图像场景分类方法、装置、设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种图像场景分类方法、装置、设备及存储介质。

背景技术

交易安全一直是银行、金融机构所追求的一个重要方面，如何提高交易的安全性和可靠性是各机构的迫切需求，所以银行特别看重反欺诈算法的研究，其中，场景分类是反欺诈的一个重要方面，它可以帮助银行确定客户的交易环境是否安全。随着深度学习的快速发展，深度学习展现了高的性能在分类等任务上，所以目前很多场景分类的任务都是借助神经网络来完成的。

银行的反欺诈主要用在了面审数据的审核上，银行的面审数据有以下几个特点：一是由于对客户隐私的保护，可以授权给神经网络训练的数据很少，直接学习容易过拟合。二是，面审图像里，一张图的很大一部分区域被人脸所覆盖，只透露出很少的场景相关的信息，这个极大增加了场景识别的难度。鉴于面审数据的这些特点，使得基于深度学习的面审场景识别存在准确度不足的问题。

发明内容

本发明的主要目的在于解决现有基于深度学习的面审场景识别存在准确度不足的技术问题。

本发明第一方面提供了一种图像场景分类方法，包括：获取历史面审终端采集的多张典型图像，并分别对各所述典型图像进行增强处理，得到各所述典型图像对应的扩充图像；利用预置特征提取模型，分别对各所述典型图像和对应的扩充图像进行对比学习，得到对应的多个第一局部特征；根据所述多个第一局部特征，构建各个场景类别的典型特征；获取当前面审终端上传的目标图像，并利用所述特征提取模型，提取所述目标图像对应的各个第二局部特征；对各所述第二局部特征和各所述典型特征进行相似度校验，得到检验结果，并根据所述校验结果，得到所述目标图像所在的场景类别。

可选的，在本发明第一方面的第一种实现方式中，所述分别对各所述典型图像进行增强处理，得到各所述典型图像对应的扩充图像包括：分别对各所述典型图像进行目标检测，并根据检测的结果，对各所述典型图像进行随机裁剪，得到对应尺寸的典型图像；分别对裁剪后的各张典型图像进行随机高斯模糊处理，并对处理后的各张典型图像进行随机颜色失真处理，得到对应的扩充图像。

可选的，在本发明第一方面的第二种实现方式中，所述利用预置特征提取模型，分别对各所述典型图像和对应的扩充图像进行对比学习，得到对应的多个第一局部特征包括：利用预置特征提取模型中的深度残差网络，提取各所述典型图像和各所述扩充图像对应的第一维度特征，并对所述第一维度特征进行特征编码，得到第二维度特征；利用预置特征提取模型中的映射网络，对所述第二维度特征进行降维处理，得到对应的初始局部特征；利用预置特征提取模型中的输出层，对所述初始局部特征进行一致性优化，得到各所述典型图像对应的第一局部特征。

可选的，在本发明第一方面的第三种实现方式中，所述利用预置特征提取模型中的输出层，对所述初始局部特征进行一致性优化，得到各所述典型图像对应的第一局部特征包括：利用预置特征提取模型中的输出层，分别计算各所述典型图像和各所述扩充图像对应的初始局部特征之间的损失值；根据所述损失值，分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行一致性检测，得到检测结果；根据检测结果分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行更新，得到各所述典型图像对应的第一局部特征。

可选的，在本发明第一方面的第四种实现方式中，所述根据所述多个第一局部特征，构建各个场景类别的典型特征包括：对所述多个第一局部特征进行聚类处理，得到各个场景类别对应的特征簇；确定每个特征簇对应的聚类中心，并将每个聚类中心作为各个场景类别对应的典型特征。

可选的，在本发明第一方面的第五种实现方式中，所述各所述第二局部特征和各所述典型特征进行相似度校验，得到检验结果包括：分别计算各所述聚类中心与各所述第二局部特征之间的余弦相似度；确定余弦相似度最高的聚类中心，并将所述余弦相似度最高的聚类中心对应的场景类别作为校验结果。

本发明第二方面提供了一种图像场景分类装置，包括：增强模块，用于获取历史面审终端采集的多张典型图像，并分别对各所述典型图像进行增强处理，得到各所述典型图像对应的扩充图像；对比学习模块，用于利用预置特征提取模型，分别对各所述典型图像和对应的扩充图像进行对比学习，得到对应的多个第一局部特征；构建模块，用于根据所述多个第一局部特征，构建各个场景类别的典型特征；提取模块，用于获取当前面审终端上传的目标图像，并利用所述特征提取模型，提取所述目标图像对应的各个第二局部特征；分类模块，用于对各所述第二局部特征和各所述典型特征进行相似度校验，得到检验结果，并根据所述校验结果，得到所述目标图像所在的场景类别。

