[發明專利]圖像分類任務的模型訓練方法

有效

• 申請號: 202011278251.8
• 申請日: 2020-11-16
• 公開（公告）號: CN112488160B
• 公開（公告）日: 2023-02-07
• 發明（設計）人: 張奎;陳清梁;王超
• 申請（專利權）人: 浙江新再靈科技股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/04
• 代理公司: 北京謹誠君睿知識產權代理事務所(特殊普通合伙) 11538
• 代理人: 延慧;武麗榮

1.一種圖像分類任務的模型訓練方法，包括以下步驟：

a、利用圖像數據集中的一部分圖像樣本訓練小樣本模型，利用所述小樣本模型對圖像數據集中的另一部分圖像樣本進行預標注；

在所述步驟a中，對于另一部分圖像樣本分別使用三個所述小樣本模型預測得到三組分類概率值：

P₁＝[p₁₁,p₁₂,…,p_1C]，P₂＝[p₂₁,p₂₂,…,p_2C]，P₃＝[p₃₁,p₃₂,…,p_3C]；

式中，P₁、P₂、P₃代表各組的分類概率值；p_i1、p_i2…p_iC代表各組中各類別概率，i＝1,2,3；C為圖像數據集中圖像樣本的類別總和；

將這三組概率值取均值得到均值組，取均值組中概率最大值所對應的類別作為該圖像樣本的類別；

b、對圖像數據集進行訓練集和測試集劃分；

c、利用訓練集訓練圖像分類模型，并利用圖像分類模型對測試集中的圖像樣本分類；

d、對分類結果與預標注的標簽不一致的圖像樣本進行再標注；

e、將訓練集和測試集互換，重復一次步驟c和d；

f、重復步驟b至e至達到收斂條件，將圖像數據集劃分為訓練集、驗證集和測試集，完成圖像分類模型的最終訓練。

2.根據權利要求1所述的模型訓練方法，其特征在于，在所述步驟a中，分三次訓練三個所述小樣本模型，每個所述小樣本模型利用圖像數據集中一部分的圖像樣本進行標注后訓練。

3.根據權利要求2所述的模型訓練方法，其特征在于，所述小樣本模型訓練時的初始學習率為1e-4，訓練輪數為15。

4.根據權利要求1所述的模型訓練方法，其特征在于，在所述步驟b中，按1:1的比例劃分訓練集和測試集。

5.根據權利要求1所述的模型訓練方法，其特征在于，在所述步驟c中，對測試集的圖像樣本進行分類的圖像分類模型的參數為經訓練集訓練后在測試集上F1 Score最高的參數。

6.根據權利要求1或5所述的模型訓練方法，其特征在于，所述收斂條件為圖像分類模型的參數達到在測試集上的F1 Score大于第一閾值或者F1 Score的增加值小于第二閾值。

7.根據權利要求1所述的模型訓練方法，其特征在于，所述小樣本模型和所述圖像分類模型均為小型分類網絡。