLeNet(深度神经网络)模型等。

步骤202，对类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组。

在一些实施例中，上述执行主体可以对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组。其中，可以通过标签特征提取算法，对类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组。

作为示例，上述标签特征提取算法可以包括但不限于以下至少一项：Transformer(特征提取网络模型)、One-Hot Encoding(独热编码)等。

步骤203，基于图像特征向量和标签特征向量组，生成图像标签匹配信息组。

在一些实施例中，上述执行主体可以基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组。其中，首先，可以通过向量匹配算法，从上述标签特征向量组中选出与上述图像特征向量相匹配的标签特征向量，得到匹配标签特征向量组和对应的图像标签相似度组。然后，可以将匹配标签特征向量组中的每个匹配标签特征向量和对应的图像标签相似度确定为图像标签匹配信息，得到图像标签匹配信息组。

作为示例，上述向量匹配算法可以包括但不限于以下至少一项：VSM(VectorSpace Model，向量空间模型)、BPDN-VF(高效向量匹配算法)等。

在一些实施例的一些可选的实现方式中，上述执行主体基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组，可以包括以下步骤：

将上述图像特征向量与上述标签特征向量组中每个标签特征向量之间的相似度确定为图像标签匹配信息，得到图像标签匹配信息组。其中，可以通过相似度算法，确定图像特征向量与每个标签特征向量之间的图像标签相似度。然后，可以将每个图像标签相似度作为图像标签匹配信息，得到图像标签信息组。

作为示例，上述相似度算法可以包括但不限于以下至少一项：余弦相似度、欧式距离、曼哈顿距离等。

步骤204，响应于确定图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足预设匹配条件的图像标签匹配信息，生成图像分类结果。

在一些实施例中，上述执行主体可以响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。其中，上述预设匹配条件可以是图像标签匹配信息包括的图像标签相似度大于预设的相似度阈值。可以从满足上述预设匹配条件的图像标签匹配信息中选出相似度数值最大的图像标签匹配信息，作为目标图像标签匹配信息。将上述目标图像标签匹配信息对应的类别标签，确定为图像分类结果。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的图像分类方法，可以提高图像分类结果的准确度。具体来说，造成降低图像分类结果的准确度的原因在于：若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类。基于此，本公开的一些实施例的图像分类方法，首先，对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量。其中，上述目标图像信息包括类别标签组和上述目标图像。然后，对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组。分别对目标图像进行图像特征提取、对类别标签进行标签特征提取，便于后续通过图像特征向量与标签特征向量进行图像分类。接着，基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组。最后，响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。通过图像标签匹配信息和预设匹配条件，可以根据实际需要灵活配置图像特征向量和标签特征向量的匹配程度。例如，当找不到匹配的类别标签时，可以调整匹配条件以降低匹配度，进而确保针对任一目标图像，均可以确定与目标图像对应的类别标签。从而，生成图像分类结果。因此，避免了若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类的情况。进而，可以提高图像分类结果的准确度。

进一步参考图3，其示出了图像分类方法的另一些实施例的流程300。该图像分类方法的流程300，包括以下步骤：

步骤301，对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量。

在一些实施例中，步骤301的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。

步骤302，对类别标签组中的各个类别标签进行扩展处理，得到扩展类别标签组。

在一些实施例中，上述执行主体可以将上述类别标签组中的各个类别标签(一般为关键词)扩展成描述性语句，得到扩展类别标签组。可以看出，与原始的类别标签相比，拓展类别标签的信息量更加丰富。其中，可以通过预设的模板或者预先训练的语句生成网络，对上述类别标签组中的各个类别标签进行扩展处理，得到扩展类别标签组。上述预设的模板可以是：“这是一张***的图片”。扩展处理，可以是丰富类别标签的语句，增加语句的长度。例如，类别标签可以是：“玩具车”。那么丰富类别标签语句的结果可以是：“这是一张玩具车的图片”。

实践中，通过扩展处理，可以增加类别标签的语句长度，使得扩展后的扩展类别标签，增加类别标签的信息量。

步骤303，基于预先训练的图像分类模型，对扩展类别标签组中的各个扩展类别标签进行标签特征提取，得到标签特征向量组。

在一些实施例中，上述执行主体可以基于预先训练的图像分类模型，对上述扩展类别标签组中的各个扩展类别标签进行标签特征提取，得到标签特征向量组。其中，上述图像分类模型可以包括图像特征提取器和标签特征提取器。可以将扩展类别标签输入至上述标签特征提取器，得到标签特征向量。上述图像特征提取器可以用于对目标图像进行图像特征提取，以生成图像特征向量。

作为示例，上述图像特征提取器可以包括但不限于以下至少一项：VGG(VisualGeometry Group Network，卷积神经网络)、Resnet(Residual Network，残差神经网络)模型等。上述标签特征提取器可以包括但不限于以下至少一项：Word2vec(词向量模型)、LSA(Latent Semantic Analysis，潜在语义分析模型)等。

在一些实施例的一些可选实现方式中，上述图像分类模型通过以下步骤训练得到：

第一步，将样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，得到样本结果对集合。其中，上述样本结果对集合中的样本结果对可以包括样本图像特征向量和样本标签特征向量。实践中，样本结果对中的样本图像特征向量和样本标签特征向量的长度可以相同。

第二步，对于每个样本信息，根据上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、上述样本信息对应的样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离、上述样本信息对应的样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离，确定样本损失值。其中，上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离可以是：样本图像特征向量与样本标签特征向量乘积的指数值。上述样本信息对应的样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离可以是：样本图像特征向量与其余每个样本信息对应的样本特征向量乘积的指数值的和。上述样本信息对应的样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离可以是：上述样本信息对应的样本标签特征向量与其余的每个样本信息对应的样本标图像征向量乘积的指数值的和。指数值可以通过指数函数得到。可以通过预设的损失函数，确定每个样本的样本损失值。例如，损失函数可以包括但不限于以下至少一项：交叉熵损失函数、最大似然函数等。

