[發(fā)明專利]圖片分類、分類識(shí)別模型的生成方法、裝置、設(shè)備及介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811457125.1
• 申請(qǐng)日: 2018-11-30
• 公開（公告）號(hào): CN109583501B
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 潘躍;劉振強(qiáng);梁柱錦
• 申請(qǐng)（專利權(quán)）人: 廣州市百果園信息技術(shù)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種圖片分類方法，其特征在于，包括：

獲取待分類的圖片集，所述圖片集包括至少兩張圖片；

將所述圖片集輸入至預(yù)先訓(xùn)練的當(dāng)前級(jí)分類識(shí)別模型中，得到每張圖片的分類得分；

如果圖片的分類得分滿足預(yù)設(shè)條件，則根據(jù)所述分類得分確定所述圖片的分類識(shí)別結(jié)果；如果圖片的分類得分不滿足預(yù)設(shè)條件，則繼續(xù)將所述圖片輸入至預(yù)先訓(xùn)練的下一級(jí)分類識(shí)別模型中，直至得到所述圖片的分類識(shí)別結(jié)果；其中，每級(jí)分類識(shí)別模型基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練生成；

其中，所述分類識(shí)別模型采用如下方式生成：

獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括訓(xùn)練圖片和所述訓(xùn)練圖片的原始分類標(biāo)簽；

將所述訓(xùn)練圖片和所述訓(xùn)練圖片的原始分類標(biāo)簽輸入至神經(jīng)網(wǎng)絡(luò)模型中，得到每級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分，以及，每級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分和分類標(biāo)簽，所述神經(jīng)網(wǎng)絡(luò)模型包括N級(jí)神經(jīng)網(wǎng)絡(luò)層和N-1級(jí)全連接層，第i級(jí)全連接層位于第i+1級(jí)神經(jīng)網(wǎng)絡(luò)層之后，N≥3，i∈[1，N-1] ，其中，所述分類標(biāo)簽用于在根據(jù)所述分類標(biāo)簽確定損失函數(shù)以后，根據(jù)損失函數(shù)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整時(shí)，根據(jù)該分類標(biāo)簽判斷對(duì)應(yīng)的訓(xùn)練圖片是否參與對(duì)下級(jí)神經(jīng)網(wǎng)絡(luò)層和全連接層的網(wǎng)絡(luò)參數(shù)的調(diào)整，進(jìn)而使得訓(xùn)練得到的各級(jí)神經(jīng)網(wǎng)絡(luò)層結(jié)構(gòu)的復(fù)雜程度不同；

根據(jù)第一級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分和訓(xùn)練圖片的原始分類標(biāo)簽，得到所述第一級(jí)神經(jīng)網(wǎng)絡(luò)層的第一級(jí)損失函數(shù)；

根據(jù)第P-1級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分和分類標(biāo)簽，得到第P級(jí)神經(jīng)網(wǎng)絡(luò)層的第P級(jí)損失函數(shù)，P∈[2，N]；

根據(jù)各級(jí)損失函數(shù)確定神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，并且調(diào)整各級(jí)神經(jīng)網(wǎng)絡(luò)層和各級(jí)全連接層的網(wǎng)絡(luò)參數(shù)，直至神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)達(dá)到預(yù)設(shè)函數(shù)值，則每級(jí)神經(jīng)網(wǎng)絡(luò)層作為對(duì)應(yīng)級(jí)的分類識(shí)別模型；

其中，每級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分通過如下方式生成：

根據(jù)第一級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分和第二級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分，得到第一級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分；

根據(jù)第P-1級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分和第P+1級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分，得到第P級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分，P∈[2，N]。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述圖片集輸入至預(yù)先訓(xùn)練的當(dāng)前級(jí)分類識(shí)別模型中，得到每張圖片的分類得分之后，還包括：

根據(jù)每張圖片的分類得分，得到每張圖片的分類概率；

圖片的分類得分滿足預(yù)設(shè)條件為圖片的分類概率大于等于概率閾值；圖片的分類得分不滿足預(yù)設(shè)條件為圖片的分類概率小于概率閾值。

3.一種分類識(shí)別模型的生成方法，其特征在于，包括：

獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括訓(xùn)練圖片和所述訓(xùn)練圖片的原始分類標(biāo)簽；

將所述訓(xùn)練圖片和所述訓(xùn)練圖片的原始分類標(biāo)簽輸入至神經(jīng)網(wǎng)絡(luò)模型中，得到每級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分，以及，每級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分和分類標(biāo)簽，所述神經(jīng)網(wǎng)絡(luò)模型包括N級(jí)神經(jīng)網(wǎng)絡(luò)層和N-1級(jí)全連接層，第i級(jí)全連接層位于第i+1級(jí)神經(jīng)網(wǎng)絡(luò)層之后，N≥3，i∈[1，N-1]，其中，所述分類標(biāo)簽用于在根據(jù)所述分類標(biāo)簽確定損失函數(shù)以后，根據(jù)損失函數(shù)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整時(shí)，根據(jù)該分類標(biāo)簽判斷對(duì)應(yīng)的訓(xùn)練圖片是否參與對(duì)下級(jí)神經(jīng)網(wǎng)絡(luò)層和全連接層的網(wǎng)絡(luò)參數(shù)的調(diào)整，進(jìn)而使得訓(xùn)練得到的各級(jí)神經(jīng)網(wǎng)絡(luò)層結(jié)構(gòu)的復(fù)雜程度不同；

根據(jù)第一級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分和訓(xùn)練圖片的原始分類標(biāo)簽，得到所述第一級(jí)神經(jīng)網(wǎng)絡(luò)層的第一級(jí)損失函數(shù)；

根據(jù)第P-1級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分和分類標(biāo)簽，得到第P級(jí)神經(jīng)網(wǎng)絡(luò)層的第P級(jí)損失函數(shù)，P∈[2，N]；

根據(jù)各級(jí)損失函數(shù)確定神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，并且調(diào)整各級(jí)神經(jīng)網(wǎng)絡(luò)層和各級(jí)全連接層的網(wǎng)絡(luò)參數(shù)，直至神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)達(dá)到預(yù)設(shè)函數(shù)值，則每級(jí)神經(jīng)網(wǎng)絡(luò)層作為對(duì)應(yīng)級(jí)的分類識(shí)別模型。

其中，每級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分通過如下方式生成：

根據(jù)第一級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分和第二級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分，得到第一級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分；

根據(jù)第P-1級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分和第P+1級(jí)神經(jīng)網(wǎng)絡(luò)層對(duì)訓(xùn)練圖片的分類得分，得到第P級(jí)全連接層對(duì)訓(xùn)練圖片的分類得分，P∈[2，N]。