[發(fā)明專利]模型訓練、圖像分類方法和裝置

在審

• 申請?zhí)枺?/td>: 202111271211.5
• 申請日: 2021-10-29
• 公開（公告）號: CN113989562A
• 公開（公告）日: 2022-01-28
• 發(fā)明（設計）人: 何鳳翔
• 申請（專利權）人: 北京京東振世信息技術有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

本申請公開了模型訓練方法和裝置，涉及圖像處理技術領域。該方法的一具體實施方式包括：獲取第一樣本圖像集和第二樣本圖像集；對于第一樣本圖像集中的各類別樣本圖像，基于該類別樣本圖像中至少一個樣本圖像的融合特征，得到該類別樣本圖像對應的第一融合特征；對于第二樣本圖像集中的每一樣本圖像，提取該樣本的融合特征，得到該樣本圖像的第二融合特征；基于第二融合特征與第一樣本圖像集中各類別樣本圖像對應第一融合特征的相似度，構建損失函數，以訓練得到分類模型。該實施方式有效提升了訓練得到的分類模型的準確性和泛化能力。

技術領域

本申請涉及計算機技術領域，具體涉及圖像處理技術領域，尤其涉及一種模型訓練、圖像分類方法和裝置。

背景技術

現(xiàn)有的小樣本學習常使用基于LDR(Local Descriptor-based Representations，基于本地描述符的表示)技術的特征提取方法。該方法有兩個主要缺點：

(1)通過LDR技術提取出的一些局部特征的語義信息，可能與樣本整體的語義信息(即樣本的類別)不符；

(2)通過LDR技術提取出的具有不同語義信息的局部特征，可能存在相互重疊的情況。

這些缺陷會導致使用LDR特征提取器得到的局部特征，可能無法很好地反映不同數據樣本之間的相似程度，進而限制了當前基于LDR特征提取技術的小樣本學習模型的預測性能。

發(fā)明內容

本申請實施例提供了一種模型訓練方法、裝置、設備以及存儲介質。

根據第一方面，本申請實施例提供了一種模型訓練方法，該方法包括：獲取第一樣本圖像集和第二樣本圖像集，其中，第一樣本圖像集中包括預設數量個樣本類別的樣本圖像；對于第一樣本圖像集中的各類別樣本圖像，基于該類別樣本圖像中至少一個樣本圖像的融合特征，得到該類別樣本圖像對應的第一融合特征，融合特征為對圖像的局部特征進行融合得到的特征；對于第二樣本圖像集中的每一樣本圖像，提取該樣本的融合特征，得到該樣本圖像的第二融合特征；基于第二融合特征與第一樣本圖像集中各類別樣本圖像對應第一融合特征的相似度，構建損失函數，以訓練得到分類模型。

根據第二方面，本申請實施例提供了一種圖像分類方法，該方法包括：獲取待分類圖像；將待分類圖像輸入分類模型，得到待分類圖像對應的圖像類別，其中，分類模型是如上述第一方面任一實現(xiàn)方式描述的方法得到的分類模型。

根據第三方面，本申請實施例提供了一種模型訓練裝置，該裝置包括：獲取數據模塊，被配置成獲取第一樣本圖像集和第二樣本圖像集，其中，第一樣本圖像集中包括預設數量個樣本類別的樣本圖像；第一提取模塊，被配置成對于第一樣本圖像集中的各類別樣本圖像，基于該類別樣本圖像中至少一個樣本圖像的融合特征，得到該類別樣本圖像對應的第一融合特征，融合特征為對圖像的局部特征進行融合得到的特征；第二提取模塊，被配置成對于第二樣本圖像集中的每一樣本圖像，提取該樣本的融合特征，得到該樣本圖像的第二融合特征；訓練模型模塊，被配置成基于第二融合特征與第一樣本圖像集中各類別樣本圖像對應第一融合特征的相似度，構建損失函數，以訓練得到分類模型。

根據第四方面，本申請實施例提供了一種圖像分類裝置，該裝置包括：獲取圖像模塊，被配置成獲取待分類圖像；分類圖像模塊，被配置成將待分類圖像輸入分類模型，得到待分類圖像對應的圖像類別，其中，分類模型是如上述第一方面任一實現(xiàn)方式描述的方法得到的分類模型。

根據第五方面，本申請實施例提供了一種電子設備，該電子設備包括一個或多個處理器；存儲裝置，其上存儲有一個或多個程序，當一個或多個程序被該一個或多個處理器執(zhí)行，使得一個或多個處理器實現(xiàn)如第一方面或第二方面中任一實現(xiàn)方式描述的方法。

根據第六方面，本申請實施例提供了一種計算機可讀介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如第一方面或第二方面中任一實現(xiàn)方式描述的方法。