[發明專利]一種圖像類別分類的訓練方法及裝置

在審

• 申請號: 202110239081.0
• 申請日: 2021-03-04
• 公開（公告）號: CN113011474A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 唐健;石偉;潘國峰;高聲榮;陶昆
• 申請（專利權）人: 深圳市捷順科技實業股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳騰文知識產權代理有限公司 44680
• 代理人: 王娟

本申請實施例公開了一種圖像類別分類的訓練方法及裝置，用于提高數據分類的訓練效率，節省系統資源。本申請實施例方法包括：獲取預檢測樣本圖像集；構建訓練模型；將預檢測樣本圖像集輸入至訓練模型確定正類及正類數量；通過訓練模型將預檢測樣本圖像集的圖像數據平均分布于多張視覺處理器上；確定正類中心及負類中心；確定隨機選取的負類中心的數量；根據隨機選取的負類中心與正類中心計算總損失值；判斷總損失值是否達到第一預設值；若否，則根據總損失值更新訓練模型，對負類中心的數據進行二次隨機選取，并根據二次選取的負類中心與正類中心二次計算總損失值，直至總損失值達到第一預設值時，確定訓練模型訓練完成。

技術領域

本申請實施例涉及智能安防領域，尤其涉及一種圖像類別分類的訓練方法及裝置。

背景技術

隨著當今社會的科學技術的發展，圖像處理以及模式識別技術得到快速進步，基于視頻圖像處理的方式在實際生活中在很多領域得到實際應用。在實際應用中通常是通過收集大量數據完成訓練，隨著深度學習技術的發展和相關產品的落地，數據的種類和規模越來越大，以人臉識別為例，如今，絕大部分做人臉識別的團隊或者公司都擁有幾百萬的賬戶或者千萬級別的賬戶，上億甚至是幾十億的數據，由于目前只能通過硬件的方式來對圖像數據進行分類，而訓練數據分類時應用到的視覺處理器(GPU，Graphics ProcessingUnit)數量以及顯存又十分有限，使得訓練這種千萬級別賬戶的圖像分類繁瑣，訓練效率低。

發明內容

本申請實施例提供了一種圖像類別分類的訓練方法及裝置，用于提高數據分類的訓練效率，節省系統資源。

本申請實施例在第一方面提供了一種圖像類別分類的訓練方法，包括：

獲取預檢測樣本圖像集；

構建訓練模型，所述訓練模型為設置有圖像特征長度以及類別數量的神經網絡模型；

將所述預檢測樣本圖像集輸入至所述訓練模型確定正類及正類數量，所述正類為所述預檢測樣本圖像集中的同類圖像數據分布，所述正類的數量為所述預檢測樣本圖像集中圖像所屬類別的類別數量；

通過所述訓練模型將所述預檢測樣本圖像集的圖像數據平均分布于多張視覺處理器上；

根據所述正類在多張視覺處理器的平均分布的情況確定正類中心及負類中心；

根據所述正類的數量按照預設規則確定隨機選取的負類中心的數量，所述負類中心為所述預檢測樣本圖像集中任意兩種不同類別的圖像數據分布的中心；

根據所述隨機選取的負類中心與所述正類中心計算總損失值；

判斷所述總損失值是否達到第一預設值；

若否，則根據所述總損失值更新所述訓練模型，對所述負類中心的數據進行二次隨機選取，并根據二次選取的負類中心與所述正類中心二次計算總損失值，直至總損失值達到第一預設值時，則確定所述訓練模型訓練完成。

可選的，所述根據所述正類的數量按照預設規則確定隨機選取的負類中心的數量，包括：

設置負類中心采樣率；

確定視覺處理器上的圖像數據的總類別個數，所述總類別個數為所述預檢測樣本圖像集正類的個數；

根據所述負類中心采樣率與所述總類別個數確定需要隨機選取的負類中心的數量。

可選的，所述根據所述隨機選取的負類中心與所述正類中心計算總損失值，包括：

計算所述隨機選取的負類中心的負類損失值；

分別計算各個所述正類中心的正類損失值；

將所述負類損失值與各個正類損失值進行聚合，計算總損失值。