可选的，在本发明第二方面的第一种实现方式中，所述增强模块包括：检测单元，用于分别对各所述典型图像进行目标检测，并根据检测的结果，对各所述典型图像进行随机裁剪，得到对应尺寸的典型图像；模糊处理单元，用于分别对裁剪后的各张典型图像进行随机高斯模糊处理，并对处理后的各张典型图像进行随机颜色失真处理，得到对应的扩充图像。

可选的，在本发明第二方面的第二种实现方式中，所述对比学习模块包括：编码单元，用于利用预置特征提取模型中的深度残差网络，提取各所述典型图像和各所述扩充图像对应的第一维度特征，并对所述第一维度特征进行特征编码，得到第二维度特征；降维单元，用于利用预置特征提取模型中的映射网络，对所述第二维度特征进行降维处理，得到对应的初始局部特征；优化单元，用于利用预置特征提取模型中的输出层，对所述初始局部特征进行一致性优化，得到各所述典型图像对应的第一局部特征。

可选的，在本发明第二方面的第三种实现方式中，所述优化单元还用于：利用预置特征提取模型中的输出层，分别计算各所述典型图像和各所述扩充图像对应的初始局部特征之间的损失值；根据所述损失值，分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行一致性检测，得到检测结果；根据检测结果分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行更新，得到各所述典型图像对应的第一局部特征。

可选的，在本发明第二方面的第四种实现方式中，所述构建模块包括：聚类单元，用于对所述多个第一局部特征进行聚类处理，得到各个场景类别对应的特征簇；确定单元，用于确定每个特征簇对应的聚类中心，并将每个聚类中心作为各个场景类别对应的典型特征。

可选的，在本发明第二方面的第五种实现方式中，所述分类模块包括：计算单元，用于分别计算各所述聚类中心与各所述第二局部特征之间的余弦相似度；筛选单元，用于确定余弦相似度最高的聚类中心，并将所述余弦相似度最高的聚类中心对应的场景类别作为校验结果。

本发明第三方面提供了一种图像场景分类设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述图像场景分类设备执行上述的图像场景分类方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的图像场景分类方法。

本发明提供的技术方案中，通过使用对比学习缓和了面审数据少，模型容易过拟合的问题，保证即使使用少量的训练数据，也可以训练一个较好的特征提取网络。第二，使用聚类的方法提取每一个场景的典型的局部特征，基于图像的局部特征和每个场景典型局部特征的距离，确定图像到底属于哪个场景。这种方法使得图像即使只有少量的场景信息，也可以利用局部特征获取少量的场景信息，从而极大地提高模型的场景识别的精度。

附图说明

图1为本发明实施例中图像场景分类方法的第一个实施例示意图；

图2为本发明实施例中图像场景分类方法的第二个实施例示意图；

图3为本发明实施例中图像场景分类装置的一个实施例示意图；

图4为本发明实施例中图像场景分类装置的另一个实施例示意图；

图5为本发明实施例中图像场景分类设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种图像场景分类方法、装置、设备及存储介质，获取历史面审终端采集的多张典型图像，并分别对各典型图像进行增强处理，得到各典型图像对应的扩充图像；利用预置特征提取模型，分别对各典型图像和对应的扩充图像进行对比学习，得到对应的多个第一局部特征；根据多个第一局部特征，构建各个场景类别的典型特征；获取当前面审终端上传的目标图像，并利用特征提取模型，提取目标图像对应的各个第二局部特征；对各第二局部特征和各典型特征进行相似度校验，得到检验结果，并根据校验结果，得到目标图像所在的场景类别。本发明提升了面审过程对场景的分类准确度。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中图像场景分类方法的第一个实施例包括：

101、获取历史面审终端采集的多张典型图像，并分别对各所述典型图像进行增强处理，得到各所述典型图像对应的扩充图像；

可以理解的是，本发明的执行主体可以为图像场景分类装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

本实施例中，在准备阶段，采用少量现有的面审终端采集的典型图像来构建图像库，确定不同类型场景下的典型图像的典型特征，用于与应用时采集到的目标图像来进行特征对比，确定目标图像所处的场景类型。由于本发明应用的是无监督的对比学习，此处先对典型图像来做增强，将典型图像的明显特征进行放大，无关信息进行弱化，即可得到对应的扩充图像。其中，一张典型图像增强后可以对应得到一张扩充图像或者多张扩充图像。

