一种图像分类方法、电子设备、存储介质及程序产品与流程

1.本技术涉及图像处理技术领域，特别是涉及一种图像分类方法、电子设备、存储介质及程序产品。


背景技术：

2.随着机器学习的飞速发展，训练得到的图像分类模型可以对图像进行分类，图像分类的准确性依赖于图像分类模型的训练程度。相关技术中，为了训练得到可以识别图像是否为a类图像的图像分类模型，通常是利用包含a类图像的样本集对基础模型进行训练，使基础模型能够学习到a类图像的特征，进而得到训练完毕的图像分类模型。
3.然而，基于包含a类图像的样本集训练得到的图像分类模型，只学习到了a类图像的特征，而对于其它不属于a类的图像的特征学习得较差。因此，相关技术中训练得到的图像分类模型的准确性还有待提高，利用该图像分类模型进行图像分类的准确性也有待提高。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种图像分类方法、电子设备、存储介质及程序产品，以便克服上述问题或者至少部分地解决上述问题。
5.本发明实施例的第一方面，提供了一种图像分类方法，所述方法包括：
6.获取待分类图像；
7.将所述待分类图像输入图像分类模型，得到所述待分类图像的分类预测结果；
8.其中，所述图像分类模型从目标类维度，向预先训练完毕的第一模型学习了样本集中每个样本是否为目标类的二分类预测结果，并从非目标类维度，向所述第一模型学习了所述样本集中每个样本为每个非目标类的概率预测结果。
9.可选地，所述图像分类模型从目标类维度和非目标类维度向所述第一模型学习，是通过以下步骤实现的：
10.将所述样本集输入所述第一模型和待训练的第二模型；
11.获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本是否为目标类的二分类预测结果，以及，获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本为每个非目标类的概率预测结果；
12.以学习所述第一模型预测的所述样本集中每个样本对应的二分类预测结果，并学习所述第一模型预测的所述样本集中每个样本为每个非目标类的概率预测结果为目标，对所述第二模型的模型参数进行更新；
13.将多次参数更新后的第二模型确定为所述图像分类模型。
14.可选地，获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本是否为目标类的二分类预测结果，包括:
15.获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本的类别概
率分布结果；
16.从所述类别概率分布结果中，分别提取所述第一模型和所述第二模型各自预测的所述样本集中每个样本为目标类的概率；
17.根据所述每个样本为目标类的概率，确定所述第一模型和所述第二模型各自预测的所述样本集中每个样本是否为目标类的二分类预测结果。
18.可选地，获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本为每个非目标类的概率预测结果，包括:
19.获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本的类别概率分布结果；
20.从所述类别概率分布结果中，分别提取所述第一模型和所述第二模型各自预测的所述样本集中每个样本为每个非目标类的概率预测结果。
21.可选地，以学习所述第一模型预测的所述样本集中每个样本对应的二分类预测结果，并学习所述第一模型预测的所述样本集中每个样本为每个非目标类的概率预测结果为目标，对所述第二模型的模型参数进行更新，包括：
22.根据所述第一模型和所述第二模型针对同一样本各自预测的二分类预测结果之间的差异，建立二分类损失函数；
23.根据所述第一模型和所述第二模型针对同一样本各自预测的该样本为每个非目标类的概率预测结果之间的差异，建立非目标类损失函数；
24.根据所述二分类损失函数和所述非目标类损失函数，得到所述第二模型的总损失函数；
25.根据所述总损失函数，对所述第二模型的模型参数进行更新。
26.可选地，根据所述二分类损失函数和所述非目标类损失函数，得到所述第二模型的总损失函数，包括：
27.获取所述二分类损失函数和所述非目标类损失函数各自的权重参数；
28.对所述二分类损失函数和所述非目标类损失函数按照各自的权重参数，进行加权求和，得到所述第二模型的总损失函数。
29.可选地，所述目标类是所述样本集中携带标签的样本的类别，所述样本集还包括无标注样本；所述图像分类模型从所述目标类维度，还以携带标签的样本进行了有监督学习。
30.本发明实施例的第二方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序以实现如本技术实施例公开的所述的图像分类方法。
