模型训练方法、装置、存储介质及电子设备制造方法及图纸

本申请涉及图像聚类技术领域，提供一种模型训练方法、装置、存储介质及电子设备。其中，模型训练方法包括：获取训练图像并将其输入至编码器，获得编码器输出的特征向量的分布参数；根据特征向量的分布参数确定训练图像的类别；从训练图像的类别的分布中采样获得采样向量；将采样向量输入至解码器，获得解码器输出的重构图像；将训练图像以及重构图像分别输入至判别器，获得判别器输出的判别结果；重复获取训练图像至获得判别结果的步骤，以训练包括编码器、解码器以及判别器在内的图像聚类模型。该方法通过设置判别器并对模型进行对抗训练，使得编码器能够有效提取图像特征，因此后续利用训练好的编码器执行图像聚类任务能够取得较好的效果。

【技术实现步骤摘要】
模型训练方法、装置、存储介质及电子设备
本专利技术涉及图像聚类
，具体而言，涉及一种模型训练方法、装置、存储介质及电子设备。
技术介绍
将对象的集合划分为由类似的对象组成的多个类别的过程被称为聚类。目前的无监督聚类方法主要利用已经提取出对象的特征进行聚类，但对于一些非结构化的数据，例如图像，并不容易提取出较好的特征，导致聚类的效果较差。
技术实现思路
本申请实施例的目的在于提供一种模型训练方法、装置、存储介质及电子设备，以改善上述技术问题。为实现上述目的，本申请提供如下技术方案：第一方面，本申请实施例提供一种模型训练方法，包括：获取训练图像并将所述训练图像输入至编码器，获得所述编码器输出的特征向量的分布参数；根据所述特征向量的分布参数确定所述训练图像的类别；从所述训练图像的类别的分布中采样获得采样向量；将所述采样向量输入至解码器，获得所述解码器输出的重构图像；将所述训练图像以及所述重构图像分别输入至判别器，获得所述判别器输出的判别结果，所述判别结果包括输入图像的真实性以及类别同一性；重复获取训练图像至获本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，包括：/n获取训练图像并将所述训练图像输入至编码器，获得所述编码器输出的特征向量的分布参数；/n根据所述特征向量的分布参数确定所述训练图像的类别；/n从所述训练图像的类别的分布中采样获得采样向量；/n将所述采样向量输入至解码器，获得所述解码器输出的重构图像；/n将所述训练图像以及所述重构图像分别输入至判别器，获得所述判别器输出的判别结果，所述判别结果包括输入图像的真实性以及类别同一性；/n重复获取训练图像至获得判别结果的步骤，以训练包括所述编码器、所述解码器以及所述判别器在内的图像聚类模型；其中，训练的方式为对抗训练，训练的目标包括根据所述判别器输出的所述判别...

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
获取训练图像并将所述训练图像输入至编码器，获得所述编码器输出的特征向量的分布参数；
根据所述特征向量的分布参数确定所述训练图像的类别；
从所述训练图像的类别的分布中采样获得采样向量；
将所述采样向量输入至解码器，获得所述解码器输出的重构图像；
将所述训练图像以及所述重构图像分别输入至判别器，获得所述判别器输出的判别结果，所述判别结果包括输入图像的真实性以及类别同一性；
重复获取训练图像至获得判别结果的步骤，以训练包括所述编码器、所述解码器以及所述判别器在内的图像聚类模型；其中，训练的方式为对抗训练，训练的目标包括根据所述判别器输出的所述判别结果无法区分所述训练图像和所述重构图像的真实性以及类别。


2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述特征向量的分布参数确定所述训练图像的类别，包括：
根据所述特征向量的分布参数计算所述特征向量的分布与每个已有类别的分布之间的距离；
将计算得到的距离最小的已有类别确定为所述训练图像的类别；
利用所述特征向量的分布参数更新所述已有类别的分布。


3.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述特征向量的分布参数确定所述训练图像的类别，包括：
根据所述特征向量的分布参数计算所述特征向量的分布与每个已有类别的分布之间的距离；
判断计算得到的距离中是否存在小于预设阈值的距离；
若存在小于所述预设阈值的距离，则将小于所述预设阈值的距离中的最小值对应的已有类别确定为所述训练图像的类别，并利用所述特征向量的分布参数更新所述已有类别的分布；
若不存在小于所述预设阈值的距离，则为所述训练图像分配一个新类别，并根据所述特征向量的分布参数确定所述新类别的分布。


4.根据权利要求2或3所述的模型训练方法，其特征在于，所述根据所述特征向量的分布参数计算所述特征向量的分布与每个已有类别的分布之间的距离，包括：
计算所述特征向量的分布参数与每个已有类别...

【专利技术属性】
技术研发人员：张发恩，宋亮，
申请(专利权)人：创新奇智重庆科技有限公司，
类型：发明
国别省市：重庆;50