[發明專利]圖片分類方法、圖片模型訓練方法及設備

在審

• 申請號: 201910974983.1
• 申請日: 2019-10-14
• 公開（公告）號: CN110751197A
• 公開（公告）日: 2020-02-04
• 發明（設計）人: 周康明;戚風亮
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 31243 上海百一領御專利代理事務所(普通合伙)
• 代理人: 王奎宇;甘章乖

本發明的目的是提供一種圖片分類方法、圖片模型訓練方法及設備，本發明通過圖片分類模型包括待學習的參數w；確定損失函數，損失函數包括超參n，損失函數用于弱化對已經分類正確的訓練集中的第一圖片的懲罰，加重對分類錯誤的訓練集中的第一圖片的懲罰，所述損失函數基于該超參n，可以根據不同場景進行自主的調節，基于損失函數、第一圖片的第一類別判定輸出及所述第一圖片對應的真實類別，對所述圖片分類模型中的待學習的參數w的值進行調節，基于第二圖片的第二類別判定輸出及所述第二圖片對應的真實類別，對所述損失函數中的超參n的值進行調節，所述待學習的參數w的值和超參n的值調節完成后，可用于加快圖片分類模型的學習速度。

技術領域

本發明涉及計算機領域，尤其涉及一種圖片分類方法、圖片模型訓練方法及設備。

背景技術

深度學習作為人工智能領域一個重要的分支，在圖像和語音識別等領域已取得巨大的成功。其中，神經網絡作為深度學習中的重要工具，已廣泛應用于高校和企業中。

截止目前，神經網絡主要包含兩種：卷積神經網絡和循環(遞歸)神經網絡。前者主要應用于圖像識別，后者主要應用于語音領域。

在圖像識別領域，二分類作為一個基本問題，在很多場景中都有涉及。在這類問題中，一張圖片只能屬于2個類別中的1種，在后面的內容中，我們假設兩個類別分別為1和0，這是一種常規的編碼方式，同時一張圖片只能屬于1個類別。

卷積神經網絡作為一種在圖像領域廣泛使用的模型，其包含大量可學習的參數，可應用于圖像的二分類問題。在這類應用場景中，它以圖片為輸入(假設圖片以字母x代替)，以圖片所屬某一類別(假設圖片所屬的類別為y，其中y∈{-1,1})的概率為輸出。

為了確定神經網絡中待定的參數，我們需要為網絡提供大量的訓練樣本，訓練樣本主要包括圖片x本身以及它所對應的真實類別標簽y。在訓練過程中，我們需要為網絡指定目標函數，該目標函數衡量了網絡在訓練集上的性能。一般情況下，我們定義目標函數為一種損失函數，當當前預測與真實目標存在偏差時，損失函數將對當前預測進行相應的懲罰，該損失函數越小，模型在訓練集上的性能越好。

損失函數作為分類問題中的重要元素，對于網絡的訓練十分重要，一個合理的損失函數可以加快網絡的學習速度。從直觀上理解，假設圖片x的類別y＝1，模型需要預測x屬于1的概率,即p(y＝1)。在訓練的過程中，如果p(y＝1)的概率值距離1的值很近，那么相應的損失應該很小，反之，則更大。

現有分類問題普遍使用交叉熵損失函數，該損失函數雖然可以指導模型進行學習，但在滿足上述預期方面，卻并不合適。

發明內容

本發明的一個目的是提供一種圖片分類方法、圖片模型訓練方法及設備。

根據本發明的一個方面，提供了一種圖片分類方法，該方法包括：

建立圖片分類模型，所述圖片分類模型包括待學習的參數w；

確定損失函數，所述損失函數包括超參n，所述損失函數用于弱化對已經分類正確的訓練集中的第一圖片的懲罰，加重對分類錯誤的訓練集中的第一圖片的懲罰；

將訓練集中的第一圖片輸入所述圖片分類模型，以得到第一類別判定輸出，基于所述損失函數、第一圖片的第一類別判定輸出及所述第一圖片對應的真實類別，對所述圖片分類模型中的待學習的參數w的值進行調節；

將驗證集中的第二圖片輸入所述圖片分類模型，以得到第二類別判定輸出，基于第二圖片的第二類別判定輸出及所述第二圖片對應的真實類別，對所述損失函數中的超參n的值進行選擇，以得到圖片分類模型；

基于所述目標圖片分類模型對待分類的圖片進行分類。