图像分类的方法、装置、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像分类的方法、装置、电子设备及存储介质。

背景技术

随着科技的发展，汽车的功能越来越智能化，为了给用户带来更好的驾驶体验，自动驾驶功能成为了汽车重要发展的一项技术。自动驾驶依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。

在自动驾驶领域中，影响自动驾驶性能的重要一环即为对车辆检测到的图像进行识别分类，图像分类的质量好坏能够直接影响到自动驾驶的性能。然而，由于自动驾驶场景下的图像错综复杂，目前对自动驾驶场景下的进行图像分类的方法都需要借助人工标注的图像数据才可实现，需要耗费大量的人力资源和高额的人工成本，同时大量未标注的图像数据被浪费掉。

发明内容

有鉴于此，本申请提供了一种图像分类的方法、装置、电子设备及存储介质，以解决现有技术中图像分类的方法都需要借助人工标注的图像数据才可实现，需要耗费大量的人力资源和高额的人工成本，同时大量未标注的图像数据被浪费掉的问题。

为实现上述目的，本申请提供如下技术方案：

本申请第一方面公开了一种图像分类的方法，包括：

获取待分类图像；其中，所述待分类图像为汽车在驾驶过程中采集到的图像；

调用训练好的特征提取模型处理所述待分类图像，得到所述待分类图像的图像特征；其中，所述特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型；

调用训练好的图像分类模型处理所述图像特征，得到所述待分类图像的图像类别；其中，所述图像分类模型为基于图像特征样本集合训练得到的模型；所述图像特征样本集合为通过对所述样本图像的图像特征进行聚类得到的集合。

可选的，上述的方法，所述特征提取模型的训练过程，包括：

获取所述特征提取模型的预训练模型以及所述样本图像；其中，所述预训练模型为利用目标数据库的图像数据集对所述特征提取模型进行预训练得到的模型；

利用对比损失函数处理所述样本图像，得到对比损失值；

利用所述对比损失值对所述预训练模型进行训练，并将训练好的所述预训练模型作为所述特征提取模型。

可选的，上述的方法，所述图像分类模型的训练过程，包括：

针对每一张所述样本图像，调用所述特征提取模型处理所述样本图像，得到所述样本图像的图像特征；

对各张所述样本图像的图像特征进行聚类处理，得到各个所述图像特征样本集合；

筛选出满足预设条件的图像特征样本集合，并为所述筛选出的图像特征样本集合定义集合标签；其中，所述集合标签用于表征图像特征所属的图像类别；

将所述筛选出的图像特征样本集合以及所述筛选出的图像特征样本集合所对应的集合标签作为训练数据，对所述图像分类模型进行训练。

可选的，上述的方法，所述调用训练好的图像分类模型处理所述图像特征，得到所述待分类图像的图像类别，包括：

基于所述图像特征，计算得到所述图像特征的置信度；

若所述置信度大于预设阈值，则分别计算所述图像特征属于各个所述图像类别的概率值，并将概率值最大的图像类别作为所述图像特征对应的待分类图像的图像类别；

若所述置信度不大于所述预设阈值，则确定所述图像特征对应的待分类图像不属于各个所述图像类别。

可选的，上述的方法，还包括：

获取不属于各个所述图像类别的图像特征；

对所述不属于各个所述图像类别的图像特征进行聚类处理，得到新的图像特征样本集合；

筛选出满足所述预设条件的图像特征样本集合，并为所述筛选出的图像特征样本集合定义集合标签；

将所述筛选出的图像特征样本集合以及所述筛选出的图像特征样本集合所对应的集合标签作为训练数据，对所述图像分类模型进行训练。

本申请第二方面公开了一种图像分类的装置包括：

获取单元，用于获取待分类图像；其中，所述待分类图像为汽车在驾驶过程中采集到的图像；

第一调用单元，用于调用训练好的特征提取模型处理所述待分类图像，得到所述待分类图像的图像特征；其中，所述特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型；

第二调用单元，用于调用训练好的图像分类模型处理所述图像特征，得到所述待分类图像的图像类别；其中，所述图像分类模型为基于图像特征样本集合训练得到的模型；所述图像特征样本集合为通过对所述样本图像的图像特征进行聚类得到的集合。