具体的，在对典型图像进行增强处理时，具体可以采用尺寸调整、图像填充、图像翻转、色彩空间转换、模糊处理等。比如每一张典型图像增强后得到一张扩充图像，对N张典型图像使用同一种数据增强方法，即可得到N张扩充图像，则总共包括2N张图像，其中，数据增强的类型可以为T＝{随机裁剪、随机高斯模糊、随机颜色失真}。其中，典型图像与对应得到的扩充图像作为正对，以进行后续的图像场景分类，而其他2*(N-1)张图像作为该典型图像的负对，不参与图像场景分类。

102、利用预置特征提取模型，分别对各所述典型图像和对应的扩充图像进行对比学习，得到对应的多个第一局部特征；

本实施例中，扩充图像是基于典型图像中明显特征的放大，以及无关信息的弱化，在缺少大量典型图像的情况下，基于扩充图像和典型图像进行自监督的对学习，无需大量的样本，即可保留典型图像中的数据特性进行学习，以生成数据特性的第一局部特征。

本实施例中，此处通过典型图像的数据特征与扩充图像的数据特征进行对比学习，逐渐的对典型图像的数据特性进行收缩，最后得到该典型图像与场景类别最相关的第一局部特征。

具体的，首先需要先利用特征提取模型，分别提取典型图像和扩充图像中的图像特征，然后通过优化函数，来对两者之间的差别进行收窄，提取两者之间一致的图像特征。在特征提取模型下，通过一个损失函数，来将两者之间一致的图像特征提取处理，作为第一局部特征。

103、根据所述多个第一局部特征，构建各个场景类别的典型特征；

本实施例中，提取到每个第一局部特征之后，由于每个典型图像已所在知场景类别，此处再进一步来对多个第一局部特征按照特征类别进行浓缩，得到每个特征类别对应的一个典型特征，以表示场景类别，后续无需再通过与每个第一局部特征进行比较，减少计算量，同时提升场景类别分类的效率。

具体的，此处可以通过交叉计算每个第一局部特征之间的距离，根据距离来确定相同特征类别的第一局部特征。在确定每个特征类别的各组第一局部特征后，分别对每组第一局部特征进行聚合，作为每个场景类别的典型特征。

104、获取当前面审终端上传的目标图像，并利用所述特征提取模型，提取所述目标图像对应的各个第二局部特征；

本实施例中，在应用阶段，采用先前用于提取典型图像的特征提取模型，再次提取应用时面审终端上传的目标图像，按照相同的流程来提取目标图像的各个第二局部特征，此处提取方式与前面对典型图像和扩充图像的提取方式相同，故可参照前文，此处不再赘述。

105、对各所述第二局部特征和各所述典型特征进行相似度校验，得到检验结果，并根据所述校验结果，得到所述目标图像所在的场景类别。

本实施例中，在准备阶段已经利用典型图像构建出每个场景类别所对应的典型特征，故此处则通过将第二局部特征和每个场景类别对应的典型特征进行比较，找出第二局部特征与哪个场景类别相似，即可确定第二局部特征背后的目标图像属于哪个场景类别。

具体的，第二局部特征可以按照典型图像和扩充图像构建典型特征的方式，来对每个第二局部特征按照类别进行浓缩，然后得到与典型特征相同维度的类别特征，再进行比较以确定两者之间的相似度。第二局部特征也可以直接按照预设的策略与典型特征进行比较，确定第二局部特征与哪个典型特征相似度最高。最后将与第二局部特征相似度最高的典型特征对应的场景类别作为目标图像所在的场景类别。

本发明实施例中，通过使用对比学习缓和了面审数据少，模型容易过拟合的问题，保证即使使用少量的训练数据，也可以训练一个较好的特征提取网络。第二，使用聚类的方法提取每一个场景的典型的局部特征，基于图像的局部特征和每个场景典型局部特征的距离，确定图像到底属于哪个场景。这种方法使得图像即使只有少量的场景信息，也可以利用局部特征获取少量的场景信息，从而极大地提高模型的场景识别的精度。

请参阅图2，本发明实施例中图像场景分类方法的第二个实施例包括：

201、获取历史面审终端采集的多张典型图像，并分别对各所述典型图像进行目标检测，并根据检测的结果，对各所述典型图像进行随机裁剪，得到对应尺寸的典型图像；

202、分别对裁剪后的各张典型图像进行随机高斯模糊处理，并对处理后的各张典型图像进行随机颜色失真处理，得到对应的扩充图像；

本实施例中，通过对典型图像进行随机裁剪，去除典型嘅图像中多余的或者分散注意力的区域；通过对典型图像进行随机高斯模糊处理，保留典型图像中可识别的内容特征；通过对典型图像进行随机颜色失真处理，来

