[發明專利]分類模型訓練方法及裝置

有效

• 申請號: 201910129385.4
• 申請日: 2019-02-21
• 公開（公告）號: CN109886335B
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 王辰龍
• 申請（專利權）人: 廈門美圖之家科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 郭俊霞

1.一種分類模型訓練方法，其特征在于，所述方法包括：

獲取多個第一訓練樣本，其中，每個第一訓練樣本包括第一訓練圖像以及與該第一訓練圖像對應的第一預設數量個標簽，所述第一預設數量個標簽包括與圖像內容對應的上位分類以及下位分類分別對應的標簽；

根據多個所述第一訓練樣本進行機器學習訓練，獲得初始分類模型；

分別獲取初始分類模型中每個標簽的二值交叉熵作為對應的子誤差值；

根據所述每個標簽的子誤差值計算獲得所述初始分類模型的總誤差值；

根據所述總誤差值調整所述初始分類模型，獲得目標分類模型；

其中，所述分別獲取初始分類模型中每個標簽的二值交叉熵作為對應的子誤差值，包括：

分別獲取每個標簽的交叉熵，將所述每個標簽的交叉熵輸入Sigmoid函數，獲得每個標簽對應的二值交叉熵。

2.根據權利要求1所述的分類模型訓練方法，其特征在于，所述根據所述總誤差值調整所述初始分類模型，獲得目標分類模型的步驟包括：

檢測所述總誤差值是否大于預設值；

若所述總誤差值大于預設值，則調整所述初始分類模型的參數，直至所述總誤差值小于所述預設值；

若所述總誤差值小于所述預設值，則將調整參數后的初始分類模型作為目標分類模型。

3.根據權利要求1所述的分類模型訓練方法，其特征在于，所述獲取多個第一訓練樣本的步驟前，所述方法還包括：

獲取多個初始樣本，每個所述初始樣本包括初始圖像以及與該初始圖像對應的第一預設數量個標簽，所述第一預設數量個標簽包括與圖像內容對應的上位分類的標簽以及下位分類的標簽；

針對每個初始樣本，對該初始樣本中的所述初始圖像進行變換，獲得多個所述第一訓練樣本。

4.根據權利要求3所述的分類模型訓練方法，其特征在于，所述變換包括隨機裁剪、隨機翻轉、隨機顏色調整或隨機亮度調整中的至少一種。

5.根據權利要求1所述的分類模型訓練方法，其特征在于，所述根據多個所述第一訓練樣本進行機器學習訓練，獲得初始分類模型的步驟包括：

將所述多個第一訓練樣本輸入已訓練的預分類模型，對該預分類模型進行再次訓練；

對所述預分類模型進行調整，獲得所述初始分類模型。

6.根據權利要求5所述的分類模型訓練方法，其特征在于，所述預分類模型包括卷積層、池化層和全連接層，所述對所述預分類模型進行調整，獲得所述初始分類模型的步驟包括：

對所述預分類模型的全連接層的參數進行調整，獲得中間模型；

分別對中間模型的卷積層、池化層和全連接層的參數進行調整，獲得初始分類模型。

7.根據權利要求6所述的分類模型訓練方法，其特征在于，所述根據多個所述第一訓練樣本進行機器學習訓練，獲得初始分類模型的步驟前，所述方法還包括：

將第二訓練樣本輸入深度學習框架，獲得所述預分類模型；

其中，所述第二訓練樣本包括第二訓練圖像以及與每個第二訓練圖像對應的第二預設數量個標簽。

8.根據權利要求1所述的分類模型訓練方法，其特征在于，所述方法還包括：

將待識別圖像輸入所述目標分類模型，獲得所述待識別圖像對應的第一預設數量個標簽。