[發明專利]圖片分類、分類識別模型的生成方法、裝置、設備及介質

有效

• 申請號: 201811457125.1
• 申請日: 2018-11-30
• 公開（公告）號: CN109583501B
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 潘躍;劉振強;梁柱錦
• 申請（專利權）人: 廣州市百果園信息技術有限公司
• 主分類號: G06K9/62
• 分類號: 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

本發明公開了一種圖片分類、分類識別模型的生成方法、裝置、設備及介質。該方法包括：獲取待分類的圖片集，圖片集包括至少兩張圖片；將圖片集輸入至預先訓練的當前級分類識別模型中，得到每張圖片的分類得分；如果圖片的分類得分滿足預設條件，則根據分類得分確定圖片的分類識別結果；如果圖片的分類得分不滿足預設條件，則繼續將圖片輸入至預先訓練的下一級分類識別模型中，直至得到圖片的分類識別結果；其中，每級分類識別模型基于神經網絡訓練生成。本發明實施例提高了圖片分類的準確率和效率。

技術領域

本發明實施例涉及數據處理技術，尤其涉及一種圖片分類、分類識別模型的生成方法、裝置、設備及介質。

背景技術

隨著深度學習技術的快速發展，深度神經網絡在圖片分類領域被大量的使用。

現有技術中，為了使基于深度神經網絡訓練生成的分類識別模型具有較高的分類準確率，通常采用增加深度神經網絡的深度的方式。

發明人在實現本發明的過程中，發現現有技術至少存在如下問題：其一、由于深度神經網絡在訓練過程中主要采用反向梯度傳播的方法，因此，隨著網絡深度的不斷增大，訓練難度也逐步加大；其二、由于深度神經網絡的前向推理過程的運算量巨大，因此，隨著網絡深度的不斷增大，運算量也逐步增加，進而降低了分類效率。

發明內容

本發明實施例提供一種圖片分類、分類識別模型的生成方法、裝置、設備及介質，以提高圖片分類的準確率和效率。

第一方面，本發明實施例提供了一種圖片分類方法，該方法包括：

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先訓練的當前級分類識別模型中，得到每張圖片的分類得分；

如果圖片的分類結果滿足預設條件，則根據所述分類得分確定所述圖片的分類識別結果；如果圖片的分類得分不滿足預設條件，則繼續將所述圖片輸入至預先訓練的下一級分類識別模型中，直至得到所述圖片集的分類識別結果；其中，每級分類識別模型基于神經網絡訓練生成。

進一步的，所述將所述圖片集輸入至預先訓練的當前級分類識別模型中，得到每張圖片的分類得分之后，還包括：

根據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設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設條件為圖片的分類概率小于概率閾值。

第二方面，本發明實施例還提供了一種分類識別模型的生成方法，該方法包括：

獲取訓練樣本，所述訓練樣本包括訓練圖片和所述訓練圖片的原始分類標簽；

將所述訓練圖片和所述訓練圖片的原始分類標簽輸入至神經網絡模型中，得到每級神經網絡層對訓練圖片的分類得分，以及，每級全連接層對訓練圖片的分類得分和分類標簽，所述神經網絡模型包括N級神經網絡層和N-1級全連接層，第i級全連接層位于第i+1級神經網絡層之后，N≥3，i∈[1，N-1]；

根據第一級神經網絡層對訓練圖片的分類得分和訓練圖片的原始分類標簽，得到所述第一級神經網絡層的第一級損失函數；

根據第P-1級全連接層對訓練圖片的分類得分和分類標簽，得到所述第P級神經網絡層的第P級損失函數，P∈[2，N]；

根據各級損失函數確定神經網絡模型的損失函數，并且調整各級神經網絡層和各級全連接層的網絡參數，直至神經網絡模型的損失函數達到預設函數值，則每級神經網絡層作為對應級的分類識別模型。

進一步的，每級全連接層對訓練圖片的分類得分通過如下方式生成：