图片分类、分类识别模型的生成方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种图片分类、分类识别模型的生成方法、装置、设备及介质。该方法包括：获取待分类的图片集，图片集包括至少两张图片；将图片集输入至预先训练的当前级分类识别模型中，得到每张图片的分类得分；如果图片的分类得分满足预设条件，则根据分类得分确定图片的分类识别结果；如果图片的分类得分不满足预设条件，则继续将图片输入至预先训练的下一级分类识别模型中，直至得到图片的分类识别结果；其中，每级分类识别模型基于神经网络训练生成。本发明专利技术实施例提高了图片分类的准确率和效率。

Generation Method, Device, Equipment and Media of Picture Classification and Classification Recognition Model

The invention discloses a method, device, equipment and medium for generating picture classification and classification recognition model. The method includes: acquiring a set of pictures to be classified, which includes at least two pictures; inputting the set of pictures into the pre-trained current classification recognition model to get the classification score of each picture; if the classification score of the pictures meets the preset conditions, the classification and recognition results of the pictures are determined according to the classification score; if the classification score of the pictures does not meet the preset conditions, then the classification and recognition results of the pictures are determined according to the classification score. Continue to input pictures into the pre-trained next-level classification and recognition model until the classification and recognition results are obtained, where each level classification and recognition model is generated based on neural network training. The embodiment of the present invention improves the accuracy and efficiency of image classification.

【技术实现步骤摘要】
图片分类、分类识别模型的生成方法、装置、设备及介质
本专利技术实施例涉及数据处理技术，尤其涉及一种图片分类、分类识别模型的生成方法、装置、设备及介质。
技术介绍
随着深度学习技术的快速发展，深度神经网络在图片分类领域被大量的使用。现有技术中，为了使基于深度神经网络训练生成的分类识别模型具有较高的分类准确率，通常采用增加深度神经网络的深度的方式。专利技术人在实现本专利技术的过程中，发现现有技术至少存在如下问题：其一、由于深度神经网络在训练过程中主要采用反向梯度传播的方法，因此，随着网络深度的不断增大，训练难度也逐步加大；其二、由于深度神经网络的前向推理过程的运算量巨大，因此，随着网络深度的不断增大，运算量也逐步增加，进而降低了分类效率。
技术实现思路
本专利技术实施例提供一种图片分类、分类识别模型的生成方法、装置、设备及介质，以提高图片分类的准确率和效率。第一方面，本专利技术实施例提供了一种图片分类方法，该方法包括：获取待分类的图片集，所述图片集包括至少两张图片；将所述图片集输入至预先训练的当前级分类识别模型中，得到每张图片的分类得分；如果图片的分类结果满足预设条件，则根据所述分类得分确定本文档来自技高网...

【技术保护点】
1.一种图片分类方法，其特征在于，包括：获取待分类的图片集，所述图片集包括至少两张图片；将所述图片集输入至预先训练的当前级分类识别模型中，得到每张图片的分类得分；如果图片的分类得分满足预设条件，则根据所述分类得分确定所述图片的分类识别结果；如果图片的分类得分不满足预设条件，则继续将所述图片输入至预先训练的下一级分类识别模型中，直至得到所述图片的分类识别结果；其中，每级分类识别模型基于神经网络训练生成。

【技术特征摘要】
1.一种图片分类方法，其特征在于，包括：获取待分类的图片集，所述图片集包括至少两张图片；将所述图片集输入至预先训练的当前级分类识别模型中，得到每张图片的分类得分；如果图片的分类得分满足预设条件，则根据所述分类得分确定所述图片的分类识别结果；如果图片的分类得分不满足预设条件，则继续将所述图片输入至预先训练的下一级分类识别模型中，直至得到所述图片的分类识别结果；其中，每级分类识别模型基于神经网络训练生成。2.根据权利要求1所述的方法，其特征在于，所述将所述图片集输入至预先训练的当前级分类识别模型中，得到每张图片的分类得分之后，还包括：根据每张图片的分类得分，得到每张图片的分类概率；图片的分类得分满足预设条件为图片的分类概率大于等于概率阈值；图片的分类得分不满足预设条件为图片的分类概率小于概率阈值。3.一种分类识别模型的生成方法，其特征在于，包括：获取训练样本，所述训练样本包括训练图片和所述训练图片的原始分类标签；将所述训练图片和所述训练图片的原始分类标签输入至神经网络模型中，得到每级神经网络层对训练图片的分类得分，以及，每级全连接层对训练图片的分类得分和分类标签，所述神经网络模型包括N级神经网络层和N-1级全连接层，第i级全连接层位于第i+1级神经网络层之后，N≥3，i∈[1，N-1]；根据第一级神经网络层对训练图片的分类得分和训练图片的原始分类标签，得到所述第一级神经网络层的第一级损失函数；根据第P-1级全连接层对训练图片的分类得分和分类标签，得到所述第P级神经网络层的第P级损失函数，P∈[2，N]；根据各级损失函数确定神经网络模型的损失函数，并且调整各级神经网络层和各级全连接层的网络参数，直至神经网络模型的损失函数达到预设函数值，则每级神经网络层作为对应级的分类识别模型。4.根据权利要求3所述的方法，其特征在于，每级全连接层对训练图片的分类得分通过如下方式生成：根据第一级神经网络层对训练图片的分类得分和第二级神经网络层对训练图片的分类得分，得到第一级全连接层对训练图片的分类得分；根据第P-1级全连接层对训练图片的分类得分和第P+1级神经网络层对训练图片的分类得分，得到第P级全连接层对训练图片的分类得分，P∈[2，N]。5.根据权利要求3所述的方法，其特征在于，每级全连接层对训练图片的分类标签通过如下方式生成：根据第一级神经网络层对训练图片的分类得分更新训练图片的的原始分类标签，得到第一级全连接层对训练图片的分类标签；根据第P-1级全连接层对训练图片的分类得分更新第P-1级全连接层对训练图片的分类标签，得到第P级全连接层对训练图片的分类标签，P∈[2，N]。6.根据权利要求5所述的方法，其特征在于，所述根据第一级神经网络层对训练图片的分类得分更新训练图片的的原始分类标签，得到第一级全连接层对训练图片的分类标签，包括：根据所述第一级神经网络层对训练图片的分类得分，得到所述第一级神经网络层对训练图片的分类概率；所述第一级神经网络层对训练图片的分类概率大于等于第一概率阈值，则将所述训练图片的原始分类标签修改为预设分类标签，并将所述预设分类标签作为所述第一级全连接层对训练图片的分类标签；所述第一级神经网络层对训练图片的分类概率小于第一概率阈值，则保持所述训练图片的原始分类标签不变，并将所述训练图片的原始分类标签作为所述第一级全连接层对训练图片的分类标签。7.根据权利要求6所述的方法，其特征在于，所述根据第P-1级全连接层对训练图片的分类得分更...

【专利技术属性】
技术研发人员：潘跃，刘振强，梁柱锦，
申请(专利权)人：广州市百果园信息技术有限公司，
类型：发明
国别省市：广东,44