训练分类器的方法、装置、电子设备和计算机可读存储介质制造方法及图纸

本公开公开了一种训练分类器的方法，其特征在于，包括：获取图像集合，所述图像集合中的图像与光线类别信息对应，所述光线类别信息指示与所述光线类别信息对应的图像的光线类别；确定分类器的输出项目，所述输出项目与所述光线类别信息对应；根据所述图像集合和MobileNetV2神经网络训练所述分类器。本公开实施例提供的训练分类器的方法、装置、电子设备和计算机可读存储介质，能够利用MobileNetV2神经网络高效地训练分类器，以识别输入图像的光线类别。

【技术实现步骤摘要】
训练分类器的方法、装置、电子设备和计算机可读存储介质
本公开涉及信息处理领域，尤其涉及一种训练分类器的方法、装置、电子设备及计算机可读存储介质。
技术介绍
随着计算机技术的进步，与图像相关的应用愈发丰富，例如基于卷积神经网络的分类器能够用于对输入图像的识别和/或分类。需要通过训练集合训练基于卷积神经网络的分类器(也称作卷积神经网络分类器)，才能将分类器用于对输入的图像进行识别和/或分类。以识别输入的图像的类别为例，需要以大量的不同类别的图像作为训练集合来训练分类器，一个典型的训练分类器的过程包括对训练集合中的图像进行卷积层的计算、非线性层的计算、和/或池化层的计算，然后经过完全连接层计算出分类结果，可以认为上述卷积层、非线性层、池化层、以及完全连接层构成了卷积神经网络的结构。对于完全连接层计算出的分类结果，还需要将其与指示了图像的类别的标签信息进行比对以构造损失函数，在通过梯度下降等算法根据该损失函数更新训练过程中涉及的权重和偏置等参数之后，再根据更新后的参数重新计算分类结果，如此迭代，当计算出最优的分类结果则意味着分类器训练完成，从而通过该分类器可以识别输入的图像的类别，或者说可以对输入的图像进行分类。但是卷积神经网络的结构往往比较复杂，针对不同的分类任务，现有技术没有教导如何选择合适的卷积神经网络来训练分类器。
技术实现思路
本公开实施例提供训练分类器的方法，装置，电子设备，和计算机可读存储介质，利用MobileNetV2神经网络高效地训练分类器，以识别输入图像的光线类别。r>第一方面，本公开实施例提供一种训练分类器的方法，其特征在于，包括：获取图像集合，所述图像集合中的图像与光线类别信息对应，所述光线类别信息指示与所述光线类别信息对应的图像的光线类别；确定分类器的输出项目，所述输出项目与所述光线类别信息对应；根据所述图像集合和MobileNetV2神经网络训练所述分类器。进一步的，所述MobileNetV2神经网络包括十个Invertedresidualblock结构。进一步的，所述十个Invertedresidualblock结构中的第一个Invertedresidualblock结构中的bottleneck卷积操作所对应的膨胀因子t的值为1。进一步的，所述十个Invertedresidualblock结构中的第一个Invertedresidualblock结构输出的特征向量的维度为16。进一步的，所述十个Invertedresidualblock结构中的第二个到第九个Invertedresidualblock结构中的bottleneck卷积操作所对应的膨胀因子t的值为4。进一步的，所述十个Invertedresidualblock结构中的第二个和第三个Invertedresidualblock结构输出的特征向量的维度为16。进一步的，所述十个Invertedresidualblock结构中的第四个到第六个Invertedresidualblock结构输出的特征向量的维度为32。进一步的，所述十个Invertedresidualblock结构中的第七个和第八个Invertedresidualblock结构输出的特征向量的维度为48。进一步的，所述十个Invertedresidualblock结构中的第九个和第十个Invertedresidualblock结构输出的特征向量的维度为64。第二方面，本公开实施例提供一种训练分类器的装置，其特征在于，包括：图像集合获取模块，用于所述图像集合中的图像与光线类别信息对应，所述光线类别信息指示与所述光线类别信息对应的图像的光线类别；确定模块，用于确定分类器的输出项目，所述输出项目与所述光线类别信息对应；训练模块，用于根据所述图像集合和MobileNetV2神经网络训练所述分类器。进一步的，所述MobileNetV2神经网络包括十个Invertedresidualblock结构。进一步的，所述十个Invertedresidualblock结构中的第一个Invertedresidualblock结构中的bottleneck卷积操作所对应的膨胀因子t的值为1。进一步的，所述十个Invertedresidualblock结构中的第一个Invertedresidualblock结构输出的特征向量的维度为16。进一步的，所述十个Invertedresidualblock结构中的第二个到第九个Invertedresidualblock结构中的bottleneck卷积操作所对应的膨胀因子t的值为4。进一步的，所述十个Invertedresidualblock结构中的第二个和第三个Invertedresidualblock结构输出的特征向量的维度为16。进一步的，所述十个Invertedresidualblock结构中的第四个到第六个Invertedresidualblock结构输出的特征向量的维度为32。进一步的，所述十个Invertedresidualblock结构中的第七个和第八个Invertedresidualblock结构输出的特征向量的维度为48。进一步的，所述十个Invertedresidualblock结构中的第九个和第十个Invertedresidualblock结构输出的特征向量的维度为64。第三方面，本公开实施例提供一种电子设备，包括：存储器，用于存储计算机可读指令；以及与所述存储器耦合的一个或多个处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现前述第一方面中的任一所述训练分类器的方法。第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行前述第一方面中的任一所述训练分类器的方法。本公开公开了一种训练分类器的方法、装置、电子设备和计算机可读存储介质。其中所述训练分类器的方法，其特征在于，包括：获取图像集合，所述图像集合中的图像与光线类别信息对应，所述光线类别信息指示与所述光线类别信息对应的图像的光线类别；确定分类器的输出项目，所述输出项目与所述光线类别信息对应；根据所述图像集合和MobileNetV2神经网络训练所述分类器。本公开实施例提供的训练分类器的方法、装置、电子设备和计算机可读存储介质，能够利用MobileNetV2神经网络高效地训练分类器，以识别输入图像的光线类别。上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。附图说明为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普本文档来自技高网...