可选的，上述的装置，所述第一调用单元，包括：

第一获取子单元，用于获取所述特征提取模型的预训练模型以及所述样本图像；其中，所述预训练模型为利用目标数据库的图像数据集对所述特征提取模型进行预训练得到的模型；

处理子单元，用于利用对比损失函数处理所述样本图像，得到对比损失值；

第一训练子单元，用于利用所述对比损失值对所述预训练模型进行训练，并将训练好的所述预训练模型作为所述特征提取模型。

可选的，上述的装置，所述第二调用单元，包括：

调用子单元，用于针对每一张所述样本图像，调用所述特征提取模型处理所述样本图像，得到所述样本图像的图像特征；

聚类子单元，用于对各张所述样本图像的图像特征进行聚类处理，得到各个所述图像特征样本集合；

筛选子单元，用于筛选出满足预设条件的图像特征样本集合，并为所述筛选出的图像特征样本集合定义集合标签；其中，所述集合标签用于表征图像特征所属的图像类别；

第二训练子单元，用于将所述筛选出的图像特征样本集合以及所述筛选出的图像特征样本集合所对应的集合标签作为训练数据，对所述图像分类模型进行训练。

可选的，上述的装置，所述第二调用单元，包括：

第一计算子单元，用于基于所述图像特征，计算得到所述图像特征的置信度；

第二计算子单元，用于若所述置信度大于预设阈值，则分别计算所述图像特征属于各个所述图像类别的概率值，并将概率值最大的图像类别作为所述图像特征对应的待分类图像的图像类别；

确定子单元，用于若所述置信度不大于所述预设阈值，则确定所述图像特征对应的待分类图像不属于各个所述图像类别。

可选的，上述的装置，还包括：

第二获取单元，用于获取不属于各个所述图像类别的图像特征；

聚类单元，用于对所述不属于各个所述图像类别的图像特征进行聚类处理，得到新的图像特征样本集合；

筛选单元，用于筛选出满足所述预设条件的图像特征样本集合，并为所述筛选出的图像特征样本集合定义集合标签；

训练单元，用于将所述筛选出的图像特征样本集合以及所述筛选出的图像特征样本集合所对应的集合标签作为训练数据，对所述图像分类模型进行训练。

本申请第三方面公开了一种电子设备，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；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如本申请第一方面中任意一项所述的方法。

本申请第四方面公开了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如本申请第一方面中任意一项所述的方法。

从上述技术方案可以看出，本申请提供的一种图像分类的方法中，首先获取待分类图像；其中，待分类图像为汽车在驾驶过程中采集到的图像。然后调用训练好的特征提取模型处理待分类图像，得到待分类图像的图像特征；其中，特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型。最后调用训练好的图像分类模型处理图像特征，得到待分类图像的图像类别；其中，图像分类模型为基于图像特征样本集合训练得到的模型；图像特征样本集合为通过对样本图像的图像特征进行聚类得到的集合。由此可知，利用本申请的方法，预先对特征提取模型以及图像分类模型进行无监督训练，不需要人工标注图像数据，当获取到待分类图像时，可以快速准确的对待分类图像进行特征提取与分类，解决了现有技术中图像分类的方法都需要借助人工标注的图像数据才可实现，需要耗费大量的人力资源和高额的人工成本，同时大量未标注的图像数据被浪费掉的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例公开的一种图像分类的方法的流程图；

图2为本申请另一实施例公开的步骤S102中特征提取模型的训练过程的一种实施方式的流程图；

图3为本申请另一实施例公开的对比损失函数的原理示意图；

图4为本申请另一实施例公开的步骤S103图像分类模型的训练过程的一种实施方式的流程图；

图5为本申请另一实施例公开的车身截断图像类别的示例图；

图6为本申请另一实施例公开的卡车图像类别的示例图；

图7为本申请另一实施例公开的步骤S103的一种实施方式的流程图；

图8为本申请另一实施例公开的一种图像分类的装置的示意图；

图9为本申请另一实施例公开的一种电子设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

并且，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

由背景技术可知，在自动驾驶领域中，影响自动驾驶性能的重要一环即为对车辆检测到的图像进行识别分类，图像分类的质量好坏能够直接影响到自动驾驶的性能。然而，由于自动驾驶场景下的图像错综复杂，目前对自动驾驶场景下的进行图像分类的方法都需要借助人工标注的图像数据才可实现，需要耗费大量的人力资源和高额的人工成本，同时大量未标注的图像数据被浪费掉。