具体的，在对典型图像进行随机裁剪时，可以采用TensorFlow方法，利用阅读器读取典型图像，通过“target_width”和“target_height”分别设置随机裁剪的宽度和高度的尺寸，并通过多线程执行各张典型图像的裁剪。

具体的，在对典型图像进行随机高斯模糊处理时，将正态分布应用于对典型图像的处理，通过预先设置的模糊滤镜，来对典型图像的每个像素点进行模糊处理，比如取每个像素点邻近各个像素点的像素，进行加权处理，得到加权平均值以作为该像素点的像素，其中，邻近像素点的取值范围越大，则模糊效果越强烈。

具体的，在对典型图像进行随机颜色失真处理时，可以采样高斯噪声、运动模糊、滤波等方法进行处理。通过Inoise N＝imnoise()在典型图像中依次加入n个高斯噪声，或者通过PSF N＝fspecial()加入n个运动模糊，或者通过h N＝fspecial()加入n个滤波，以实现对典型图像的随机颜色失真处理。

203、利用预置特征提取模型中的深度残差网络，提取各所述典型图像和各所述扩充图像对应的第一维度特征，并对所述第一维度特征进行特征编码，得到第二维度特征；

204、利用预置特征提取模型中的映射网络，对所述第二维度特征进行降维处理，得到对应的初始局部特征；

205、利用预置特征提取模型中的输出层，对所述初始局部特征进行一致性优化，得到各所述典型图像对应的第一局部特征；

本实施例中，对每一个典型图像x

本实施例中，在得到低维度的典型图像和扩充图像对应的初始局部特征后，则需要对两者的初始局部特征进行对比学习，来对典型图像的初始局部特征进行优化，使得两者之间达到一致。具体执行过程如下所示：

1)利用预置特征提取模型中的输出层，分别计算各所述典型图像和各所述扩充图像对应的初始局部特征之间的损失值；

2)根据所述损失值，分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行一致性检测，得到检测结果；

3)根据检测结果分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行更新，得到各所述典型图像对应的第一局部特征。

本实施例中，在预置特征提取模型中的输出层，来对第一局部特征进行优化，使得每一个典型图像的初始局部特征z

其中，sim(u,v)＝u

206、对所述多个第一局部特征进行聚类处理，得到各个场景类别对应的特征簇，确定每个特征簇对应的聚类中心，并将每个聚类中心作为各个场景类别对应的典型特征；

本实施例中，对于每一个场景类别的典型图像，提取到的第一局部特征，后，假设得到的第一局部特征h

207、获取当前面审终端上传的目标图像，并利用所述特征提取模型，提取所述目标图像对应的各个第二局部特征；

208、对分别计算各所述聚类中心与各所述第二局部特征之间的余弦相似度，并确定余弦相似度最高的聚类中心；

209、将所述余弦相似度最高的聚类中心对应的场景类别作为校验结果，并根据所述校验结果，得到所述目标图像所在的场景类别。

本实施例中，对于一张当前获取到的目标图像，提取其第二局部特征，计算每个场景类别所有的聚类中心和每个第二局部特征的余弦相似度。然后取最大余弦相似度作为目标图像和这个场景类别的相似度。将相似度最大的场景类别作为这张目标图像的场景类别。

本发明实施例中，通过使用对比学习缓和了面审数据少，模型容易过拟合的问题，保证即使使用少量的训练数据，也可以训练一个较好的特征提取网络。第二，使用聚类的方法提取每一个场景的典型的局部特征，基于图像的局部特征和每个场景典型局部特征的距离，确定图像到底属于哪个场景。这种方法使得图像即使只有少量的场景信息，也可以利用局部特征获取少量的场景信息，从而极大地提高模型的场景识别的精度。