【技术保护点】
1.一种训练分类器的方法，其特征在于，包括：/n获取图像集合，所述图像集合中的图像与光线类别信息对应，所述光线类别信息指示与所述光线类别信息对应的图像的光线类别；/n确定分类器的输出项目，所述输出项目与所述光线类别信息对应；/n根据所述图像集合和MobileNetV2神经网络训练所述分类器。/n

【技术特征摘要】
1.一种训练分类器的方法，其特征在于，包括：
获取图像集合，所述图像集合中的图像与光线类别信息对应，所述光线类别信息指示与所述光线类别信息对应的图像的光线类别；
确定分类器的输出项目，所述输出项目与所述光线类别信息对应；
根据所述图像集合和MobileNetV2神经网络训练所述分类器。


2.根据权利要求1所述的训练分类器的方法，其特征在于，所述MobileNetV2神经网络包括十个Invertedresidualblock结构。


3.根据权利要求2所述的训练分类器的方法，其特征在于，所述十个Invertedresidualblock结构中的第一个Invertedresidualblock结构中的bottleneck卷积操作所对应的膨胀因子t的值为1。


4.根据权利要求3中任一权利要求所述的训练分类器的方法，其特征在于，所述十个Invertedresidualblock结构中的第一个Invertedresidualblock结构输出的特征向量的维度为16。


5.根据权利要求2-4中任一所述的训练分类器的方法，其特征在于，所述十个Invertedresidualblock结构中的第二个到第九个Invertedresidualblock结构中的bottleneck卷积操作所对应的膨胀因子t的值为4。


6.根据权利要求5所述的训练分类器的方法，其特征在于，所述十个Invertedresidualblock结构中的第二个和第三个Invertedresidualblock结构输出的特征向量的维度为16...

【专利技术属性】
技术研发人员：王诗吟，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11