鉴于此，本申请提供了一种图像分类的方法、装置、电子设备及存储介质，以解决现有技术中图像分类的方法都需要借助人工标注的图像数据才可实现，需要耗费大量的人力资源和高额的人工成本，同时大量未标注的图像数据被浪费掉的问题。

本申请实施例提供了一种图像分类的方法，可参见图1，具体包括：

S101、获取待分类图像；其中，待分类图像为汽车在驾驶过程中采集到的图像。

需要说明的是，在汽车使用自动驾驶功能进行车辆自动驾驶的过程中，会通过车辆上的图像采集装置对车辆驾驶过程中检测到的事物进行图像采集，然后对采集到的图像，即待分类图像进行图像的识别与分类，然后根据识别到的图像控制车辆进行采取对应的驾驶措施。因此，车辆在使用自动驾驶功能时能否准确地识别图像中的物体，是影响自动驾驶性能的重要因素。

S102、调用训练好的特征提取模型处理待分类图像，得到待分类图像的图像特征；其中，特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型。

需要说明的是，在获取到待分类图像之后，将待分类图像输入到已经训练好的特征提取模型中对待分类图像中的物体进行特征提取，得到待分类图像的图像特征。其中，特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型，特征提取模型的初始网络模型可以根据实际需求选择，例如MoCo模型、DINO模型、SimCLR模型等，本实施例中采用MoCo模型。利用本申请训练得到特征提取模型，可以准确地对图像中的物体进行特征提取，提高了图像分类的准确性。

可选的，在本申请的另一实施例中，上述特征提取模型的训练过程的一种实施方式，如图2所示，具体包括：

S201、获取特征提取模型的预训练模型以及样本图像；其中，预训练模型为利用目标数据库的图像数据集对特征提取模型进行预训练得到的模型。

需要说明的是，本实施例以MoCo模型为例，首先获取特征提取模型的预训练模型以及样本图像，该样本图像为汽车自动驾驶场景下采集到大量的无标注的自动驾驶场景图像。其中，预训练模型为利用目标数据库的图像数据集对特征提取模型进行预训练得到的模型，具体地，获取ImageNet数据库(大型图像识别数据库)中的数据集，利用该数据集对MoCo模型进行无监督的预训练，以获得对不同物体的基础认知，能够区分常见物体，对物体的形状，颜色，阴影，结构有一定了解，得到特征提取模型的预训练模型。

S202、利用对比损失函数处理样本图像，得到对比损失值。

需要说明的是，MoCo模型的无监督训练采用了对比学习的策略，通过将样本图像分别与正样本和负样本在特征空间进行对比，来学习样本的特征表示，通过利用对比损失函数处理样本图像，得到对比损失值。其中，对比损失函数为：

其中，q为样本图像，k

还需要说的是，对比损失函数的思路是(1)相近的样本之间的距离越小越好。(2)相远的样本之间的距离越大越好，但这个距离有个最大边界。该思路可由一个弹簧系统(Spring System)模拟，具体如图2所示，在(a)、(b)、(c)中，中间的实心球代表标准样本，边缘的实心球代表与标准样本相近的样本，空心球代表与标准样本相远的样本，箭头的长度代表力的大小，方向代表力的方向。在(a)和(b)中，对比损失函数使得相近的样本距离越小，损失值越低。在(c)和(d)中，对比损失函数使得相远的样本距离越大，损失值越低，但距离存在上界，就是(d)中曲线与x轴的交点m，代表距离的最大值。在(e)中：一个样本受到其他各个独立样本的作用，各个方向的力处于平衡状态，代表模型参数在对比损失函数的作用下训练到收敛。

S203、利用对比损失值对预训练模型进行训练，并将训练好的预训练模型作为特征提取模型。

需要说明的是，在得到对比损失值之后，将该对比损失值作为训练参数，迭代回MoCo模型中对模型进行训练，直到后续计算出来的对比损失值下降到预设好的标准时，表示该MoCo模型训练完成，并以训练完成后的MoCo模型作为特征提取模型，用于提取图像样本中的图像特征。