31.本发明实施例的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如本技术实施例公开的所述的图像分类方法。
32.本发明实施例的第四方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如本技术实施例公开的所述的图像分类方法。
33.本发明实施例包括以下优点：
34.本实施例中，可以利用图像分类模型对待分类图像进行分类，该图像分类模型从
目标类维度和非目标类维度，分别向预先训练完毕的第一模型进行了学习。因为第一模型已经训练完毕，因此第一模型可以准确分辨目标类特征和非目标类特征。如此，从目标类维度向第一模型学习了样本集中每个样本是否为目标类的二分类预测结果的图像分类模型，可以准确分辨目标类的特征；从非目标类维度向第一模型学习了样本集中每个样本为每个非目标类的概率预测结果的图像分类模型，可以准确分辨非每个目标类的特征。因此，学习完毕的图像分类模型也可以准确分辨目标类特征和非目标类特征，其在对待分类图像进行分类时，也具有较高的准确性。
附图说明
35.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
36.图1是本发明实施例中一种图像分类方法的步骤流程图；
37.图2是本发明实施例中类别概率分布结果的一个示意图；
38.图3是本发明实施例中图像分类模型的学习示意图；
39.图4是本发明实施例中一种图像分类装置的结构示意图；
40.图5是本发明实施例中一种电子设备的示意图。
具体实施方式
41.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
42.近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(artificial intelligence，ai)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(slam)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如安全防控、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
43.本技术人考虑到，利用有标注样本对第二模型进行训练，第二模型可以学习到标注信息，但对无标注样本携带的信息学习不足。因此，可以利用训练好的、性能优异、对无标注样本的信息学习程度也高的第一模型的输出，对第二模型进行训练，使第二模型可以学习无标注样本携带的信息。
44.相关技术中利用第一模型引导第二模型进行训练的方法中，往往是直接让第二模型和第一模型各自的输出尽可能相似，让第二模型的输出结果整体学习第一模型的输出结果。但是这种方法的耦合性太强，导致第二模型的学习效果不佳。因此，本技术人提出了对学习的过程进行解耦，使第二模型分别从目标类维度和非目标类维度对第一模型进行学习。实验证明，解耦后的学习方法相比整体学习的方法，可以提升第二模型的学习效果，且缩短学习时间。
45.参照图1所示，示出了本技术实施例中一种图像分类方法的步骤流程图，如图1所示，该图像分类方法可以用于计算机、手机、平板电脑、服务器等电子设备中，该图像分类方法包括以下步骤：
46.步骤s11：获取待分类图像；
47.步骤s12：将所述待分类图像输入图像分类模型，得到所述待分类图像的分类预测结果；其中，所述图像分类模型从目标类维度，向预先训练完毕的第一模型学习了样本集中每个样本是否为目标类的二分类预测结果，并从非目标类维度，向所述第一模型学习了所述样本集中每个样本为每个非目标类的概率预测结果。
48.待分类图像可以是任意图像，例如视频帧、照片、制作的图像等。将待分类图像输入训练完毕的图像分类模型，图像分类模型可以预测待分类图像的分类预测结果。其中，分类预测结果可以是该待分类图像是否属于目标类图像，也可以是该待分类图像属于哪一类图像。
49.图像分类模型在训练过程中，分别从目标类维度和非目标类维度向预先训练完毕的第一模型进行了学习。目标类是指在对图像分类模型进行训练时，使用的样本集中携带标签的样本的类别。
50.第一模型是已经训练好的、准确性高的模型，第一模型可以准确分辨目标类特征和非目标类特征。第一模型的训练可以是使用包含目标类样本图像的样本集进行训练的。利用训练完毕的第一模型，对用于训练待训练的图像分类模型(即后文的第二模型)的样本集进行预测。其中，用于训练待训练的图像分类模型的样本集可以是或者不是用于训练第一模型的样本集。
51.在第一模型对训练待训练的图像分类模型的样本集进行预测后，待训练的图像分类模型对该样本集进行预测，并让待训练的图像分类模型向第一模型对该样本集的预测结果进行学习，以使图像分类模型的分类预测结果可以像第一模型一样，实现对图像的准确分类。
