图像分类模型的训练方法、图像分类方法及装置制造方法及图纸

本发明专利技术提供了一种图像分类模型的训练方法、基于人工智能的图像分类方法、装置及存储介质；其中，图像分类模型的训练方法包括：构建包括多个携带众包标注结果的图像样本的数据集；众包标注结果由多个标注者进行分类结果标注得到；获取图像分类模型的预测结果与真实分类结果之间的关联关系，关联关系指示图像分类模型的预测结果相对真实分类结果的可信度；基于标注者标注的分类结果、以及预测结果与真实分类结果之间的关联关系，构建图像分类模型的损失函数；基于数据集及损失函数，训练图像分类模型基于输入的待分类图像，预测相应的图像类别的性能。通过本发明专利技术，能够提高标注样本的利用率，以及提高训练得到的图像分类模型的预测准确度。

Training method, image classification method and device of image classification model

【技术实现步骤摘要】
图像分类模型的训练方法、图像分类方法及装置
本专利技术涉及人工智能(AI，ArtificialIntelligence)
，尤其涉及一种图像分类模型的训练方法、基于人工智能的图像分类方法、装置、电子设备及存储介质。
技术介绍
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。机器学习(ML，machineLearning)是人工智能的一个分支，其目的是让机器根据先验的知识进行学习，从而具有分类和判断的逻辑能力。以神经网络为代表的机器学习模型不断发展，被逐渐应用到图像分类中，从而实现基于图像分类的各种智能化应用。相关技术中，图像分类模型训练所采用的图像样本通过众包技术进行数据标注，同一个任务，通常会分发给多个专家或专业人员进行多次标注，然后选取多位标注者一致的结果，作为该任务的标签，抛弃不一致的标注样本，样本的利用率低。
技术实现思路
本专利技术实施例提供一种图像分类模型的训练方法、基于人工智能的图像分类本文档来自技高网...

【技术保护点】
1.一种图像分类模型的训练方法，其特征在于，所述方法包括：/n构建包括多个携带众包标注结果的图像样本的数据集；所述众包标注结果由多个标注者进行分类结果标注得到；/n获取所述图像分类模型的预测结果与真实分类结果之间的关联关系，所述关联关系指示所述图像分类模型的预测结果相对真实分类结果的可信度；/n基于标注者标注的分类结果、以及所述预测结果与真实分类结果之间的关联关系，构建所述图像分类模型的损失函数；/n基于所述数据集及所述损失函数，训练所述图像分类模型基于输入的待分类图像，预测相应的图像类别的性能。/n

【技术特征摘要】
1.一种图像分类模型的训练方法，其特征在于，所述方法包括：
构建包括多个携带众包标注结果的图像样本的数据集；所述众包标注结果由多个标注者进行分类结果标注得到；
获取所述图像分类模型的预测结果与真实分类结果之间的关联关系，所述关联关系指示所述图像分类模型的预测结果相对真实分类结果的可信度；
基于标注者标注的分类结果、以及所述预测结果与真实分类结果之间的关联关系，构建所述图像分类模型的损失函数；
基于所述数据集及所述损失函数，训练所述图像分类模型基于输入的待分类图像，预测相应的图像类别的性能。


2.如权利要求1所述的方法，其特征在于，所述获取所述图像分类模型的预测结果与真实分类结果之间的关联关系，包括：
获取转移矩阵，所述转移矩阵用于指示由所述图像分类模型的预测结果转移至相应的真实分类结果的概率；
基于所述转移矩阵，构建所述图像分类模型的预测结果与真实分类结果之间的关联关系。


3.如权利要求2所述的方法，其特征在于，所述基于所述转移矩阵，构建所述图像分类模型的预测结果与真实分类结果之间的关联关系，包括：
初始化所述多个标注者中第n个标注者对应的转移矩阵；
确定所述第n个标注者对应的转移矩阵与所述真实分类结果的乘积，将确定的所述乘积作为对应所述第n个标注者的预测结果，以建立所述预测结果与真实分类结果之间的关联关系。


4.如权利要求1所述的方法，其特征在于，所述基于标注者标注的分类结果、以及所述预测结果与真实分类结果之间的关联关系，构建所述图像分类模型的损失函数，包括：
基于图像样本的真实分类结果、所述预测结果与真实分类结果之间的关联关系，确定对应所述图像样本的各个标注者的预测结果；
分别获取各所述预测结果与相应标注者的分类结果之间的差异；
基于各所述预测结果与相应标注者的分类结果之间的差异，构建所述图像分类模型的损失函数。


5.如权利要求1所述的方法，其特征在于，所述基于所述数据集及所述损失函数，训练所述图像分类模型基于输入的待分类图像，预测相应的图像类别的性能，包括：
将所述图像样本输入至所述图像分类模型，得到对应所述图像样本的各个标注者的预测结果；
基于各个所述预测结果、所述图像样本的各个标注者标注的分类结果，确定所述损失函数的值；
基于所述损失函数的值，更新所述图像分类模型的模型参数。


6.如权利要求5所述的方法，其特征在于，所述基于各个所述预测结果、所述图像样本的各个标注者标注的分类结果，确定所述损失函数的值，包括：
分别获取所述图像样本的各个预测结果与相应标注者标注的分类结果之间的差异；
确定所获取的各个差异的差异和，将确定的所述差异和作为所述损失函数的值。


7.如权利要求5所述的方法，其特征在于，所述基于所述损失函数的值，更新所述图像分类模型的模型参数，包括：
当所述损失函数的值超出预设阈值时，基于所述图像分类模型的损失函数确定相应的误差信号；
将所述误差信号在所述图像分类模型中反向传播，并在传播的过程中更新所述图像分类模型的模型参数。


8.如权利要求5所述的方法，其特征在于，所述将...

【专利技术属性】
技术研发人员：陈豪，郑瀚，孙钟前，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44