还需要说明的是，在现有技术中，在对特征提取模型进行模型训练时，通常是进行有监督的训练，即为用有标注的数据去做针对性的训练。本实施例对特征提取模型进行了无监督训练，完全的去除了人工介入构建数据集的过程，消除了人工标注的高昂成本，并大大提升了无标注数据的利用率，减免了数据浪费。

S103、调用训练好的图像分类模型处理图像特征，得到待分类图像的图像类别；其中，图像分类模型为基于图像特征样本集合训练得到的模型；图像特征样本集合为通过对样本图像的图像特征进行聚类得到的集合。

需要说明的是，在利用特征提取模型提取到待分类图像的图像特征之后，则将待分类图像的图像特征输入到已经训练好的图像分类模型中对待分类图像的图像特征进行分类处理，图像分类模型输出待分类图像的图像类别。其中，图像分类模型为基于图像特征样本集合训练得到的模型，本实施例中采用的图像分类模型为SVM分类器模型。图像特征样本集合为通过对样本图像的图像特征进行聚类得到的集合。

可选的，在本申请的另一实施例中，上述图像分类模型的训练过程，如图4所示，具体包括：

S401、针对每一张样本图像，调用特征提取模型处理样本图像，得到样本图像的图像特征。

需要说明的是，针对每一张样本图像，调用上述训练好的特征提取模型处理样本图像，从而得到每一张样本图像的图像特征。

S402、对各张样本图像的图像特征进行聚类处理，得到各个图像特征样本集合。

需要说明的是，在得到每一张样本图像的图像特征之后，通过DBSCAN聚类算法对各张样本图像的图像特征进行聚类处理，得到各个图像特征聚类形成的簇，当然，也可以根据实际需求选择其他的聚类算法，例如OPTICS聚类算法。每一个簇中包含相似的图像特征，即图像特征样本集合。

S403、筛选出满足预设条件的图像特征样本集合，并为筛选出的图像特征样本集合定义集合标签；其中，集合标签用于表征图像特征所属的图像类别。

需要说明的是，为了避免个别图像特征集合的样本过少，影响分类模型训练的准确性，会在通过DBSCAN聚类算法设置图像特征样本集合的过滤条件，例如一个图像特征样本集合中的样本少于5个则过滤掉该集合，大于或者等于5个则保留该集合。因此，在得到各个图像特征样本集合之后，根据预先设置的过滤条件以及每一个图像特征样本集合中的样本个数，筛选出满足预设条件的图像特征样本集合。然后针对每一个图像特征样本集合中样本的图像特征，为当前图像特征样本集合定义一个集合标签，通过该集合标签表征该集合中图像特征所属的图像类别，图像类别根据实际情况进行定义，例如图5为车身截断图像类别、图6为卡车图像类别。

还需要说明的是，DBSCAN聚类算法的运算过程是首先选任意选取一个点，然后找到到这个点距离小于等于半径的所有的点。如果距起始点的距离在半径之内的数据点个数小于组成一个簇所需的最少样本量，那么这个点被标记为噪声。如果距离在半径之内的数据点个数大于组成一个簇所需的最少样本量，则这个点被标记为核心样本，并被分配一个新的簇标签。然后算法访问该点在距离半径以内的所有邻居。如果它们还没有被分配一个簇，那么就将刚刚创建的新的簇标签分配给它们。如果它们是核心样本，那么就依次访问其邻居，以此类推。簇逐渐增大，直到在簇的半径距离内没有更多的核心样本为止。再之后，选取另一个尚未被访问过的点，并重复相同的过程。

S404、将筛选出的图像特征样本集合以及筛选出的图像特征样本集合所对应的集合标签作为训练数据，对图像分类模型进行训练。

需要说明的是，筛选出图像特征样本集合和为筛选出的图像特征样本集合定义集合标签之后，将筛选出的图像特征样本集合以及筛选出的图像特征样本集合所对应的集合标签作为训练数据，对图像分类模型进行训练，直至模型收敛。