52.具体地，图像分类模型可以从目标类维度和非目标类维度，分别向第一模型进行训练。可以获取第一模型预测的样本集中每个样本是否为目标类的二分类预测结果，然后使图像分类模型从目标类维度，向第一模型学习样本集中每个样本是否为目标类的二分类预测结果。可以获取第一模型预测的样本集中每个样本为每个非目标类的概率预测结果，然后使图像分类模型从非目标类维度，向第一模型学习样本集中每个样本为每个非目标类的概率预测结果。
53.可选地，用于训练图像分类模型的样本集中的每个样本都可以是无标注样本，可以根据第一模型对每个样本的二分类预测结果，作为每个样本的虚拟标签。目标类可以是根据第一模型在训练过程中，主要学习的特征进行确定。例如，第一模型在训练过程中，利
用携带b类标签的样本进行了训练，学习了b类图像特征，则可以将b类作为目标类。本公开对第一模型的训练方法不作限制。如此，在训练图像分类模型时，可以免去对样本集的标注，同时也通过对第一模型的学习，学习到了目标类特征。
54.然而，可以理解的是，在目标类维度让图像分类模型仅仅向第一模型进行学习，其学习效果弱于在目标类维度让图像分类模型同时向第一模型和有标注样本进行学习。因此，可选地，在向第一模型学习的基础上，还可以利用包含有标注的样本的样本集从目标类维度，让图像分类模型进行有监督学习。
55.样本集中包括携带目标类标签的样本以及无标注样本，利用待训练的图像分类模型预测样本集中每个样本是否为目标类样本。根据每个样本的预测结果，以及根据该样本是否携带标签确定的该样本实际是否为目标类样本之间的差异，建立损失函数，基于该损失函数对待训练的图像分类模型进行训练，从而使训练完毕的图像分类模型可以学习到目标类特征。如此，训练完毕图像分类模型，在目标类维度不仅学习了样本集中的标注信息，还向第一模型进行了学习，因此在对图像进行分类时具有更高的准确性。
56.可选地，在上述技术方案的基础上，图像分类模型可以是参数量较小的模型，让参数量较小的图像分类模型根据样本集学习目标类特征，通常需要比较长的学习时间，且只能学习到目标类特征，而且即使是目标类特征的学习效果也有待提升，因此对样本集学习完毕的图像分类模型准确性依然不高。第一模型可以是参数量较大的模型，其在训练完毕后对于目标类特征和非目标类特征都能准确进行分辨。因此，图像分类模型向从目标类维度和非目标维度向图像分类模型进行学习，有助于提升图像分类模型的准确性。
57.采用本技术实施例的技术方案，可以利用图像分类模型对待分类图像进行分类，该图像分类模型从目标类维度和非目标类维度，分别向预先训练完毕的第一模型进行了学习。因为第一模型已经训练完毕，因此第一模型可以准确分辨目标类特征和非目标类特征。如此，从目标类维度向第一模型学习了样本集中每个样本是否为目标类的二分类预测结果的图像分类模型，可以准确分辨目标类的特征；从非目标类维度向第一模型学习了样本集中每个样本为每个非目标类的概率预测结果的图像分类模型，可以准确分辨非每个目标类的特征。因此，学习完毕的图像分类模型也可以准确分辨目标类特征和非目标类特征，其在对待分类图像进行分类时，也具有较高的准确性。
58.可选地，在上述技术方案的基础上，可以通过以下步骤实现图像分类模型从目标类维度和非目标类维度向第一模型学习：将相同的样本集输入训练完毕的第一模型和待训练的第二模型；获取第一模型和第二模型各自预测的样本集中每个样本是否为目标类的二分类预测结果，以及获取第一模型和第二模型各自预测的样本集中每个样本为每个非目标类的概率预测结果；让第二模型以学习第一模型预测的样本集中每个样本对应的二分类预测结果，并学习第一模型预测的所述样本集中每个样本为每个非目标类的概率预测结果为目标，不断进行学习，并对第二模型的模型参数进行更新；将多次参数更新后的第二模型确定为图像分类模型。
59.预测样本是否为目标类的二分类预测结果是指预测样本或者不属于目标类的结果，例如，目标类为老虎时，一张图像的二分类预测结果可以是“该图像属于老虎”，或者是“该图像不属于老虎”这两种情况。可选地，二分类预测结果可以是指预测样本属于目标类的概率大小以及不属于目标类的概率大小。可以理解的是，一张图像属于目标类的概率和
不属于目标类的概率之和为1。
60.预测样本为每个非目标类的概率预测结果是指预测样本属于每个非目标类各自的概率大小。例如，当目标类为老虎时，非目标类可以为猫、狗、背景等，一张图像为每个非目标类的概率预测结果可以是：猫的概率为0.07，狗的概率为0.06，背景的概率为0.02。
61.第一模型是准确度高的模型，因此，在得到第一模型和第二模型各自预测的每个样本对应的二分类预测结果以及每个样本为每个非目标类的概率预测结果之后，让第二模型学习第一模型的二分类预测结果和为每个非目标类的概率预测结果，以让第二模型可以更加准确地实现对样本的分类，包括是否为目标类的二分类，以及为每个非目标类的概率。
