[發明專利]圖像分類方法、終端設備及計算機可讀存儲介質

在審

• 申請號: 201811255779.6
• 申請日: 2018-10-26
• 公開（公告）號: CN109522939A
• 公開（公告）日: 2019-03-26
• 發明（設計）人: 金戈;徐亮;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳中一專利商標事務所 44237
• 代理人: 官建紅

1.一種圖像分類方法，其特征在于，包括：

獲取待分類的目標圖像；

基于圖像分類模型中的最優參數對所述目標圖像進行特征提取得到圖像特征，并對所述圖像特征進行分類預測處理得到圖像分類結果，其中，所述最優參數在所述圖像分類模型的損失函數的二范數小于第一預設值時基于預設的噪聲值得到，所述預設的噪聲值用于使得所訓練的圖像分類模型確定的模型參數在進行迭代優化時避開鞍點；

輸出所述圖像分類結果。

2.根據權利要求1所述的圖像分類方法，其特征在于，所述在獲取待分類的目標圖像之后，所述基于所述圖像分類模型中的最優參數對所述目標圖像進行特征提取得到圖像特征之前，所述圖像分類方法還包括：

根據當前迭代中所訓練的圖像分類模型對應的第一損失函數值確定所述第一損失函數值對應的第一梯度，并根據所述第一梯度確定得到所述第一梯度對應的二范數；

判斷所述二范數是否小于第一預設值；

若所述二范數小于第一預設值，則添加所述預設的噪聲值至當前迭代中所訓練的圖像分類模型確定的第一模型參數中，所述預設的噪聲值用于使得所訓練的圖像分類模型確定的模型參數在進行迭代優化時避開鞍點；

若當前迭代后的目標迭代中所訓練的圖像分類模型對應的第二損失函數值與當前迭代中所訓練的圖像分類模型對應的第一損失函數值之間的差值小于第二預設值，則判定所述圖像分類模型在訓練時已收斂至全局極值點，并輸出目標迭代中確定的第二模型參數作為所訓練的圖像分類模型的最優參數。

3.根據權利要求2所述的圖像分類方法，其特征在于，所述第一預設值的計算方法，包括：

根據預設的計算公式以及計算得到第一預設值，其中g為第一預設值，d為所訓練的圖像分類模型中對應的模型參數的個數，c、δ以及∈為預設的常數，l為利普希茨連續常數，Δf為所訓練的圖像分類模型的損失函數對應的梯度函數。

4.根據權利要求2所述的圖像分類方法，其特征在于，所述若所述二范數小于第一預設值，則添加預設的噪聲值至當前迭代中所訓練的圖像分類模型確定的第一模型參數中之前，包括：

判斷當前迭代之前所訓練的圖像分類模型確定的模型參數未添加預設的噪聲值的迭代次數是否達到第三預設值；

所述若所述二范數小于第一預設值，則添加預設的噪聲值至當前迭代中所訓練的圖像分類模型確定的第一模型參數中，包括：

若當前迭代之前所訓練的圖像分類模型確定的模型參數未添加預設的噪聲值的迭代次數達到第三預設值，且所述二范數小于第一預設值，則添加預設的噪聲值至當前迭代中所訓練的圖像分類模型確定的第一模型參數中。

5.根據權利要求4所述的圖像分類方法，其特征在于，所述第三預設值的計算方法，包括：

根據預設的計算公式以及計算得到第三預設值，其中k為第三預設值，d為所訓練的圖像分類模型中對應的模型參數的個數，c、ρ、δ以及∈為預設的常數，l為利普希茨連續常數，Δf為所訓練的圖像分類模型的損失函數對應的梯度函數。

6.一種終端設備，其特征在于，所述終端設備包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如下步驟：

獲取待分類的目標圖像；

基于圖像分類模型中的最優參數對所述目標圖像進行特征提取得到圖像特征，并對所述圖像特征進行分類預測處理得到圖像分類結果，其中，所述最優參數在所述圖像分類模型的損失函數的二范數小于第一預設值時基于預設的噪聲值得到，所述預設的噪聲值用于使得所訓練的圖像分類模型確定的模型參數在進行迭代優化時避開鞍點；

輸出所述圖像分類結果。