模型训练方法、装置、计算机设备及计算机可读存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及图像聚类技术领域，尤其涉及一种模型训练方法、装置、计算机设备及计算机可读存储介质。背景技术：2.随着互联网技术的蓬勃发展，可获取的图像和其它多媒体数据越来越多，如何组织、表达、存储、管理、查询和检索这些海量的数据为当前研究重点。目前图像数据通常采用深度神经网络进行无监督聚类，具体通过对图像进行特征降维，联合执行特征学习和聚类分配，但是现有技术中的深度聚类仅仅只是通过定义重构图像和原始输入图像之间的损失函数，以及由聚类中心和分配定义的损失函数来调整dnn神经网络和聚类算法的参数，忽略了不同图像所带来的正负样本对的影响，无法指导聚类模型学习原始输入的特征，从而导致了图像聚类的准确度较差。技术实现要素：3.本发明实施例提供了一种模型训练方法、装置、计算机设备及计算机可读存储介质，用于解决现有技术中图像聚类的准确度较差的技术问题。4.第一方面，本发明实施例提供了一种模型训练方法，包括：5.将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本；6.根据图像聚类模型的最小化损失函数生成重构样本的最小化损失；7.将预设的正样本对、负样本对分别输入预置的判别器中，得到判别器的判别损失；其中，正样本对包括训练样本和重构样本，负样本对包括重构样本和训练样本的扰动样本；8.根据最小化损失、判别损失得到图像聚类模型的最小化总损失并根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。9.第二方面，本发明实施例提供了一种模型训练装置，包括：10.第一输入单元，用于将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本；11.生成单元，用于根据图像聚类模型的最小化损失函数生成重构样本的最小化损失；12.第二输入单元，用于将预设的正样本对、负样本对分别输入预置的判别器中，得到判别器的判别损失；其中，正样本对包括训练样本和重构样本，负样本对包括重构样本和训练样本的扰动样本；13.第一更新单元，用于根据最小化损失、判别损失得到图像聚类模型的最小化总损失并根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。14.第三方面，本发明实施例又提供了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的模型训练方法。15.第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述的模型训练方法。16.本发明实施例提供了一种模型训练方法、装置、计算机设备及计算机可读存储介质。该方法通过引入判别器，使得训练样本输入至图像聚类模型中以生成重构样本并生成重构样本的最小化损失，根据重构样本构建正样本对和负样本对并输入到引入的判别器中以得到判别器损失，最后根据最小化损失、判别损失得到图像聚类模型的最小化总损失以更新图像聚类模型的网络参数，进而使得训练后的图像聚类模型能从原始图像中提取较好的特征并生成，进而更加准确的对原始图像聚类，同时还可生成与原始图像更加接近的重构图像，提高了图像聚类模型的精确度。附图说明17.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。18.图1为本发明实施例提供的模型训练方法的流程示意图；19.图2为本发明实施例提供的模型训练方法的一流程示意图；20.图3为本发明实施例提供的模型训练方法的另一流程示意图；21.图4为本发明实施例提供的模型训练方法的另一流程示意图；22.图5为本发明实施例提供的模型训练装置的示意性框图；23.图6为本发明实施例提供的计算机设备的示意性框图。具体实施方式24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。25.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。26.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。27.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。28.请参阅图1，图1为本发明实施例提供的模型训练方法的流程示意图。本发明实施例的模型训练方法应用于终端设备中，该方法通过安装于终端设备中的应用软件进行执行以对用户进行模型训练。其中，模型训练完成后用于图像聚类，终端设备为具备接入互联网功能的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等终端设备。29.下面对模型训练方法进行详细说明。30.如图1所示，该方法包括以下步骤s110～s140。31.s110、将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本。