可选的，在本申请的另一实施例中，步骤S103的一种实施方式，如图7所示，具体包括：

S701、基于图像特征，计算得到图像特征的置信度。

需要说明的是，本实施的图像分类模型以SVM分类器模型为例，将待分类图像的图像特征输入到已经训练好的SVM分类器模型中对待分类图像的图像特征进行分类处理时，SVM分类器会计算得到当前图像特征的置信度，置信度的取值范围为0到1，通过该置信度判断当前的图像特征是否属于SVM分类器中已存在的图像类别中的某一类。

S702、若置信度大于预设阈值，则分别计算图像特征属于各个图像类别的概率值，并将概率值最大的图像类别作为图像特征对应的待分类图像的图像类别。

需要说明的是，如果图像特征的置信度大于预设阈值，那么说明当前图像特征属于SVM分类器中已存在的图像类别中的某一类，其中，预设阈值可以根据实际情况进行设定，一般取值(0.3-0.7)之间，阈值越高会导致分类结果越可信，但同时判断为不属于SVM分类器中已存在的图像类别中的某一类的图像数量也会越多。然后分别计算图像特征属于各个图像类别的概率值，并将概率值最大的图像类别作为图像特征对应的待分类图像的图像类别。

S703、若置信度不大于预设阈值，则确定图像特征对应的待分类图像不属于各个图像类别。

需要说明的是，如果图像特征的置信度大于预设阈值，那么说明当前图像特征不属于SVM分类器中已存在的图像类别中的某一类，可以将当前图像特征归类未知类别。

本申请实施例提供的一种图像分类的方法中，首先获取待分类图像；其中，待分类图像为汽车在驾驶过程中采集到的图像。然后调用训练好的特征提取模型处理待分类图像，得到待分类图像的图像特征；其中，特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型。最后调用训练好的图像分类模型处理图像特征，得到待分类图像的图像类别；其中，图像分类模型为基于图像特征样本集合训练得到的模型；图像特征样本集合为通过对样本图像的图像特征进行聚类得到的集合。由此可知，利用本申请的方法，预先对特征提取模型以及图像分类模型进行无监督训练，不需要人工标注图像数据，当获取到待分类图像时，可以快速准确的对待分类图像进行特征提取与分类，解决了现有技术中图像分类的方法都需要借助人工标注的图像数据才可实现，需要耗费大量的人力资源和高额的人工成本，同时大量未标注的图像数据被浪费掉的问题。

可选的，在本申请的另一实施例中，上述图像分类的方法，还可以包括：

获取不属于各个图像类别的图像特征。

对不属于各个图像类别的图像特征进行聚类处理，得到新的图像特征样本集合。

从新的图像特征样本集合中筛选出满足预设条件的图像特征样本集合，并为筛选出的图像特征样本集合定义集合标签。

将筛选出的图像特征样本集合以及筛选出的图像特征样本集合所对应的集合标签作为训练数据，对图像分类模型进行训练。

需要说明的是，为了对分类模型的数据进行迭代更新，可以获取那些不属于各个图像类别的图像特征，然后将不属于各个图像类别的图像特征重新进行聚类处理，得到新的图像特征样本集合。从新的图像特征样本集合中筛选出满足上述设定的预设条件的图像特征样本集合，并为筛选出的图像特征样本集合定义集合标签，最后将筛选出的图像特征样本集合以及筛选出的图像特征样本集合所对应的集合标签作为训练数据，对图像分类模型进行训练。如果这些重新聚类得到的训练数据不够充足，可对训练数据采用数据增强，或图像搜索等技术自动扩充训练数据。

在本申请的另一实施例还公开了一种车图像分类的装置，如图8所示，包括：

获取单元801，用于获取待分类图像；其中，待分类图像为汽车在驾驶过程中采集到的图像。

第一调用单元802，用于调用训练好的特征提取模型处理待分类图像，得到待分类图像的图像特征；其中，特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型。

第二调用单元803，用于调用训练好的图像分类模型处理图像特征，得到待分类图像的图像类别；其中，图像分类模型为基于图像特征样本集合训练得到的模型；图像特征样本集合为通过对样本图像的图像特征进行聚类得到的集合。

