场景分类模型的优化方法及装置与流程

技术特征：
1.一种场景分类模型的优化方法，其特征在于，所述方法包括：基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取公开数据集，所述公开数据集包括训练数据集、测试数据集和验证数据集；基于所述训练数据集对所述神经网络场景分类模型进行训练，以得到训练好的神经网络场景分类模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：将验证数据集作为输入，输入到优化后的神经网络场景分类模型中，以验证优化后的神经网络场景分类模型的预测准确性。4.根据权利要求2所述的方法，其特征在于，所述根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵包括：统计所述公开数据集中的所有类别；将各类别或各类别的身份编码分别作为所述混沌矩阵的列向量和行向量，形成一个初始值均为零的初始矩阵；根据所述测试数据集中各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵。5.根据权利要求4所述的方法，其特征在于，所述列向量中各类别的顺序与所述行向量中各类别的顺序一致。6.根据权利要求5所述的方法，其特征在于，所述根据所述测试数据集中各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵包括：确定一个图像对应所述初始矩阵中的位置，并将该位置的值加一，以实现对所述初始矩阵的更新；其中，所述位置是该图像的真实类别和预测类别在所述初始矩阵中的交叉位置；将根据所述测试数据集中各图像的真实类别和预测类别，更新完毕后的初始矩阵作为所述混沌矩阵。7.根据权利要求5所述的方法，其特征在于，所述根据所述测试数据集中各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵包括：确定一个图像的真实类别和预测类别是否一致，若一致，则确定该图像的预测结果为正确；若不一致，则确定该图像的预测结果为错误；统计所述测试数据集中各类别的预测结果为正确的图像的第一数量，以及各类别的预测结果为错误的图像的第二数量；将所述第一数量和所述第二数量填写到所述初始矩阵中对应的位置上，得到所述混沌矩阵。8.根据权利要求1所述的方法，其特征在于，所述根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别包括：
对于所述混沌矩阵的一个位置，若其对应的真实类别和预测类别不一致，则判断该位置的值是否大于预设阈值；若大于，则根据该位置对应的真实类别和预测类别的共同特点，生成超类类别。9.一种场景分类模型的优化装置，其特征在于，所述装置包括：预测单元，用于基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；矩阵转化单元，用于根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；超类生成单元，用于根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。10.一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～8所述方法。

技术总结
本申请公开了一种场景分类模型的优化方法及装置，其方法包括：基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。本申请通过采用训练好的神经网络场景分类模型对测试数据集进行测试的结果，将测试结果转化混沌矩阵，并基于混沌矩阵对神经网络场景分类模型的原始的容易混淆的类别映射到新的超分类，显著提高了场景的分类模型的预测准确度，扩大了神经网络场景分类模型的应用场景。扩大了神经网络场景分类模型的应用场景。扩大了神经网络场景分类模型的应用场景。


技术研发人员：王喆 李晓雪 范凌
受保护的技术使用者：特赞(上海)信息科技有限公司
技术研发日：2021.09.06
技术公布日：2022/1/7