32.具体的，训练样本为用于训练图像聚类模型的图像样本，图像聚类模型基于深度神经网络构建，重构样本为图像聚类模型对训练样本进行特征提取后，根据提取的特征重新生成与训练样本具有相同特征并更易进行聚类的图像样本。33.在其他发明实施例中，如图2所示，步骤s110包括子步骤s111和s112。34.s111、将训练样本输入待训练的图像聚类模型的编码器中，得到训练样本的隐特征；35.s112、将训练样本的隐特征输入图像聚类模型的解码器中，得到训练样本的重构样本。36.在本实施例中，图像聚类模型中存在编码器和解码器，编码器、解码器采用encoder-decoder框架构建，编码器为对抗自编码器(adversarial autoencoders，aae)且用于将训练样本进行编码处理以得到训练样本的隐特征，即编码器对训练样本进行特征提取以得到训练样本的低维特征，隐特征为通过编码器对训练样本进行特征提取后的特性信息，解码器用于对隐特征进行解码以生成接近训练样本的重构样本。37.s120、根据图像聚类模型的最小化损失函数生成重构样本的最小化损失。38.具体的，最小化损失为图像聚类模型对训练样本进行编码解码处理后生成重构样本的损失，最小化损失通过图像聚类模型中的最小化损失函数得到。通过最小化损失对图像聚类模型中的网络参数进行调整优化，便可完成对图像聚类模型中编码器和解码器的初步训练。其中，最小化损失函数为：[0039][0040][0041]其中，为训练样本，为重构样本，fw为编码器，hu为解码器。[0042]s130、将预设的正样本对、负样本对分别输入预置的判别器中，得到判别器的判别损失；其中，正样本对包括训练样本和重构样本，负样本对包括重构样本和训练样本的扰动样本。[0043]具体的，正样本对由图像聚类模型生成训练样本的重构样本以及训练样本组成，负样本对由训练样本以及训练样本的扰动样本组成，其中，扰动样本为与训练样本相似的图像样本并从扰动批次的样本中根据训练样本构建的一个图像样本。[0044]其中，正样本对、负样本对均通过负采样技术构建，正样本对表示为其中，正样本对、负样本对均通过负采样技术构建，正样本对表示为负样本对表示为y为扰动样本，判别器可以采用生成式对抗网络中的判别器构建。[0045]在本实施例中，正样本对、负样本对分别输入至判别器中，通过js散度和kl散度计算判别器的判别损失。其中，正样本对输入判别器中后，判别器的输出需尽可能高；负样本对输入判别器中后，判别器的输出需尽可能低，进而使得判别器更易区分真实样本和虚假样本。需要说明的是，正样本对、负样本对均属于判别器的训练集，即负样本输入至判别器中，负样本对中的扰动样本y可以作为训练样本，因此，在判别损失函数中以训练样本的表示符号进行表示。[0046]例如，当训练样本扰动样本为y＝1时，将训练样本作为图像聚类模型的输入时，训练样本先通过图像聚类模型中编码器进行非线性映射为隐特征z，然后经过图像聚类模型中的解码器生成训练样本的重构样本，但是由于在重构过程中可能会出现与扰动样本相似的重构样本，因此在编码器网络中添加判别器以引导编码器从样本中提取到更优的隐特征，进而提高了图像聚类模型的精确度。[0047]具体的，判别器的判别损失通过重构样本包含训练样本的特征信息计算得到，具体定义如下：[0048][0049]通过js散度的变分可以得到如下公式：[0050][0051][0052]通过上述公式便可得到判别器的判别损失函数具体表示如下：[0053][0054][0055]其中，为输入的分布，为重构样本的分布，为判别器，其中输入及其重构表示形成一个正样本对。[0056]在其他发明实施例中，步骤s130之前，方法还包括：[0057]分别对正样本对、负样本对进行标注，得到标注后的正样本对和标注后的负样本对。[0058]具体的，通过对正样本对、负样本对标注有标签信息，使得正样本对、负样本对分别输入至判别器中后，判别器额外增加一个one hot输入，其中该输入代表了样本的类别信息，进而减少判别器最终输出的概率分布出现聚集的现象。在本实施例中，正样本对标注的标签为1，负样本对标注的标签为0。[0059]s140、根据最小化损失、判别损失得到图像聚类模型的最小化总损失并根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0060]在本实施例中，通过将最小化损失与判别损失相减后，便可得到最小化总损失，从而进一步的提高图像聚类模型的精确度。因此，通过最小化总损失对图像聚类模型中编码器、解码器以及判别器的网络参数进行更新直至模型收敛，便可固定图像聚类模型中的编码器，进而使得编码器能从待聚类样本中提取更符合待聚类样本的特征信息，以便于更准确的对待聚类样本进行聚类。[0061]具体的，最小化总损失min ln为：其中，为最小化损失，为判别损失，最小化损失函数、判别损失函数分别如下：[0062][0063][0064]在其他发明实施例中，根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型之前，方法还包括：[0065]根据训练样本的隐特征对训练样本进行聚类，得到图像聚类模型的聚类损失。