[發明專利]一種圖像分類模型的訓練方法及圖像分類方法

在審

• 申請號: 202110234269.6
• 申請日: 2021-03-03
• 公開（公告）號: CN115019113A
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 陳碩;李勇周;羅向東
• 申請（專利權）人: 中國科學院微電子研究所;許昌市投資總公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 尹秀

本申請公開了一種圖像分類模型的訓練方法及圖像分類方法，包括：獲取帶標簽的樣本圖像集，樣本圖像集包含多個真實霧天場景的樣本圖像和多個合成霧天場景的樣本圖像；將樣本圖像集中的各個樣本圖像輸入圖像分類模型中，對圖像分類模型進行訓練，以使得圖像分類模型提取的樣本圖像的特征與其場景信息無關且基于該特征確定的樣本圖像的類別結果與其標簽一致，其中，樣本圖像的場景信息表征樣本圖像屬于真實霧天場景還是合成霧天場景。本申請所提供的訓練方法，可以使得圖像分類模型提取的樣本圖像的特征為不變性特征，即不會受到樣本圖像是合成霧天場景還是真實霧天場景的影響，從而減小圖像分類模型對霧天場景圖像進行分類的誤差，提高識別精度。

技術領域

本申請涉及圖像識別領域，尤其涉及一種圖像分類模型的訓練方法及圖像分類方法。

背景技術

近年來，深度神經網絡在語音、圖像領域取得突飛猛進的進展，尤其在圖像領域，隨著大量的標記訓練數據和大量的計算資源的出現，深度神經網絡模型可以直接廣泛地應用于多數場景下的圖像識別和分類。

然而，由于霧天場景的復雜性，例如，霧天場景包含眾多類似場景，如霾、煙、沙塵等，其中，霧的濃度也具有多樣性，使得利用現有的訓練方法訓練后的圖像分類模型在對霧天場景的圖像進行識別和分類時往往會產生極大的分類誤差。

發明內容

為解決上述技術問題，本申請實施例提供了一種圖像分類模型的訓練方法及圖像分類方法，以減小圖像分類模型在對霧天場景的圖像進行識別和分類時的分類誤差，提高識別精度。

為實現上述目的，本申請提供了如下技術方案：

一種圖像分類模型的訓練方法，包括：

S1：獲取帶標簽的樣本圖像集，所述樣本圖像集包含多個真實霧天場景的樣本圖像和多個合成霧天場景的樣本圖像；

S2：將所述樣本圖像集中的各個樣本圖像輸入所述圖像分類模型中，對所述圖像分類模型進行訓練，以使得所述圖像分類模型提取的所述樣本圖像的特征與其場景信息無關且基于該特征確定的所述樣本圖像的類別結果與其標簽一致，其中，所述樣本圖像的場景信息表征所述樣本圖像屬于真實霧天場景還是合成霧天場景。

可選的，將所述樣本圖像集中的各個樣本圖像輸入所述圖像分類模型中，對所述圖像分類模型進行訓練，以使得所述圖像分類模型提取的所述樣本圖像的特征與其場景信息無關且基于該特征確定的所述樣本圖像的類別結果與其標簽一致包括：

S21：將所述樣本圖像集中的各個樣本圖像輸入所述圖像分類模型中；

S22：基于所述樣本圖像，對所述圖像分類模型中的特征提取器和域判別器進行對抗訓練，以使得所述域判別器根據所述特征提取器提取的所述樣本圖像的特征無法確定所述樣本圖像的場景信息；

S23：基于所述樣本圖像和所述樣本圖像的標簽，對所述圖像分類模型中的特征提取器和標簽分類器進行訓練，以使得所述標簽分類器根據所述特征提取器提取的所述樣本圖像的特征確定的所述樣本圖像的類別結果與所述樣本圖像的標簽一致。

可選的，基于所述樣本圖像，對所述圖像分類模型中的特征提取器和域判別器進行對抗訓練，以使得所述域判別器根據所述特征提取器提取的所述樣本圖像的特征無法確定所述樣本圖像的場景信息包括：

S221：利用所述特征提取器提取所述樣本圖像的第一特征信息；

S222：利用所述域判別器根據所述第一特征信息確定所述樣本圖像的場景信息；

S223：如果所述域判別器根據所述第一特征信息能夠確定所述樣本圖像的場景信息，則改變所述特征提取器和所述域判別器的網絡參數，返回S221，直至所述域判別器根據所述第一特征信息無法確定所述樣本圖像的場景信息。

可選的，利用所述特征提取器提取所述樣本圖像的第一特征信息包括：