[發明專利]一種圖像分類模型的處理方法、裝置及存儲介質

在審

• 申請號: 201810087876.2
• 申請日: 2018-01-30
• 公開（公告）號: CN108197666A
• 公開（公告）日: 2018-06-22
• 發明（設計）人: 曲之琳
• 申請（專利權）人: 咪咕文化科技有限公司;中國移動通信集團有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 姚文嫻;張穎玲

本發明公開了一種圖像分類模型的處理方法，包括：初始化圖像分類模型；確定從圖像分類模型中順序選取的濾波器模型的第一待訓練網絡，以及確定包括順序選取的濾波器模型和分類器模型的第二待訓練網絡；根據獲取的未具有標記的圖像樣本，對第一待訓練網絡進行無監督方式的訓練，以更新第一待訓練網絡中濾波器模型的參數；基于第二待訓練網絡從圖像樣本中提取圖像特征；基于所提取的圖像特征及相應圖像樣本的標記，對第二待訓練網絡中的分類器模型進行有監督方式的訓練；基于訓練后的分類器模型輸出結果的誤差，更新第二待訓練網絡中濾波器模型的參數。本發明還同時公開了一種圖像分類模型的處理裝置、以及存儲介質。

技術領域

本發明涉及計算機領域中的圖像處理技術，尤其涉及一種圖像分類模型的處理方法、裝置及存儲介質。

背景技術

隨著電子技術和互聯網特別是移動互聯網的快速發展，電子設備特別是智能移動終端的功能越來越強大，用戶可以根據自身需求在智能移動終端上安裝各種應用程序，以完成各種事務。例如，通過安裝在智能移動終端上的應用程序實現圖像識別。

目前，為了對圖像進行識別，以辨識出圖像所屬的類別，相關技術中通常將深度學習算法如深度信念網絡(DBN，Deep Belief Network)運用到圖像識別中，即利用在神經元之間生成的權重，使得神經網絡能夠以最大的概率生成訓練數據。然而，在DBN的訓練過程中，當使用反向傳播算法對DBN模型中的各個參數進行不斷調整時，由于在反向傳播誤差的過程中，誤差會隨著受限玻爾茲曼機(RBM，Restricted Boltzmann Machine)層數的不斷累積而出現指數形式的下降，即出現梯度彌散的現象，從而導致圖像識別準確率降低，使得模型訓練學習的效果無法達到預期結果。

因此，對于如何能夠快速提高圖像識別的準確率，相關技術尚無有效解決方案。

發明內容

有鑒于此，本發明實施例期望提供一種圖像分類模型的處理方法、裝置及存儲介質，用以解決相關技術難以有效快速提高圖像識別的準確率的問題。

為達到上述目的，本發明實施例的技術方案是這樣實現的：

第一方面，本發明實施例提供一種圖像分類模型的處理方法，所述方法包括：

初始化圖像分類模型；

確定從所述圖像分類模型中順序選取的濾波器模型的第一待訓練網絡，以及確定包括所述順序選取的濾波器模型和分類器模型的第二待訓練網絡；

根據獲取的未具有標記的圖像樣本，對所述第一待訓練網絡進行無監督方式的訓練，以更新所述第一待訓練網絡中濾波器模型的參數；

基于所述第二待訓練網絡從所述圖像樣本中提取圖像特征；

基于所提取的圖像特征及相應圖像樣本的標記，對所述第二待訓練網絡中的分類器模型進行有監督方式的訓練；

基于訓練后的分類器模型輸出結果的誤差，更新所述第二待訓練網絡中濾波器模型的參數。

第二方面，本發明實施例提供一種圖像分類模型的處理裝置，所述裝置包括：初始化模塊、確定模塊、第一訓練模塊、提取模塊、第二訓練模塊和更新模塊；其中，

所述初始化模塊，用于初始化圖像分類模型；

所述確定模塊，用于確定從所述圖像分類模型中順序選取的濾波器模型的第一待訓練網絡，以及確定包括所述順序選取的濾波器模型和分類器模型的第二待訓練網絡；

所述第一訓練模塊，用于根據獲取的未具有標記的圖像樣本，對所述第一待訓練網絡進行無監督方式的訓練，以更新所述第一待訓練網絡中濾波器模型的參數；

所述提取模塊，用于基于所述第二待訓練網絡從所述圖像樣本中提取圖像特征；