[0066]在本实施例中，采用k-means算法对训练样本的隐特征进行聚类标签的分配，通过判断训练样本的隐特征距离那个类别最近，便可将隐特征分类至距离最近的类别，进而便可实现对训练样本的聚类。[0067]其中，聚类损失为图像聚类模型通过训练样本的隐特征对训练样本进行聚类过程中的损失，聚类损失函数为：[0068][0069]其中，si∈{0，1}k，1tsi＝1，si为聚类分配的标签，具体为一个one-hot向量；为聚类分配的标签所对应的聚类中心。[0070]在其他发明实施例中，根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型，包括：[0071]根据聚类损失、最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0072]在其他发明实施例中，如图3所示，步骤s140之后，方法还包括步骤s210和s220。[0073]s210、将待聚类图像输入训练后的图像聚类模型进行编码处理，得到待聚类图像的隐特征；[0074]s220、根据预设聚类算法对待聚类图像的隐特征进行处理，得到待聚类图像的类别。[0075]在本实施例中，预设聚类算法为k-means算法，待聚类图像输入至图像聚类模型中之前，图像聚类模型为已训练好的图像聚类模型，待聚类图像输入图像聚类模型中后，通过图像聚类模型中的编码器对待聚类图像编码处理，以从待聚类图像中提取待聚类图像的隐特征，然后通过k-means算法对隐特征进行分类判别，进而实现对待聚类图像的聚类。[0076]其中，k-means算法又称快速聚类法，其原理为：在数据集中根据一定策略选择k个点作为每个簇的初始中心，然后观察剩余的数据，将数据划分到距离这k个点最近的簇中，即将数据划分成k个簇以完成一次划分，其中形成的新簇并非最优划分，因此生成的新簇中，重新计算每个簇的中心点，然后再重新进行划分，直至每次划分的结果保持不变。[0077]在其他发明实施例中，步骤s210之前，方法还包括：[0078]对待聚类图像进行预处理，得到预处理后的待聚类图像。[0079]为了便于图像聚类模型对待聚类图像进行聚类的泛化能力，待聚类图像输入至图像聚类模型中之前，需要对待聚类图像进行预处理以有意强调待聚类图像的全局或局部特征，从而扩大待聚类图像与其他图像之间的差异性，进而提高图像聚类模型对待聚类图像进行聚类的精确度。[0080]在其他发明实施例中，如图4所示，对待聚类图像进行预处理，得到预处理后的待聚类图像包括子步骤s201和s202。[0081]s201、对待聚类图像进行几何变换，得到几何变换后的图像。[0082]在本实施例中，待聚类图像的几何变换包括图像平移和图像旋转。其中，图像平移和图像旋转的目的在于将待聚类图像进行移动以使得待聚类图像中的特征更易被图像聚类模型中的编码器进行隐特征提取，进而更易于图像聚类模型对待聚类图像进行聚类。[0083]s202、对几何变换后的图像进行灰度化处理，得到预处理后的待聚类图像。[0084]具体的，待聚类图像进行几何变换后，将几何变换后的图像进行灰度化处理，以减少图像聚类模型对待聚类图像进行编码时的计算量，同时减少了图像中的噪音干扰并保留了待聚类图像中的有用细节信息，进而迅速提高图像聚类模型对待聚类图像的快速聚类。其中，图像的灰度化处理包括均值法和加权平均法。在本实施例中，优选加权平均法对几何变换后的图像进行灰度化处理。另外，图像聚类模型在进行训练的过程中，所使用到的训练集同样可进行预处理以增强该训练集，进而加快图像聚类模型的训练速度。[0085]在本发明实施例所提供的模型训练方法中，通过将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本；根据图像聚类模型的最小化损失函数生成重构样本的最小化损失；将预设的正样本对、负样本对分别输入预置的判别器中，得到判别器的判别损失；其中，正样本对包括训练样本和重构样本，负样本对包括重构样本和训练样本的扰动样本；根据最小化损失、判别损失得到图像聚类模型的最小化总损失并根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。本发明通过引入判别器，使得训练后的图像聚类模型能从原始图像中提取较好的特征并生成与原始图像更加接近的重构图像，进而更加准确的对原始图像的聚类，提高了图像聚类模型的精确度。[0086]本发明实施例还提供了一种模型训练装置100，该装置用于执行前述模型训练方法的任一实施例。[0087]具体地，请参阅图5，图5是本发明实施例提供的模型训练装置100的示意性框图。[0088]如图5所示，模型训练装置100，该装置包括：[0089]第一输入单元110，用于将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本。[0090]在另一实施例中，第一输入单元110包括：第三输入单元和第四输入单元。[0091]第三输入单元，用于将训练样本输入待训练的图像聚类模型的编码器中，得到训练样本的隐特征；第四输入单元，用于将训练样本的隐特征输入图像聚类模型的解码器中，得到训练样本的重构样本。