具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述提高图像分类准确性的方法第一实施例的流程图。如图1所述，包括以下具体实现方式。

在步骤101中，获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对该图像进行分类，得到包括至少一个类别的分类结果。

在步骤102中，获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果。

在步骤103中，当针对任一类别获取到的第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对该类别对应的阈值参数进行调整。

可以看出，上述方法实施例所述方案中，可通过与用户进行交互，根据用户的反馈结果对任一类别对应的阈值参数进行调整，即优化，从而提升了分类结果的准确性，而且，以用户为调整粒度，对用户对应的阈值参数进行调整，从而实现了针对不同用户的个性化处理等。

图像分类模型可为预先训练得到的，即可利用训练集(即训练数据)预先训练得到图像分类模型，确定出模型参数，之后，可通过验证集来确定出每个类别对应的阈值参数，所述阈值参数适用于所有的用户。

在此基础上，针对任一用户，可分别按照本公开所述方式进行处理。为便于表述，将“任一用户”称为第一用户。

针对第一用户输入的任一图像，可首先利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对该图像进行分类，从而得到包括至少一个类别的分类结果。

比如，假设共包括10个类别，分别为类别a～类别j，利用图像分类模型，可分别得到图像属于类别a～类别j的概率，之后，可将属于类别a的概率与类别a对应的阈值参数进行比较，将属于类别b的概率与类别b对应的阈值参数进行比较，将属于类别c的概率与类别c对应的阈值参数进行比较，依次类推，假设属于类别b的概率大于类别b对应的阈值参数，那么则可确定图像属于类别b，即分类结果中包括类别b，假设属于类别b的概率大于类别b对应的阈值参数，并且，属于类别c的概率大于类别c对应的阈值参数，那么则可确定图像属于类别b和类别c，即分类结果中包括类别b和类别c。

之后，可获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果，其中，正向反馈结果指分类正确，负向反馈结果指分类错误。

本公开的一个实施例中，针对分类结果，可生成并展示交互界面，通过交互界面获取用户的反馈结果。

比如，可在交互界面中展示分类结果，如类别b，并且，针对类别b，可展示一个按钮，当用户点击该按钮后，可通过下拉方式展示出“是”和“否”两个选项，用户可选定其中的一个选项，若用户选定的选项为“是”，那么则表示类别b的反馈结果为正确，即图像属于类别b，反之，若用户选定的选项为“否”，那么则表示类别b的反馈结果为错误，即图像不属于类别b。

再比如，可在交互界面中展示分类结果，如类别b和类别c，并且，针对类别b，可展示一个按钮，当用户点击该按钮后，可通过下拉方式展示出“是”和“否”两个选项，用户可选定其中的一个选项，若用户选定的选项为“是”，那么则表示类别b的反馈结果为正确，即图像属于类别b，反之，若用户选定的选项为“否”，那么则表示类别b的反馈结果为错误，即图像不属于类别b，同样地，针对类别c，可展示一个按钮，当用户点击该按钮后，可通过下拉方式展示出“是”和“否”两个选项，用户可选定其中的一个选项，若用户选定的选项为“是”，那么则表示类别c的反馈结果为正确，即图像属于类别c，反之，若用户选定的选项为“否”，那么则表示类别c的反馈结果为错误，即图像不属于类别c。

在实际应用中，分类结果中可能仅包括一个类别，也可能包括多个类别，当包括多个类别时，可能其中的一个错误，另一个正确，也可能两个均正确，还可能两个均错误等。

通过交互界面，可方便高效地获取到用户的反馈结果，而且，用户可以类别为粒度进行反馈，各类别之间互不影响，从而可实现针对不同类别的分别优化等。

进一步地，当针对任一类别获取到的第一用户的反馈结果的数量达到M时，M为大于一的正整数，可根据M个反馈结果对该类别对应的阈值参数进行调整。

本公开的一个实施例中，可首先利用M个反馈结果对应的图像构建验证集，之后可根据所构建的验证集对该类别对应的阈值参数进行调整。M的具体取值可根据实际需要而定。

以类别a为例，当针对类别a获取到的第一用户的反馈结果的数量达到M时，可利用M个反馈结果对应的图像构建验证集，假设M的取值为100(数值仅为举例说明)，那么可利用这100个反馈结果对应的100张图像构建验证集，之后，可根据所构建的验证集来对类别a对应的阈值参数进行调整。

相比于现有方式，本公开所述方式中增加了用户反馈的功能，从而实现了用户定制化的动态分类算法闭环。

本公开的一个实施例中，利用所构建的验证集来对类别a对应的阈值参数进行调整的方式可为：遍历阈值参数的所有可能的取值，针对遍历到的每个取值，分别进行以下处理：确定出按照该取值对验证集中的图像进行图像分类时、类别a对应的精确率(precision)和召回率(recall)，根据得到的精确率和召回率确定出均衡平均数(F1-score)；将F1-score最大时对应的取值作为调整后的阈值参数的取值。其中，F1-score也可称为F1分数。

阈值参数的取值通常在0～1之间，在实际应用中，可按照预定步长(如0.01)，并按照从小到大的顺序遍历阈值参数的所有可能的取值，如0.01、0.02、0.03等。

针对遍历到的每个取值，以取值x为例，可用取值x替换类别a对应的阈值参数的原有取值，并可利用图像分类模型及各类别对应的阈值参数对验证集中的各图像进行分类，从而分别得到每张图像的分类结果。之后，针对类别a，可分别计算出精确率和召回率，其中，精确率表示预测为正的样本中有多少是真正的正样本，召回率表示样本中的正样本中有多少被预测正确。比如，以类别a为“猫”为例，假设验证集中包括100张图像，那么精确率即表示分类后类别为“猫”的图像中有多少图像真正属于“猫”这一类别，召回率即表示验证集中属于“猫”这一类别的图像中有多少被分类为了“猫”。由于验证集中的每张图像的正确的分类结果是已知的，那么可方便地计算出上述精确率和召回率。根据计算出的精确率和召回率，可进一步计算出F1-score，即取值x对应的F1-score。

