【技术实现步骤摘要】
图像分类模型训练方法、装置、电子设备及计算机可读存储介质
本公开涉及人工智能
，尤其涉及图像分类模型训练方法、装置、电子设备及计算机可读存储介质。
技术介绍
近来，深度学习在图像识别、语音识别、自然语言处理等相关领域得到了广泛应用。卷积神经网络(CNN)作为深度学习的一个重要分支，由于其超强的拟合能力以及端到端的全局优化能力，使得图像分类任务在应用卷积神经网络之后，预测精度大幅提升。但在相关技术中，虽然目前的图像分类模型对图像具有一定的分类能力，但是仍然会出现大量分类错误的情况。
技术实现思路
本公开提供一种图像分类模型训练方法、装置、电子设备及计算机可读存储介质，以解决上述至少一个技术问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种图像分类模型训练方法，用于图像分类，所述方法包括：选取预设数目的图像样本，形成训练数据集，其中，每个所述图像样本对应一个分类标签以及一个图像语义特征；将所述训练数据集中的图像样本输入预设的图像分类模型中，得到所述图...
【技术保护点】
1.一种图像分类模型训练方法，其特征在于，用于图像分类，所述方法包括：/n选取预设数目的图像样本，形成训练数据集，其中，每个所述图像样本对应一个分类标签以及一个图像语义特征；/n将所述训练数据集中的图像样本输入预设的图像分类模型中，得到所述图像分类模型输出的所述训练数据集中各图像样本的分类结果；/n以最小化联合损失函数为目标，调整所述图像分类模型的模型参数；/n其中，所述联合损失函数基于第一损失函数、第二损失函数和对应的损失函数加权因子确定，所述第一损失函数用于计算所述分类标签与所述图像分类模型输出的所述训练数据集中各图像样本对应的分类结果之间的损失，所述第二损失函数用于计...
【技术特征摘要】
1.一种图像分类模型训练方法，其特征在于，用于图像分类，所述方法包括：
选取预设数目的图像样本，形成训练数据集，其中，每个所述图像样本对应一个分类标签以及一个图像语义特征；
将所述训练数据集中的图像样本输入预设的图像分类模型中，得到所述图像分类模型输出的所述训练数据集中各图像样本的分类结果；
以最小化联合损失函数为目标，调整所述图像分类模型的模型参数；
其中，所述联合损失函数基于第一损失函数、第二损失函数和对应的损失函数加权因子确定，所述第一损失函数用于计算所述分类标签与所述图像分类模型输出的所述训练数据集中各图像样本对应的分类结果之间的损失，所述第二损失函数用于计算所述图像语义特征与所述图像分类模型输出的所述训练数据集中各图像样本对应的分类结果之间的图像语义特征损失。
2.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述联合损失函数losstotal为：
losstotal＝losssoftmax+λlosscenter
其中，losssoftmax表示第一损失函数，losscenter为第二损失函数，λ为加权因子，
3.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述第二损失函数losscenter为：
其中，#Batch为训练数据集，B为训练数据集中的图像样本的数量，k＝1,2,3,…,B，featurek为所述图像分类模型输出的所述训练数据集中的第k个图像样本对应的分类结果，center_featureck为所述训练数据集中的第k个图像样本对应的图像语义特征。
4.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述模型参数包括中心语义特征，所述以最小化联合损失函数为目标，调整所述图像分类模型的模型参数的步骤，包括：
在所述联合损失函数的损失值未满足最小化需求时，基于所述图像分类模型输出的所述训练数据集中各图像样本对应的分类结果，对所述图像分类模型中的中心语义特征进行更新；
基于更新后的中心语义特征再次执行所述将所述训练数据集中的图像样本输入图像分类模型中，得到所述图像分类模型输出的所述训练数据集中各图像样本的分类结果的步骤，直到基于所述图像分类模型输出的当前分类结果，计算得到的联合损失函数的损失值满足所述最小化需求。
5.根据权利要求4所述的图像分类模型训练方法，其特征在于，所述更新后的中心语义特征center_featurei为：
其中，表示第i个图像样本对应的更新前的中心语义特征，为训练数据集，featurek表示所述训练数据集中的第k...
【专利技术属性】
技术研发人员：张志伟，李铅，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。