[0092]生成单元120，用于根据图像聚类模型的最小化损失函数生成重构样本的最小化损失。[0093]第二输入单元130，用于将预设的正样本对、负样本对分别输入预置的判别器中，得到判别器的判别损失；其中，正样本对包括训练样本和重构样本，负样本对包括重构样本和训练样本的扰动样本。[0094]在另一实施例中，模型训练装置100还包括：标注单元。[0095]标注单元，用于分别对正样本对、负样本对进行标注，得到标注后的正样本对和标注后的负样本对。[0096]第一更新单元140，用于根据最小化损失、判别损失得到图像聚类模型的最小化总损失并根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0097]在另一实施例中，模型训练装置100还包括：第一聚类单元。[0098]第一聚类单元，用于根据训练样本的隐特征对训练样本进行聚类，得到图像聚类模型的聚类损失。[0099]在另一实施例中，第一更新单元140还包括：第二更新单元。[0100]第二更新单元，用于根据聚类损失、最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0101]在另一实施例中，模型训练装置100还包括：第五输入单元和第一处理单元。[0102]第五输入单元，用于将待聚类图像输入训练后的图像聚类模型进行编码处理，得到待聚类图像的隐特征；[0103]第一处理单元，用于根据预设聚类算法对待聚类图像的隐特征进行处理，得到待聚类图像的类别。[0104]在另一实施例中，模型训练装置100还包括：预处理单元。[0105]预处理单元，用于对待聚类图像进行预处理，得到预处理后的待聚类图像。[0106]在另一实施例中，预处理单元包括：几何变换单元和第二处理单元。[0107]几何变换单元，用于对待聚类图像进行几何变换，得到几何变换后的图像；[0108]第二处理单元，用于对几何变换后的图像进行灰度化处理，得到预处理后的待聚类图像。[0109]本发明实施例所提供的模型训练装置100用于执行上述将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本；根据图像聚类模型的最小化损失函数生成重构样本的最小化损失；将预设的正样本对、负样本对分别输入预置的判别器中，得到判别器的判别损失；其中，正样本对包括训练样本和重构样本，负样本对包括重构样本和训练样本的扰动样本；根据最小化损失、判别损失得到图像聚类模型的最小化总损失并根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0110]需要说明的是，所属领域的技术人员可以清楚地了解到，上述模型训练装置100和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。[0111]上述模型训练装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。[0112]请参阅图6，图6是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，其中，终端可以是具有折叠屏的智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。[0113]参阅图6，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。[0114]该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种模型训练方法。[0115]该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。[0116]该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种模型训练方法。[0117]该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0118]其中，处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本；根据图像聚类模型的最小化损失函数生成重构样本的最小化损失；将预设的正样本对、负样本对分别输入预置的判别器中，得到判别器的判别损失；其中，正样本对包括训练样本和重构样本，负样本对包括重构样本和训练样本的扰动样本；根据最小化损失、判别损失得到图像聚类模型的最小化总损失并根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0119]在一实施例中，处理器502在实现将训练样本输入待训练的图像聚类模型中，得到训练样本的重构样本时，具体实现如下步骤：将训练样本输入待训练的图像聚类模型的编码器中，得到训练样本的隐特征；将训练样本的隐特征输入图像聚类模型的解码器中，得到训练样本的重构样本。[0120]在一实施例中，处理器502在实现将预设的正样本对、负样本对分别输入至预置的判别器中，得到判别器的判别损失之前，具体实现如下步骤：分别对正样本对、负样本对进行标注，得到标注后的正样本对和标注后的负样本对。