62.可选地，在上述技术方案的基础上，可以先获取第一模型和第二模型各自预测的样本集中每个样本的类别概率分布结果，一个样本的类别概率分布结果包括该样本为目标类的概率，以及为每个非目标类的概率。图2示出了类别概率分布结果的一个示意图，其中不同形状的柱代表了不同的类别，每个柱的高度代表了概率大小。各类别概率分布结果中，各个类别按照相同的顺序进行分布。
63.在获取了第一模型和第二模型各自预测的样本集中每个样本的类别概率分布结果之后，从每个类别概率分布结果中，可以提取到该样本为目标类的概率。因为一个样本为目标类的概率和为非目标类的概率之和为1，因此可以根据该样本为目标类的概率得到该样本为非目标类的概率；还可以根据该样本为各个非目标类的概率之和，得到该样本为非目标类的概率。进一步地，可以比较该样本为目标类的概率和为非目标类的概率的大小，从而得到该样本的二分类预测结果。例如，第一模型预测一个样本的类别概率分布结果为：a类(目标类)为0.7，b类为0.2，c类为0.1，则可以根据1-0.7＝0.3或者根据0.2 0.1＝0.3，得到该样本为非目标类的概率为0.3；通过比较0.7和0.3的大小，可以得到第一模型预测该样本的二分类预测结果为目标类。
64.可选地，从每个类别概率分布结果中，还可以提取到该样本为每个非目标类的概率。例如，第一模型预测一个样本的类别概率分布结果为：a类(目标类)为0.7，b类为0.2，c类为0.1，则可以提取到该样本为b类概率为0.2，以及为c类的概率为0.1。
65.可选地，在上述技术方案的基础上，在获得第一模型和第二模型针对每个样本的二分类预测结果之后，根据第一模型和第二模型针对同一样本各自预测的二分类预测结果之间的差异，可以建立二分类损失函数。二分类损失函数可以引导第二模型向第一模型进行学习，学习后的第二模型对图像的二分类预测结果会更加准确。
66.在获得第一模型和第二模型预测的每个样本为每个非目标类的概率预测结果之后，根据第一模型和第二模型针对同一样本各自预测的该样本为每个非目标类的概率预测结果之间的差异，建立非目标类损失函数。非目标类损失函数可以引导第二模型向第一模型进行学习，学习后的第二模型在判断图像是否属于各个非目标类时，会更加准确。
67.在得到二分类损失函数和非目标类损失函数后，可以根据二者得到第二模型的总损失函数，根据该总损失函数，对第二模型的模型参数进行更新，以得到图像分类模型。
68.可选地，在上述技术方案的基础上，可以对二分类损失函数和非目标类损失函数施加各自的权重参数，对施加了各自的权重参数的二分类损失函数和非目标类损失函数进行求和，得到第二模型的总损失函数。
69.其中，二分类损失函数和非目标类损失函数各自的权重参数，可以是根据实验得
到的超参数。施加了权重参数的二分类损失函数和非目标类损失函数，相比于不施加权重参数的二分类损失函数和非目标类损失函数，可以更好地对第二模型进行训练。
70.可选地，图3示出了图像分类模型的学习示意图。训练完毕的第一模型和待训练的第二模型针对同一样本进行预测，得到该样本的两个类别概率分布结果；从两个类别概率分布结果中，分别提取目标类概率，并得到非目标类概率，根据目标类概率和非目标类概率得到二分类预测结果；根据两个模型各自的二分类预测结果，建立二分类损失函数；从两个类别概率分布结果中，分别提取该样本为各个非目标类的概率，并根据两个模型各自预测该样本为各个非目标类的概率，建立非目标类损失函数；根据二分类损失函数和非目标类损失函数得到用于训练第二模型的总损失函数。训练好的第二模型即为图像分类模型。
71.相比于直接让第二模型学习第一模型输出的类别概率分布结果，本公开提出的第二模型从目标类维度和非目标类维度，分别向第一模型进行学习，学习完毕的第二模型具有更高的准确性。
72.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
73.图4是本发明实施例的一种图像分类装置的结构示意图，如图4所示，该图像分类装置包括图像获取模块和结果预测模块，其中：
74.图像获取模块，用于获取待分类图像；
75.结果预测模块，用于将所述待分类图像输入图像分类模型，得到所述待分类图像的分类预测结果；其中，所述图像分类模型从目标类维度，向预先训练完毕的第一模型学习了样本集中每个样本是否为目标类的二分类预测结果，并从非目标类维度，向所述第一模型学习了所述样本集中每个样本为每个非目标类的概率预测结果。
76.可选地，所述图像分类模型从目标类维度和非目标类维度向所述第一模型学习，是通过以下步骤实现的：
77.将所述样本集输入所述第一模型和待训练的第二模型；
78.获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本是否为目标类的二分类预测结果，以及，获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本为每个非目标类的概率预测结果；
