【技术实现步骤摘要】
基于图像检测的细粒度分类模型处理方法、及其相关设备
本申请涉及人工智能
，尤其涉及一种基于图像检测的细粒度分类模型处理方法、装置、计算机设备及存储介质。
技术介绍
随着计算机技术的发展，计算机视觉的研究与应用也越来越广泛，其中，细粒度图像分类就是计算机视觉中的热门话题。细粒度图像分类的目标是检索和识别出一个大类下不同子类的图像，涉及人工智能中的图像检测。传统的细粒度图像分类技术中，为了提升分类的准确度，通常需要准备大规模的图像数据集，由人工对图像数据集中的图像进行标注后才能进行训练与应用，费时费力，导致细粒度图像分类的处理效率较低。
技术实现思路
本申请实施例的目的在于提出一种基于图像检测的细粒度分类模型处理方法、装置、计算机设备及存储介质，以解决细粒度图像分类处理效率较低的问题。为了解决上述技术问题，本申请实施例提供一种基于图像检测的细粒度分类模型处理方法，采用了如下所述的技术方案：基于接收到的关键词，通过搜索引擎构建图像数据集；将所述图像数据集随机分组为若干组训练...
【技术保护点】
1.一种基于图像检测的细粒度分类模型处理方法，其特征在于，包括下述步骤：/n基于接收到的关键词，通过搜索引擎构建图像数据集；/n将所述图像数据集随机分组为若干组训练集；/n将所述若干组训练集输入细粒度分类初始模型，得到所述若干组训练集中各图像的注意力加权向量；/n对所述注意力加权向量进行池化，分别生成所述若干组训练集所对应的训练实例；/n将得到的训练实例输入所述细粒度分类初始模型的分类器，以计算模型损失；/n根据所述模型损失调整所述细粒度分类初始模型的模型参数，得到细粒度分类模型。/n
【技术特征摘要】
1.一种基于图像检测的细粒度分类模型处理方法，其特征在于，包括下述步骤：
基于接收到的关键词，通过搜索引擎构建图像数据集；
将所述图像数据集随机分组为若干组训练集；
将所述若干组训练集输入细粒度分类初始模型，得到所述若干组训练集中各图像的注意力加权向量；
对所述注意力加权向量进行池化，分别生成所述若干组训练集所对应的训练实例；
将得到的训练实例输入所述细粒度分类初始模型的分类器，以计算模型损失；
根据所述模型损失调整所述细粒度分类初始模型的模型参数，得到细粒度分类模型。
2.根据权利要求1所述的基于图像检测的细粒度分类模型处理方法，其特征在于，所述基于接收到的关键词，通过搜索引擎构建图像数据集的步骤包括：
接收终端发送的关键词；
将所述关键词发送至搜索引擎，以指示所述搜索引擎从互联网中根据所述关键词进行图像搜索；
基于搜索到的图像构建图像数据集。
3.根据权利要求1所述的基于图像检测的细粒度分类模型处理方法，其特征在于，所述将所述若干组训练集输入细粒度分类初始模型，得到所述若干组训练集中各图像的注意力加权向量的步骤包括：
分别将所述若干组训练集中的各图像输入细粒度分类初始模型的卷积层，得到所述各图像中各图像区域的卷积特征向量；
通过注意力检测器计算所述卷积特征向量的正则化注意力分数；其中，所述正则化注意力分数用于表征图像区域与所述关键词的关联程度；
将所述正则化注意力分数与所述卷积特征向量对应相乘，得到所述各图像的注意力加权向量。
4.根据权利要求3所述的基于图像检测的细粒度分类模型处理方法，其特征在于，所述分别将所述若干组训练集中的各图像输入细粒度分类初始模型的卷积层，得到所述各图像中各图像区域的卷积特征向量的步骤包括：
将所述若干组训练集输入细粒度分类初始模型的卷积层；
获取所述卷积层的末层卷积层输出的卷积特征图；
将所述卷积特征图中各图像区域所对应的向量设置为卷积特征向量。
5.根据权利要求3所述的基于图像检测的细粒度分类模型处理方法，其特征在于，所述将得到的训练实例输入所述细粒度分类初始模型的分类器，以计算模型损失的步骤包括：
将得到的训练实例输入分类器以计算分类器损失；<...
【专利技术属性】
技术研发人员：林春伟，刘莉红，刘玉宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
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。