[0121]在一实施例中，处理器502在实现根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型之前，具体实现如下步骤：根据训练样本的隐特征对训练样本进行聚类，得到图像聚类模型的聚类损失。[0122]在一实施例中，处理器502在实现根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型时，具体实现如下步骤：根据聚类损失、最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0123]在一实施例中，处理器502在实现根据聚类损失、最小化总损失更新图像聚类模型的网络参数之后，具体实现如下步骤：将待聚类图像输入训练后的图像聚类模型进行编码处理，得到待聚类图像的隐特征；根据预设聚类算法对待聚类图像的隐特征进行处理，得到待聚类图像的类别。[0124]在一实施例中，处理器502在实现将待聚类图像输入训练后的图像聚类模型进行编码处理，得到待聚类图像的隐特征之前，具体实现如下步骤：对待聚类图像进行预处理，得到预处理后的待聚类图像。[0125]在一实施例中，处理器502在实现对待聚类图像进行预处理，得到预处理后的待聚类图像时，具体实现如下步骤：对待聚类图像进行几何变换，得到几何变换后的图像；对几何变换后的图像进行灰度化处理，得到预处理后的待聚类图像。[0126]应当理解，在本技术实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0127]本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。[0128]因此，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存储有计算机程序，计算机程序被处理器执行时实现如上述模型训练方法中的步骤。[0129]在一实施例中，处理器在执行程序指令而实现将训练样本输入至待训练的图像聚类模型中，得到训练样本的重构样本时，具体实现如下步骤：将训练样本输入待训练的图像聚类模型的编码器中，得到训练样本的隐特征；将训练样本的隐特征输入图像聚类模型的解码器中，得到训练样本的重构样本。[0130]在一实施例中，处理器在执行程序指令而实现将预设的正样本对、负样本对分别输入至预置的判别器中，得到判别器的判别损失之前，具体实现如下步骤：分别对正样本对、负样本对进行标注，得到标注后的正样本对和标注后的负样本对。[0131]在一实施例中，处理器在执行程序指令而实现根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型之前，具体实现如下步骤：根据训练样本的隐特征对训练样本进行聚类，得到图像聚类模型的聚类损失。[0132]在一实施例中，处理器在执行程序指令而实现根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型，具体实现如下步骤：根据聚类损失、最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型。[0133]在一实施例中，处理器在执行程序指令而实现根据最小化总损失更新图像聚类模型的网络参数，得到训练后的图像聚类模型之后，具体实现如下步骤：将待聚类图像输入训练后的图像聚类模型进行编码处理，得到待聚类图像的隐特征；根据预设聚类算法对待聚类图像的隐特征进行处理，得到待聚类图像的类别。[0134]在一实施例中，处理器在执行程序指令而实现将待聚类图像输入至图像聚类模型中进行编码处理，得到待聚类图像的隐特征之前，具体实现如下步骤：对待聚类图像进行预处理，得到预处理后的待聚类图像。[0135]在一实施例中，处理器在执行程序指令而实现对待聚类图像进行预处理，得到预处理后的待聚类图像时，具体实现如下步骤：对待聚类图像进行几何变换，得到几何变换后的图像；对几何变换后的图像进行灰度化处理，得到预处理后的待聚类图像。[0136]存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。[0137]本领域普通技术人员可以意识到，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。[0138]在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。[0139]本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。[0140]该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，终端，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。[0141]以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!