图像聚类方法、装置和电子设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115862082A(43)申请公布日2023.03.28(21)申请号202111109089.1G06V10/82(2022.01)(22)申请日2021.09.22G06N3/0464(2023.01)G06N3/08(2023.01)(71)申请人腾讯科技（深圳）有限公司地址518057广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人张健为陈超李绍欣李季檩黄飞跃李牧青(74)专利代理机构深圳翼盛智成知识产权事务所(普通合伙)44300专利代理师李玉婷(51)Int.Cl.G06V40/16(2022.01)G06V10/762(2022.01)G06V10/74(2022.01)G06V10/774(2022.01)权利要求书3页说明书22页附图8页(54)发明名称图像聚类方法、装置和电子设备(57)摘要本申请实施例公开了一种图像聚类方法、装置和电子设备；在本申请实施例中，获取待聚类图像集，并确定待聚类图像集中的每个待聚类图像的第一阶邻域待聚类图像以及第二阶邻域待聚类图像；基于第一阶邻域待聚类图像以及第二阶邻域待聚类图像，构建目标子图集合；从目标子图集合中选取出目标子图对，目标子图对包括第一目标子图和第二目标子图，第二目标子图的中心节点为所述第一目标子图的中心节点的第一阶邻域节点；对目标子图对进行预测分析，得到第一目标子图的中心节点和第二目标子图的中心节点之间的目标权重；根据目标权重对待聚类图像进行聚类。本申请实施例可以提高图像聚类的准确性。本实施例可应用于云技术、智慧交通等各种场景。CN115862082ACN115862082A权利要求书1/3页1.一种图像聚类方法，其特征在于，包括：获取待聚类图像集，并确定所述待聚类图像集中的每个待聚类图像的第一阶邻域待聚类图像以及第二阶邻域待聚类图像；基于所述第一阶邻域待聚类图像以及所述第二阶邻域待聚类图像，构建目标子图集合；从所述目标子图集合中选取出目标子图对，所述目标子图对包括第一目标子图和第二目标子图，所述第二目标子图的中心节点为所述第一目标子图的中心节点的第一阶邻域节点；对所述目标子图对进行预测分析，得到所述第一目标子图的中心节点和所述第二目标子图的中心节点之间的目标权重；根据所述目标权重对所述待聚类图像进行聚类。2.根据权利要求1所述的图像聚类方法，其特征在于，所述对所述目标子图对进行预测分析，得到所述第一目标子图的中心节点和所述第二目标子图的中心节点之间的目标权重，包括：将所述目标子图对输入至已训练的图网络模型中进行预测分析，得到所述第一目标子图的中心节点和所述第二目标子图的中心节点之间的目标权重。3.根据权利要求1所述的图像聚类方法，其特征在于，所述根据所述目标权重对所述待聚类图像进行聚类，包括：根据所述目标权重构建初始邻接矩阵；若所述第一目标子图的中心节点的第一阶邻域节点与所述第二目标子图的中心节点的第一阶邻域节点存在相同的节点，则根据所述第一目标子图的第一目标权重以及所述第二目标子图的第二目标权重计算目标置信度；根据所述目标置信度更新所述初始邻接矩阵，得到目标邻接矩阵；根据所述目标邻接矩阵对所述待聚类图像进行聚类。4.根据权利要求2所述的图像聚类方法，其特征在于，在所述将所述目标子图对输入至已训练的图网络模型中进行预测分析之前，还包括：获取训练样本集，并确定所述训练样本集中的每个训练样本的第一阶邻域训练样本以及第二阶邻域训练样本；以所述训练样本作为中心节点，以所述第一阶邻域训练样本作为第一阶邻域节点，以所述第二阶邻域训练样本作为第二阶邻域节点构建初始子图，得到初始子图集合；从所述初始子图集合中选取出初始子图对，所述初始子图对包括第一初始子图和第二初始子图，所述第二初始子图的中心节点为所述第一初始子图的中心节点的第一阶邻域节点；将所述初始子图对输入至待训练的图网络模型中进行识别，得到所述第一初始子图的中心节点和所述第二初始子图的中心节点之间的初始权重；根据所述初始权重和所述训练样本对应的标签对所述待训练的图网络模型进行训练，得到所述已训练的图网络模型。5.根据权利要求4所述的图像聚类方法，其特征在于，所述待训练的图网络模型包括待训练的第一图卷积网络、待训练的第二图卷积网络以及待训练的全连接层；2CN115862082A权利要求书2/3页相应地，所述将所述初始子图对输入至待训练的图网络模型中进行识别，得到所述第一初始子图的中心节点和所述第二初始子图的中心节点的初始权重，包括：将所述初始子图对中的所述第一初始子图输入至所述待训练的第一图卷积网络中进行特征提取，得到第三特征向量；将所述初始子图对中的所述第二初始子图输入至所述待训练的第二图卷积网络中进行特征提取，得到第四特征向量；将所述第三特