通常来说，

其中，precision表示精确率，recall表示召回率。

按照上述方式，可分别得到遍历到的各不同取值对应的F1-score，进而可将F1-score最大时对应的取值作为调整后的阈值参数的取值。比如，取值x对应的F1-score最大，那么则可将取值x作为调整后的类别a对应的阈值参数的取值。

本公开的另一个实施例中，利用所构建的验证集来对类别a对应的阈值参数进行调整的方式还可为：确定出当类别a对应的精确率或召回率为预定值时，对验证集中的图像进行图像分类所用的类别a对应的阈值参数的取值，将该取值作为调整后的阈值参数的取值。

所述预定值的具体取值可根据实际需要而定，以精确率为例，其对应的预定值可为0.9。相应地，可确定出当精确率为0.9时，类别a对应的阈值参数的取值，进而可将该取值作为调整后的阈值参数的取值。

不同的场景下，可能会更偏向于精确率，也可能会更偏向于召回率，即可以精确率为准，设定所述预定值，或者，也可以所述召回率为准，设定所述预定值。

可以看出，本公开所述方案中提出了两种对阈值参数进行调整的方式，可根据实际需要任意选择其中的一种方式进行使用，非常的灵活方便，而且，每种方式均具有较好的效果。

综合上述介绍，图2为本公开所述提高图像分类准确性的方法第二实施例的流程图。如图2所述，包括以下具体实现方式。

在步骤201中，利用训练集训练得到图像分类模型。

在步骤202中，通过验证集分别确定出每个类别对应的阈值参数。

步骤201-步骤202的具体实现为现有技术。

在步骤203中，获取第一用户输入的图像，利用图像分类模型及各类别对应的阈值参数对该图像进行分类，得到包括至少一个类别的分类结果。

在步骤204中，获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果。

比如，针对分类结果，可生成并展示交互界面，通过交互界面获取用户的反馈结果。

在步骤205中，当针对任一类别获取到的第一用户的反馈结果的数量达到M时，M为大于一的正整数，按照步骤206-步骤207所示方式进行处理。

在步骤206中，利用M个反馈结果对应的图像构建验证集。

在步骤207中，根据所构建的验证集对该类别对应的阈值参数进行调整。

调整方式可为：遍历阈值参数的所有可能的取值，针对遍历到的每个取值，分别进行以下处理：确定出按照该取值对验证集中的图像进行图像分类时、该类别对应的精确率和召回率，根据得到的精确率和召回率确定出F1-score；将F1-score最大时对应的取值作为调整后的阈值参数的取值。

或者，调整方式可为：确定出当该类别对应的精确率或召回率为预定值时，对验证集中的图像进行图像分类所用的阈值参数的取值，将该取值作为调整后的阈值参数的取值。

另外，在实际应用中，如果需要，后续还可重复执行步骤205-步骤207所示过程，即可根据实际情况不断地对某一类别对应的阈值参数进行优化。

需要说明的是，对于前述的各方法实施例，为了简单描述，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，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。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，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图3为本公开所述提高图像分类准确性的装置实施例300的组成结构示意图。如图3所示，包括：分类模块301、获取模块302以及调整模块303。

分类模块301，用于获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对该图像进行分类，得到包括至少一个类别的分类结果。

获取模块302，用于获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果。

调整模块303，用于当针对任一类别获取到的第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对该类别对应的阈值参数进行调整。

图像分类模型可为预先训练得到的，即可利用训练集预先训练得到图像分类模型，确定出模型参数，之后，可通过验证集来确定出每个类别对应的阈值参数，所述阈值参数适用于所有的用户。

在此基础上，针对第一用户输入的任一图像，分类模块301可首先利用图像分类模型及各类别对应的阈值参数对该图像进行分类，从而得到包括至少一个类别的分类结果。

之后，获取模块302可获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果。

比如，针对分类结果，获取模块302可生成并展示交互界面，通过交互界面获取用户的反馈结果。

进一步地，调整模块303可在当针对任一类别获取到的第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对该类别对应的阈值参数进行调整。

比如，调整模块303可首先利用M个反馈结果对应的图像构建验证集，之后可根据所构建的验证集对该类别对应的阈值参数进行调整。M的具体取值可根据实际需要而定。

具体地，调整模块303可遍历阈值参数的所有可能的取值，针对遍历到的每个取值，分别进行以下处理：确定出按照该取值对验证集中的图像进行图像分类时、该类别对应的精确率和召回率，根据得到的精确率和召回率确定出F1-score；将F1-score最大时对应的取值作为调整后的阈值参数的取值。

或者，调整模块303可确定出当该类别对应的精确率或召回率为预定值时，对验证集中的图像进行图像分类所用的阈值参数的取值，将该取值作为调整后的阈值参数的取值。

图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可通过与用户进行交互，根据用户的反馈结果对任一类别对应的阈值参数进行调整，从而提升了分类结果的准确性，而且，以用户为调整粒度，对用户对应的阈值参数进行调整，从而实现了针对不同用户的个性化处理等。

本公开所述方案可应用于人工智能领域，特别涉及深度学习及计算机视觉等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。