[發明專利]模型訓練方法及裝置

有效

• 申請號: 202010127972.2
• 申請日: 2020-02-28
• 公開（公告）號: CN113326857B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 程陣
• 申請（專利權）人: 合肥美亞光電技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 白雪靜

1.一種圖像分類模型訓練方法，其特征在于，包括：

獲取樣本集合，并對所述樣本集合進行顏色分類以形成多個分類樣本集合，其中，樣本為圖像；

獲取每個所述分類樣本集合之中每個樣本的范數值；

根據每個所述分類樣本集合之中每個所述樣本的范數值從所述每個分類樣本集合之中抽取m個樣本，以形成第一訓練集合；

根據所述第一訓練集合對所述模型進行訓練；

其中，在所述根據所述第一訓練集合對所述模型進行訓練之后，還包括：根據訓練之后的模型對所述每個分類樣本集合之中的剩余樣本進行測試，以將類別判斷正確的樣本剔除；判斷所述每個分類樣本集合之中的剩余樣本數量是否滿足預設條件；如果不滿足所述預設條件，則根據每個所述分類樣本集合之中每個所述樣本的范數值從所述每個分類樣本集合之中抽取m個樣本，并將抽取到的樣本加入所述第一訓練集合，以更新所述第一訓練集合；根據更新后的所述第一訓練集合對所述模型進行訓練；返回執行所述根據訓練之后的模型對所述每個分類樣本集合之中的剩余樣本進行測試，以將類別判斷正確的樣本剔除，直至所述剩余樣本數量滿足所述預設條件。

2.如權利要求1所述的圖像分類模型訓練方法，其特征在于，所述獲取每個所述分類樣本集合之中每個樣本的范數值，包括：

獲取所述每個分類樣本集合之中每個樣本對應的像素點的加權平均值，以及

根據所述每個分類樣本集合之中每個樣本對應的像素點的加權平均值計算所述每個樣本的范數值。

3.如權利要求1所述的圖像分類模型訓練方法，其特征在于，所述根據每個所述分類樣本集合之中每個所述樣本的范數值從所述每個分類樣本集合之中抽取m個樣本，包括：

針對每個所述分類樣本集合，在所述樣本的范數值大于或等于所述分類樣本集合的范數值均值的樣本中，根據所述樣本的范數值大小，按照從小到大的順序抽取a個樣本，并在所述樣本的范數值小于所述分類樣本集合的范數值均值的樣本中，根據所述樣本的范數值大小，按照從大到小的順序抽取b個樣本，其中，a+b＝m。

4.如權利要求1所述的圖像分類模型訓練方法，其特征在于，所述將抽取到的樣本加入所述第一訓練集合，以更新所述第一訓練集合，包括：

將抽取到的樣本加入所述第一訓練集合，并確定是否存在本次未抽取到m個樣本的目標樣本類別；

如果存在，則從所述第一訓練集合中的屬于所述目標樣本類別且所述樣本的范數值位于(Min(L2),u-σ)的樣本中，抽取第一預設數量個樣本，從所述第一訓練集合中的屬于目標樣本類別且范數值位于(μ+σ,Max(L2))的樣本中，抽取第二預設數量個樣本，μ為所述分類樣本集合的范數值均值，σ為所述分類樣本集合的范數值方差值，所述第一預設數量和所述第二預設數量的和為m，L2為范數值；

根據預設的增廣方式對抽取的m個樣本進行增廣變換，并將增廣變換后的m個樣本加入所述第一訓練集合，以更新所述第一訓練集合。

5.如權利要求1所述的圖像分類模型訓練方法，其特征在于，還包括：

如果滿足所述預設條件，則將所述剩余樣本均加入所述第一訓練集合以更新所述第一訓練集合，并根據更新后的所述第一訓練集合對所述模型進行訓練。

6.如權利要求5所述的圖像分類模型訓練方法，其特征在于，所述將所述剩余樣本均加入所述第一訓練集合，以更新所述第一訓練集合，包括：

將所述剩余樣本均加入所述第一訓練集合，并針對所述第一訓練集合中的每一類樣本，將所述樣本的范數值位于(μ-σ,u+σ)中的樣本通過增廣變換，增廣至樣本目標數量的30-50％，并將所述樣本的范數值位于[(Min(L2),u-σ)，(μ+σ,Max(L2))]中的樣本通過增廣變換，增廣至樣本目標數量的50-70％，以更新所述第一訓練集合，使得所述第一訓練集合中的每一類樣本的數量達到樣本目標數量，其中，μ為所述分類樣本集合的范數值均值，σ為所述分類樣本集合的范數值方差值，L2為范數值。