[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

本發明提供了一種圖像分類模型的訓練方法及裝置；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、以及圖像樣本集中各圖像樣本的特征，圖像樣本標注有原類別標簽；確定至少兩個類別的類中心特征與各圖像樣本的特征的相似度；針對各圖像樣本，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，得到標注有原類別標簽及新類別標簽的目標圖像樣本；基于原類別標簽、新類別標簽以及確定的相似度，構建圖像分類模型的損失函數；基于損失函數，采用目標圖像樣本訓練圖像分類模型。通過本發明，能夠提高訓練得到的圖像分類模型的預測準確度。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種圖像分類模型的訓練方法及裝置。

背景技術

人工智能技術是一門綜合學科，涉及領域廣泛，既有硬件層面的技術也有軟件層面的技術，人工智能軟件技術主要包括計算機視覺技術、語音處理技術、自然語言處理技術以及機器學習/深度學習等幾大方向。其中，機器學習(ML，Machine Learning)是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。機器學習和深度學習通常包括人工神經網絡、置信網絡、強化學習、遷移學習和歸納學習等技術。

圖像的分類與識別是人工智能的重要應用分支，為實現圖像的分類，通常需要通過圖像樣本集，對圖像分類模型進行訓練。由于標注人員的失誤、概念不清等原因，圖像樣本集通常包括噪聲圖像樣本，而基于包括噪聲圖像樣本的圖像數據集訓練得到的圖像分類模型的分類預測性能較低。

發明內容

本發明實施例提供一種圖像分類模型的訓練方法及裝置，能夠對噪聲圖像樣本的標簽進行修正，提高訓練得到的圖像分類模型的預測準確度。

本發明實施例的技術方案是這樣實現的：

本發明實施例提供一種圖像分類模型的訓練方法，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；

基于所述原類別標簽、所述新類別標簽以及確定的所述相似度，構建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。

本發明實施例提供一種圖像分類模型的訓練裝置，包括：

獲取模塊，用于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；

確定模塊，用于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；

標注模塊，用于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；

構建模塊，用于基于所述原類別標簽、所述新類別標簽以及確定的所述相似度，構建所述圖像分類模型的損失函數；

訓練模塊，用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。

上述方案中，所述訓練模塊，還用于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；