上面对本发明实施例中图像场景分类方法进行了描述，下面对本发明实施例中图像场景分类装置进行描述，请参阅图3，本发明实施例中图像场景分类装置一个实施例包括：

增强模块301，用于获取历史面审终端采集的多张典型图像，并分别对各所述典型图像进行增强处理，得到各所述典型图像对应的扩充图像；

对比学习模块302，用于利用预置特征提取模型，分别对各所述典型图像和对应的扩充图像进行对比学习，得到对应的多个第一局部特征；

构建模块303，用于根据所述多个第一局部特征，构建各个场景类别的典型特征；

提取模块304，用于获取当前面审终端上传的目标图像，并利用所述特征提取模型，提取所述目标图像对应的各个第二局部特征；

分类模块305，用于对各所述第二局部特征和各所述典型特征进行相似度校验，得到检验结果，并根据所述校验结果，得到所述目标图像所在的场景类别。

本发明实施例中，通过使用对比学习缓和了面审数据少，模型容易过拟合的问题，保证即使使用少量的训练数据，也可以训练一个较好的特征提取网络。第二，使用聚类的方法提取每一个场景的典型的局部特征，基于图像的局部特征和每个场景典型局部特征的距离，确定图像到底属于哪个场景。这种方法使得图像即使只有少量的场景信息，也可以利用局部特征获取少量的场景信息，从而极大地提高模型的场景识别的精度。

请参阅图4，本发明实施例中图像场景分类装置的另一个实施例包括：

增强模块301，用于获取历史面审终端采集的多张典型图像，并分别对各所述典型图像进行增强处理，得到各所述典型图像对应的扩充图像；

对比学习模块302，用于利用预置特征提取模型，分别对各所述典型图像和对应的扩充图像进行对比学习，得到对应的多个第一局部特征；

构建模块303，用于根据所述多个第一局部特征，构建各个场景类别的典型特征；

提取模块304，用于获取当前面审终端上传的目标图像，并利用所述特征提取模型，提取所述目标图像对应的各个第二局部特征；

分类模块305，用于对各所述第二局部特征和各所述典型特征进行相似度校验，得到检验结果，并根据所述校验结果，得到所述目标图像所在的场景类别。

具体的，所述增强模块301包括：

检测单元3011，用于分别对各所述典型图像进行目标检测，并根据检测的结果，对各所述典型图像进行随机裁剪，得到对应尺寸的典型图像；

模糊处理单元3012，用于分别对裁剪后的各张典型图像进行随机高斯模糊处理，并对处理后的各张典型图像进行随机颜色失真处理，得到对应的扩充图像。

具体的，所述对比学习模块302包括：

编码单元3021，用于利用预置特征提取模型中的深度残差网络，提取各所述典型图像和各所述扩充图像对应的第一维度特征，并对所述第一维度特征进行特征编码，得到第二维度特征；

降维单元3022，用于利用预置特征提取模型中的映射网络，对所述第二维度特征进行降维处理，得到对应的初始局部特征；

优化单元3023，用于利用预置特征提取模型中的输出层，对所述初始局部特征进行一致性优化，得到各所述典型图像对应的第一局部特征。

具体的，所述优化单元3023还用于：

利用预置特征提取模型中的输出层，分别计算各所述典型图像和各所述扩充图像对应的初始局部特征之间的损失值；

根据所述损失值，分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行一致性检测，得到检测结果；

根据检测结果分别对各所述典型图像和各所述扩充图像对应的初始局部特征进行更新，得到各所述典型图像对应的第一局部特征。

具体的，所述构建模块303包括：

聚类单元3031，用于对所述多个第一局部特征进行聚类处理，得到各个场景类别对应的特征簇；

确定单元3032，用于确定每个特征簇对应的聚类中心，并将每个聚类中心作为各个场景类别对应的典型特征。

具体的，所述分类模块305包括：

计算单元3051，用于分别计算各所述聚类中心与各所述第二局部特征之间的余弦相似度；

筛选单元3052，用于确定余弦相似度最高的聚类中心，并将所述余弦相似度最高的聚类中心对应的场景类别作为校验结果。

本发明实施例中，通过使用对比学习缓和了面审数据少，模型容易过拟合的问题，保证即使使用少量的训练数据，也可以训练一个较好的特征提取网络。第二，使用聚类的方法提取每一个场景的典型的局部特征，基于图像的局部特征和每个场景典型局部特征的距离，确定图像到底属于哪个场景。这种方法使得图像即使只有少量的场景信息，也可以利用局部特征获取少量的场景信息，从而极大地提高模型的场景识别的精度。

上面图3和图4从模块化功能实体的角度对本发明实施例中的图像场景分类装置进行详细描述，下面从硬件处理的角度对本发明实施例中图像场景分类设备进行详细描述。

图5是本发明实施例提供的一种图像场景分类设备的结构示意图，该图像场景分类设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对图像场景分类设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在图像场景分类设备500上执行存储介质530中的一系列指令操作。

图像场景分类设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的图像场景分类设备结构并不构成对图像场景分类设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种图像场景分类设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述图像场景分类方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述图像场景分类方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。