图像分类模型的训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像分类模型的训练方法、装置、计算机设备和存储介质。所述方法包括：获取训练图像和所述训练图像对应的标签；将所述训练图像输入图像分类模型的分类网络，得到所述训练图像对应各类别的第一概率；获取各类别的目标表征权重向量，根据所述各类别的目标表征权重向量确定所述各类别之间的关联概率；根据所述训练图像对应的标签、所述第一概率和所述各类别之间的关联概率构建目标损失函数；基于所述目标损失函数对所述图像分类模型进行训练，当满足预设条件时停止训练，得到训练好的图像分类模型。采用本方法能够使图像分类模型在训练过程中学习到类别之间的关联性，基于类别之间的关联提高图像分类模型的分类准确性。

【技术实现步骤摘要】
图像分类模型的训练方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种图像分类模型的训练方法、装置、计算机设备和存储介质。
技术介绍
随着计算机技术的发展，出现了对图像的分类技术，通过图像分类技术能够快速识别图像所属的类别，从而将相同类别的图像归类。传统的图像分类方法一般是通过模型识别图像，直接输出该图像对应的类别。但对于图像的多分类问题，基于图像内容的属性、特征的丰富性和复杂性等导致图像分类的时候容易存在模棱两可的情况，造成图像分类不准确。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够准确识别图像类别的图像分类模型的训练方法、装置、计算机设备和存储介质。一种图像分类模型的训练方法，所述方法包括：获取训练图像和所述训练图像对应的标签；将所述训练图像输入图像分类模型的分类网络，得到所述训练图像对应各类别的第一概率；获取各类别的目标表征权重向量，根据所述各类别的目标表征权重向量确定所述各类别之间的关联概率；根据所述训练图像对应的标签、所述第一概率和所述各本文档来自技高网...

【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获取训练图像和所述训练图像对应的标签；/n将所述训练图像输入图像分类模型的分类网络，得到所述训练图像对应各类别的第一概率；/n获取各类别的目标表征权重向量，根据所述各类别的目标表征权重向量确定所述各类别之间的关联概率；/n根据所述训练图像对应的标签、所述第一概率和所述各类别之间的关联概率构建目标损失函数；/n基于所述目标损失函数对所述图像分类模型进行训练，当满足预设条件时停止训练，得到训练好的图像分类模型。/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：
获取训练图像和所述训练图像对应的标签；
将所述训练图像输入图像分类模型的分类网络，得到所述训练图像对应各类别的第一概率；
获取各类别的目标表征权重向量，根据所述各类别的目标表征权重向量确定所述各类别之间的关联概率；
根据所述训练图像对应的标签、所述第一概率和所述各类别之间的关联概率构建目标损失函数；
基于所述目标损失函数对所述图像分类模型进行训练，当满足预设条件时停止训练，得到训练好的图像分类模型。


2.根据权利要求1所述的方法，其特征在于，所述根据所述训练图像对应的标签、所述第一概率和所述各类别之间的关联概率构建目标损失函数，包括：
根据所述训练图像对应的标签和所述第一概率构建第一损失函数；
根据所述第一概率和所述各类别之间的关联概率构建第二损失函数；
根据所述第一损失函数和所述第二损失函数构建目标损失函数。


3.根据权利要求1或2所述的方法，其特征在于，所述根据所述各类别的目标表征权重向量确定所述各类别之间的关联概率，包括：
确定所述各类别的目标表征权重向量相互之间的目标距离；
根据所述目标距离确定所述各类别之间的关联概率。


4.根据权利要求3所述的方法，其特征在于，所述根据所述目标距离确定所述各类别之间的关联概率，包括：
将所述各类别的目标表征权重向量相互之间的目标距离进行归一化处理，得到所述各类别之间的关联概率。


5.根据权利要求1所述的方法，其特征在于，所述获取各类别的目标表征权重向量，包括：
将所述训练图像输入图像分类模型的特征嵌入网络，得到所述训练图像对应的表征向量；
获取各类别的初始表征权重向量，确定所述训练图像对应的表征向量和所述各类别的初始表征权重向量之间的初始距离；
根据所述初始距离确定所述训练图像对应各类别的第二概率；
根据所述训练图像对应的标签和所述第二概率构建第三损失函数；
通过所述第三损失函数训练图像分类模型的特征嵌入网络，满足训练停止条件时得到各类别对应的目标表征权重向量。


6.根据权利要求5所述的方法，其特征在于，所述将所述训练图像输入图像分类模型的特征嵌入网络，得到所述训练图像对应的表征向量，包括：
通过所述图像分类模型的分类网络将所述训练图像转化为对应的第一特征向量；
基于所述图像分类模型中特征嵌入网络的初始权重对所述第一特征向量进行处理，得到所述训练图像对应的表征向量。


7.根据权利要求6所述的方法，其特征在于，所述通过所述图像分类模型的分类网络将所述训练图像转化为对应的第一特征向量，包括：
获取所述图像分类模型的分类网络中的特征提取层的第一权重；
通过所述特征提取层的第一权重对所述训练图像进行特征提取，得到所述训练图像对应的第一特征向量。


8.根据权利要求7所述的方法，其特征在于，所述获取所述图像分类模型的分类网络中的特征提取层的第一权重，包括：
根据所述训练图像对应的标签和所述第一概率构建第一损失函数；
基于所述第一损失函数对所述图像分类模型的分类网络进行训练，满足训练停止条件时停止训练，得到特征提取层对应的第一权重，所述特征提取层对应的第一权重为训练好的分类网络中的权重参数。

【专利技术属性】
技术研发人员：魏东，郑冶枫，
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