作为示例，若以损失函数为交叉熵损失函数，则可以通过以下方式生成样本损失值：首先，可以将上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、与该样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离的比值的对数函数的相反数确定为第一参数。然后，可以将上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、与该样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离的比值的对数函数的相反数确定为第二参数。最后，可以将上述第一参数和第二参数的和确定为上述样本损失值。

实践中，通过此种方式进行模型训练，可以使得图像分类模型生成的与每个样本信息对应的样本图像特征向量和样本标签特征向量的距离相互靠近、该样本信息对应的样本图像特征向量与其余样的本特征向量的距离相互远离、该样本信息对应的样本标签特征向量与其余的样本标签特征向量的距离相互远离。以此，可以提高图像分类模型生成的图像特征向量与对应标签特征向量的线性先关程度。从而，在图像分类时，可以更加准确的确定图像的类别。

作为示例，如图4所示，将样本图像401输入至图像特征提取器402，得到样本图像特征向量403。将各个样本标签404输入至标签特征提取器405，得到样本标签特征向量组406。

第三步，确定与上述样本信息组中各个样本信息的样本损失值对应的目标损失值。其中，可以将各个样本信息的样本损失值的平均值确定为目标损失值。

第四步，响应于确定上述目标损失值不满足预设的训练条件，调整初始图像分类模型中的相关参数。其中，上述训练条件可以是目标损失值与历史损失值组中各个历史损失值之间的标准差小于预设标准差阈值。历史损失值组中可以存储历史训练后的目标损失值。标准差小于预设标准差阈值可以表征模型训练收敛。

在一些实施例的一些可选实现方式中，上述预设的训练条件还可以为上述目标损失值大于等于预设损失阈值。

在一些实施例的一些可选实现方式中，上述样本信息组中的样本信息可以包括样本图像和样本标签，上述初始图像分类模型可以包括初始图像特征提取器和初始标签特征提取器。将样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，得到样本结果对集合，可以包括以下步骤：

第一步，将上述样本信息中的样本图像输入至上述初始图像特征提取器，得到样本图像特征向量。例如，样本图像可以是一个“玩具车”的图像。

第二步，将上述样本信息中的样本标签输入至上述初始标签特征提取器，得到样本标签特征向量。例如，样本标签可以是：“这是一个玩具车的图像”。

第三步，将上述样本图像特征向量和上述样本标签特征向量确定为样本结果对。

步骤304，基于图像特征向量和标签特征向量组，生成图像标签匹配信息组。

步骤305，响应于确定图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足预设匹配条件的图像标签匹配信息，生成图像分类结果。

在一些实施例中，步骤304-305的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤203-204，在此不再赘述。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的图像分类方法的流程300体现了对于类别标签的拓展步骤，由一般的关键词拓展为描述性语句，从而增加了标签的信息量。由此，可以增加目标图像匹配到类别标签的概率。进而，可以提高图像分类结果的准确度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图像分类装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的图像分类装置500包括：图像特征提取单元501、标签特征提取单元502、第一生成单元503和第二生成单元504。其中，图像特征提取单元501，被配置成对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量，其中，上述目标图像信息包括类别标签组和上述目标图像；标签特征提取单元502，被配置成对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组；第一生成单元503，被配置成基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组；第二生成单元504，被配置成响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。

在一些实施例的可选实现方式中，上述第一生成单元503，被进一步配置成将上述图像特征向量与上述标签特征向量组中每个标签特征向量之间的相似度确定为图像标签匹配信息，得到图像标签匹配信息组。

在一些实施例的可选实现方式中，上述标签特征提取单元502，被进一步配置成对上述类别标签组中的各个类别标签进行扩展处理，得到扩展类别标签组；基于预先训练的图像分类模型，对上述扩展类别标签组中的各个扩展类别标签进行标签特征提取，得到标签特征向量组，其中，上述图像分类模型包括图像特征提取器和标签特征提取器。

在一些实施例的可选实现方式中，上述图像分类模型可以通过以下步骤训练得到：将样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，得到样本结果对集合，其中，上述样本结果对集合中的样本结果对包括样本图像特征向量和样本标签特征向量；对于每个样本信息，根据上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、上述样本信息对应的样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离、上述样本信息对应的样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离，确定样本损失值；确定与上述样本信息组中各个样本信息的样本损失值对应的目标损失值；响应于确定上述目标损失值不满足预设的训练条件，调整初始图像分类模型中的相关参数。

在一些实施例的可选实现方式中，训练步骤还可以包括响应于确定所生成的样本损失值满足上述训练条件，将上述初始图像分类模型确定为图像分类模型。

在一些实施例的可选实现方式中，上述样本信息组中的样本信息包括样本图像和样本标签，上述初始图像分类模型包括初始图像特征提取器和初始标签特征提取器；以及训练步骤中的将预设的样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，可以包括：将上述样本信息中的样本图像输入至上述初始图像特征提取器，得到样本图像特征向量；将上述样本信息中的样本标签输入至上述初始标签特征提取器，得到样本标签特征向量；将上述样本图像特征向量和上述样本标签特征向量确定为样本结果对。

在一些实施例的可选实现方式中，上述预设的训练条件为上述目标损失值大于等于预设损失阈值。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量，其中，上述目标图像信息包括类别标签组和上述目标图像；对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组；基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组；响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像特征提取单元、标签特征提取单元、第一生成单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像特征提取单元还可以被描述为“提取图像特征向量的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。