[發明專利]圖像分類模型的訓練方法及裝置

有效

• 申請號: 202010320553.0
• 申請日: 2020-04-22
• 公開（公告）號: CN111507419B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 郭卉
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 劉暉銘;張穎玲

1.一種圖像分類模型的訓練方法，其特征在于，所述方法包括：

獲取包括噪聲圖像樣本的圖像樣本集所對應至少兩個類別的類中心特征、以及所述圖像樣本集中各圖像樣本的特征，所述圖像樣本標注有原類別標簽；

確定所述至少兩個類別的類中心特征與各所述圖像樣本的特征的相似度；

針對各所述圖像樣本，將對應最大相似度的類中心特征所歸屬的類別，作為相應圖像樣本的新類別標簽進行樣本標注，得到標注有所述原類別標簽及所述新類別標簽的目標圖像樣本；

構建對應所述原類別標簽的第一損失函數；

構建對應所述新類別標簽的第二損失函數；

獲取對應所述原類別標簽的至少兩個類中心特征中，與所述圖像樣本的相似度最大的目標類中心特征；

獲取所述目標類中心特征與所述圖像樣本的相似度、以及所述目標類中心特征的權重；

將所述相似度與所述權重的乘積確定為所述第一損失函數的權重；

將所述最大相似度作為所述第二損失函數的權重；

根據所述第一損失函數的權重和所述第二損失函數的權重，對所述第一損失函數和所述第二損失函數進行加權求和，得到所述圖像分類模型的損失函數；

基于所述損失函數，采用所述目標圖像樣本訓練所述圖像分類模型。

2.如權利要求1所述的方法，其特征在于，所述獲取包括噪聲圖像樣本的圖像樣本集所對應至少兩個類別的類中心特征、以及所述圖像樣本集中各圖像樣本的特征之前，所述方法還包括：

通過所述圖像樣本集，對所述圖像分類模型進行第一階段的訓練，直至確定所述第一階段的訓練完成；

相應的，獲取所述圖像樣本集中各圖像樣本的特征，包括：

通過完成第一階段訓練的圖像分類模型中的特征提取層，提取所述圖像樣本集中各圖像樣本的特征。

3.如權利要求2所述的方法，其特征在于，所述確定所述第一階段的訓練完成包括：

每完成一輪訓練，獲取所述圖像分類模型的錯誤率；

當連續目標輪數所獲取的錯誤率均低于錯誤率閾值時，確定所述第一階段的訓練完成。

4.如權利要求2所述的方法，其特征在于，所述確定所述第一階段的訓練完成包括：

每完成一輪訓練，獲取所述圖像分類模型的錯誤率；

當連續目標輪數所獲取的錯誤率均未下降時，確定所述第一階段的訓練完成。

5.如權利要求1所述的方法，其特征在于，所述獲取包括噪聲圖像樣本的圖像樣本集所對應至少兩個類別的類中心特征，包括：

從所述圖像樣本集中，分別選取對應各所述類別的目標樣本數量的圖像樣本；

獲取對應各所述類別的所述圖像樣本的特征；

分別對應各所述類別的所述圖像樣本的特征進行聚類處理，以分別從對應各所述類別的所述圖像樣本的特征中，確定目標數量的類中心特征。

6.如權利要求1所述的方法，其特征在于，基于所述損失函數，采用所述目標圖像樣本訓練所述圖像分類模型，包括：

通過所述圖像分類模型，對所述目標圖像樣本進行分類預測，得到相應的預測結果；

根據相應的預測結果，確定所述損失函數的值；

根據所述損失函數的值，更新所述圖像分類模型的模型參數。

7.如權利要求1所述的方法，其特征在于，所述采用所述目標圖像樣本訓練所述圖像分類模型之后，所述方法還包括：

當所述圖像樣本集中包括干凈圖像樣本時，獲取所述干凈圖像樣本，并確定所述干凈圖像樣本的數量；

根據所述干凈圖像樣本的數量，確定所述圖像分類模型中所要進行參數調整的層；

根據所述干凈圖像樣本，對所述層的模型參數進行調整。