79.以学习所述第一模型预测的所述样本集中每个样本对应的二分类预测结果，并学习所述第一模型预测的所述样本集中每个样本为每个非目标类的概率预测结果为目标，对所述第二模型的模型参数进行更新；
80.将多次参数更新后的第二模型确定为所述图像分类模型。
81.可选地，获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本是否为目标类的二分类预测结果，包括:
82.获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本的类别概率分布结果；
83.从所述类别概率分布结果中，分别提取所述第一模型和所述第二模型各自预测的
所述样本集中每个样本为目标类的概率；
84.根据所述每个样本为目标类的概率，确定所述第一模型和所述第二模型各自预测的所述样本集中每个样本是否为目标类的二分类预测结果。
85.可选地，获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本为每个非目标类的概率预测结果，包括:
86.获取所述第一模型和所述第二模型各自预测的所述样本集中每个样本的类别概率分布结果；
87.从所述类别概率分布结果中，分别提取所述第一模型和所述第二模型各自预测的所述样本集中每个样本为每个非目标类的概率预测结果。
88.可选地，以学习所述第一模型预测的所述样本集中每个样本对应的二分类预测结果，并学习所述第一模型预测的所述样本集中每个样本为每个非目标类的概率预测结果为目标，对所述第二模型的模型参数进行更新，包括：
89.根据所述第一模型和所述第二模型针对同一样本各自预测的二分类预测结果之间的差异，建立二分类损失函数；
90.根据所述第一模型和所述第二模型针对同一样本各自预测的该样本为每个非目标类的概率预测结果之间的差异，建立非目标类损失函数；
91.根据所述二分类损失函数和所述非目标类损失函数，得到所述第二模型的总损失函数；
92.根据所述总损失函数，对所述第二模型的模型参数进行更新。
93.可选地，根据所述二分类损失函数和所述非目标类损失函数，得到所述第二模型的总损失函数，包括：
94.获取所述二分类损失函数和所述非目标类损失函数各自的权重参数；
95.对所述二分类损失函数和所述非目标类损失函数按照各自的权重参数，进行加权求和，得到所述第二模型的总损失函数。
96.可选地，所述目标类是所述样本集中携带标签的样本的类别，所述样本集还包括无标注样本；所述图像分类模型从所述目标类维度，还以携带标签的样本进行了有监督学习。
97.需要说明的是，装置实施例与方法实施例相近，故描述的较为简单，相关之处参见方法实施例即可。
98.本发明实施例还提供了一种电子设备，参照图5，图5是本技术实施例提出的电子设备的示意图。如图5所示，电子设备100包括：存储器110和处理器120，存储器110与处理器120之间通过总线通信连接，存储器110中存储有计算机程序，该计算机程序可在处理器120上运行，进而实现本技术实施例公开的图像分类方法中的步骤。
99.本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如本技术实施例公开的所述的图像分类方法。
100.本发明实施例还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如本技术实施例公开的所述的图像分类方法。
101.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
102.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
103.本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
104.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
105.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
106.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
107.最后，还需要说明的是，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。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
108.以上对本技术所提供的一种图像分类方法、电子设备、存储介质及程序产品，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。