[發明專利]圖像分類方法、分類網絡的訓練方法和相關產品

在審

• 申請號: 202110495315.8
• 申請日: 2021-05-07
• 公開（公告）號: CN113139612A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 姚達琛;李誠
• 申請（專利權）人: 上海商湯臨港智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 靳玫

本公開涉及計算機視覺技術領域，具體提供了一種圖像分類方法、分類網絡的訓練方法和相關產品。分類網絡的訓練方法包括：基于樣本數據對待訓練的分類網絡進行訓練，得到訓練后的分類網絡；樣本數據包括屬于新類別的新樣本數據和屬于舊類別的歷史樣本數據；根據樣本數據的特征得到訓練后的分類網絡中每個類別的中心特征；根據每個類別的中心特征，從屬于每個類別的樣本數據中確定預設數量的目標樣本數據；基于每個類別對應的目標樣本數據，對歷史樣本數據進行更新。本公開實施方式的訓練方法縮短分類網絡的訓練時間，提高訓練速度。

技術領域

本公開涉及計算機視覺技術領域，具體涉及一種圖像分類方法、分類網絡的訓練方法和相關產品。

背景技術

深度神經網絡在處理增量學習任務時具有災難性遺忘的特點，會使得神經網絡通過新數據訓練時遺忘通過舊數據學習的內容。為了消除災難性遺忘的缺陷，在網絡訓練時，需要將新樣本數據和舊樣本數據合并成新的數據集，進行完整的網絡訓練，導致整個訓練過程耗時很長。

發明內容

本公開實施方式提供了一種分類網絡的訓練方法、裝置，以及圖像分類方法、裝置、電子設備和存儲介質。

第一方面，本公開實施方式提供了一種分類網絡的訓練方法，包括：

基于樣本數據對待訓練的分類網絡進行訓練，得到訓練后的分類網絡；所述樣本數據包括屬于新類別的新樣本數據和屬于舊類別的歷史樣本數據；

根據所述樣本數據的特征得到訓練后的分類網絡中每個類別的中心特征；

根據每個類別的中心特征，從屬于每個類別的樣本數據中確定預設數量的目標樣本數據；

基于每個類別對應的所述目標樣本數據，對所述歷史樣本數據進行更新。

在一些實施方式中，所述基于樣本數據對待訓練的分類網絡進行訓練，包括：

將所述樣本數據輸入待訓練的分類網絡，得到待訓練的分類網絡輸出的輸出結果；

確定所述輸出結果與所述樣本數據的標簽信息之間的差異；所述差異包括所述輸出結果對應的蒸餾損失；

根據所述差異調整所述分類網絡的網絡參數，直至滿足收斂條件。

在一些實施方式中，所述分類網絡的訓練過程包括多個輪次；所述確定所述輸出結果與所述樣本數據的標簽信息之間的差異，包括：

對于同一個樣本數據，獲取待訓練的分類網絡輸出的第一輸出結果，和當前輪次訓練的分類網絡輸出的第二輸出結果；

根據所述第一輸出結果和所述第二輸出結果，確定所述樣本數據的所述蒸餾損失；

基于所述蒸餾損失確定所述輸出結果與所述樣本數據的標簽信息之間的差異。

在一些實施方式中，所述根據所述樣本數據的特征得到訓練后的分類網絡中每個類別的中心特征，包括：

獲取每個類別中包括的各個樣本數據的特征；

根據每個類別中包括的各個樣本數據的特征，得到該類別中所有樣本數據的特征平均值；

將所述特征平均值確定為該類別的所述中心特征。

在一些實施方式中，所述根據每個類別的中心特征，從屬于每個類別的樣本數據中確定預設數量的目標樣本數據，包括：

對于每一個所述類別，獲取該類別包括的各個樣本數據的特征；

根據各個樣本數據的特征與該類別的所述中心特征，確定各個樣本數據的特征與所述中心特征的相似度；

對各個樣本數據的特征與所述中心特征的相似度由高到低排序，得到相似度序列；