本实施例中，获取单元801、第一调用单元802以及第二调用单元803的具体执行过程，可参见对应图1的方法实施例内容，此处不再赘述。

本申请实施例提供的一种图像分类的装置中，首先获取单元801获取待分类图像；其中，待分类图像为汽车在驾驶过程中采集到的图像。然后第一调用单元802调用训练好的特征提取模型处理待分类图像，得到待分类图像的图像特征；其中，特征提取模型为利用预先获取的样本图像进行无监督训练得到的模型。最后第二调用单元803调用训练好的图像分类模型处理图像特征，得到待分类图像的图像类别；其中，图像分类模型为基于图像特征样本集合训练得到的模型；图像特征样本集合为通过对样本图像的图像特征进行聚类得到的集合。由此可知，利用本申请的方法，预先对特征提取模型以及图像分类模型进行无监督训练，不需要人工标注图像数据，当获取到待分类图像时，可以快速准确的对待分类图像进行特征提取与分类，解决了现有技术中图像分类的方法都需要借助人工标注的图像数据才可实现，需要耗费大量的人力资源和高额的人工成本，同时大量未标注的图像数据被浪费掉的问题。

可选的，在本申请的另一实施例中，第一调用单元802的一种实施方式，包括：

第一获取子单元，用于获取特征提取模型的预训练模型以及样本图像；其中，预训练模型为利用目标数据库的图像数据集对特征提取模型进行预训练得到的模型。

处理子单元，用于利用对比损失函数处理样本图像，得到对比损失值。

第一训练子单元，用于利用对比损失值对预训练模型进行训练，并将训练好的预训练模型作为特征提取模型。

本实施例中，第一获取子单元、处理子单元、第一训练子单元的具体执行过程，可参见对应图2方法实施例内容，此处不再赘述。

可选的，在本申请的另一实施例中，第二调用单元803的一种实施方式，包括：

调用子单元，用于针对每一张样本图像，调用特征提取模型处理样本图像，得到样本图像的图像特征。

聚类子单元，用于对各张样本图像的图像特征进行聚类处理，得到各个图像特征样本集合。

筛选子单元，用于筛选出满足预设条件的图像特征样本集合，并为筛选出的图像特征样本集合定义集合标签；其中，集合标签用于表征图像特征所属的图像类别。

第二训练子单元，用于将筛选出的图像特征样本集合以及筛选出的图像特征样本集合所对应的集合标签作为训练数据，对图像分类模型进行训练。

本实施例中，调用子单元、聚类子单元、筛选子单元、第二训练子单元的具体执行过程，可参见对应图4方法实施例内容，此处不再赘述。

可选的，在本申请的另一实施例中，第二调用单元803的一种实施方式，包括：

第一计算子单元，用于基于图像特征，计算得到图像特征的置信度。

第二计算子单元，用于若置信度大于预设阈值，则分别计算图像特征属于各个图像类别的概率值，并将概率值最大的图像类别作为图像特征对应的待分类图像的图像类别。

确定子单元，用于若置信度不大于预设阈值，则确定图像特征对应的待分类图像不属于各个图像类别。

本实施例中，第一计算子单元、第二计算子单元、确定子单元的具体执行过程，可参见对应图7方法实施例内容，此处不再赘述。

可选的，在本申请的另一实施例中，上述图像分类的方法，还可以包括：

第二获取单元，用于获取不属于各个图像类别的图像特征。

聚类单元，用于对不属于各个图像类别的图像特征进行聚类处理，得到新的图像特征样本集合。

筛选单元，用于筛选出满足预设条件的图像特征样本集合，并为筛选出的图像特征样本集合定义集合标签。

训练单元，用于将筛选出的图像特征样本集合以及筛选出的图像特征样本集合所对应的集合标签作为训练数据，对图像分类模型进行训练。

本实施例中，第二获取单元、聚类单元、筛选单元、训练单元的具体执行过程，可参见对应上述方法实施例内容，此处不再赘述。

本申请另一实施例还提供了一种电子设备，如图9所示，具体包括：

一个或多个处理器901。

存储装置902，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901执行时，使得一个或多个处理器901实现如上述实施例中任意一项方法。

本申请另一实施例还提供了计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。