一种图像分类模型的优化方法及装置制造方法及图纸

本申请适用于图像处理技术领域，提供了一种图像分类模型的优化方法及装置。该方法包括：获取新增图像集，所述新增图像中的新增图像为目标监控区域中监控图像，所述监控图像被标记有图像类别；利用所述新增图像集和图像分类模型的历史图像集对所述图像分类模型进行N轮训练；其中，所述N轮中的第i轮训练过程包括：从所述历史图像集中的第一剩余图像中选择M个历史图像，M与所述新增图像集中的新增图像个数P满足预设比例，所述第一剩余图像为在本轮训练之前未被选中的历史图像；利用所述M个历史图像和所述新增图像集对所述图像分类模型进行迭代训练；其中，P、N、M以及i均为大于1的整数。

【技术实现步骤摘要】
一种图像分类模型的优化方法及装置
本申请属于图像处理
，尤其涉及一种图像分类模型的优化方法及装置。
技术介绍
针对已经完成训练的图像分类模型来讲，当应用于不同的场景时，图像分类模型的效果可能不同。在有的场景中，图像分类模型的准确率较低。因此，为了提高图像分类模型在不同场景下的准确率，往往会利用新场景的新增图像，对图像分类模型进行优化。一种常见的优化方式未基于增量学习方法实现对图像分类模型的优化。然而，现有增量学习方法往往是在图像分类模型的历史图像中，按照与新增图像的比例，选择一部分历史图像。然后基于选择的历史图像和新增图像对图像分类模型进行训练。这导致没有被选中的历史图像可能被遗忘，出现模型偏移(该图像分类模型在历史图像集上的性能下降)问题。
技术实现思路
本申请实施例提供了一种图像分类模型的优化方法及装置，可以解决现有技术中，利用增量学习方法对图像分类模型进行优化的过程中造成的模型偏移的问题。第一方面，本申请提供一种图像分类模型的优化方法，包括：获取新增图像集，所述新增图像中的新增图像为目标监控区域中监控图像，所述监控图像被标记有图像类别；利用所述新增图像集和图像分类模型的历史图像集对所述图像分类模型进行N轮训练；其中，所述N轮中的第i轮训练过程包括：从所述历史图像集中的第一剩余图像中选择M个历史图像，M与所述新增图像集中的新增图像个数P满足预设比例，所述第一剩余图像为在本轮训练之前未被选中的历史图像；利用所述M个历史图像和所述新增图像集对所述图像分类模型进行迭代训练；其中，P、N、M以及i均为大于1的整数。采用本申请提供的图像分类模型的优化方法，在对图像分类模型进行训练时，在每轮一训练过程中，都从历史图像集中进行一次图像采集。且每一次采集的图像都不一样。因此，相比于现有的增量学习方法，采用本申请中能够使得图像分类模型学习到更多的历史图像，从而降低图像分类模型在优化的过程中，出现模型偏移的可能性。第二方面，本申请提供一种图像分类模型的优化装置，包括：获取单元，用于获取新增图像集，所述新增图像中的新增图像为目标监控区域中监控图像，所述监控图像被标记有图像类别；训练单元，用于利用所述新增图像集和图像分类模型的历史图像集对所述图像分类模型进行N轮训练；其中，所述N轮中的第i轮训练过程包括：从所述历史图像集中的第一剩余图像中选择M个历史图像，M与所述新增图像集中的新增图像个数满足预设比例，所述第一剩余图像为在本轮训练之前未被选中的历史图像；利用所述M个历史图像和所述新增图像集对所述图像分类模型进行迭代训练；其中，N、M以及i均为大于1的整数。第三方面，本专利技术实施例提供一种终端设备，包括处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面或者第一方面的任一可选方式所述的图像分类模型的优化方法。第四方面，本专利技术实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如第一方面或者第一方面的任一可选方式所述的图像分类模型的优化方法。第五方面，本专利技术实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面或者第一方面的任一可选方式所述的图像分类模型的优化方法。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种图像分类模型的优化方法的一个实施例的流程图；图2为本申请提供的一种数据采集的示意图；图3为本专利技术实施例提供的另一种图像分类模型的优化方法的一个实施例的流程图；图4是本申请提供的一种图像分类模型的优化装置的结构示意图；图5是本申请提供的一种终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。本申请实施例提供一种目标网络的优化方法，基于本申请提供的新的增量学习法，能够在保证图像分类模型不发生偏移的情况下，实现对目标网络的优化。下面结合具体实施例，对本申请提供的一种图像分类模型的优化方法进行示例性的说明。参见图1，为本专利技术实施例提供的一种图像分类模型的优化方法的一个实施例的流程图。主要描述了基于本申请提供的新的增量学习方法对图像分类模型进行优化的过程。本实施例中的图像分类模型的优化方法执行主体为终端设备。参见图1，本申请提供的图像分类模型的优化方法包括：S101，获取新增图像集，所述新增图像中的新增图像为目标监控区域中监控图像，所述监控图像被标记有图像类别。其中，新增图像集中的新增图像可以是终端设备在目标监控区域中收集到的监控图像。例如，目标监控区域可以是商场、公园、办公楼等，新增图像可以是在该监控区域内收集到的监控图像，且每个监控图像均被标记(即标记监控图像的类别)。S102，利用所述新增图像集和待优化的图像分类模型的历史图像集对所述图像分类模型进行N轮(即epoch＝N)训练。其中，所述N轮中的第i轮训练过程包括：从所述历史图像集中的第一剩余图像中选择M个历史图像，M与所述新增图像集中的新增图像个数P满足预设比例，所述第一剩余图像为在本轮训练之前未被选中的历史图像；利用所述M个历史图像和所述新增图像集本文档来自技高网...

【技术保护点】
1.一种图像分类模型的优化方法，其特征在于，包括：/n获取新增图像集，所述新增图像中的新增图像为目标监控区域中监控图像，所述监控图像被标记有图像类别；/n利用所述新增图像集和待优化的图像分类模型的历史图像集对所述图像分类模型进行N轮训练；其中，所述N轮中的第i轮训练过程包括：/n从所述历史图像集中的第一剩余图像中选择M个历史图像，M与所述新增图像集中的新增图像个数P满足预设比例，所述第一剩余图像为在本轮训练之前未被选中的历史图像；/n利用所述M个历史图像和所述新增图像集对所述图像分类模型进行迭代训练；其中，P、N、M以及i均为大于1的整数。/n

【技术特征摘要】
1.一种图像分类模型的优化方法，其特征在于，包括：
获取新增图像集，所述新增图像中的新增图像为目标监控区域中监控图像，所述监控图像被标记有图像类别；
利用所述新增图像集和待优化的图像分类模型的历史图像集对所述图像分类模型进行N轮训练；其中，所述N轮中的第i轮训练过程包括：
从所述历史图像集中的第一剩余图像中选择M个历史图像，M与所述新增图像集中的新增图像个数P满足预设比例，所述第一剩余图像为在本轮训练之前未被选中的历史图像；
利用所述M个历史图像和所述新增图像集对所述图像分类模型进行迭代训练；其中，P、N、M以及i均为大于1的整数。


2.根据权利要求1所述的方法，其特征在于，所述利用所述新增图像集和图像分类模型的历史图像集对所述图像分类模型进行N轮训练之前，所述方法还包括：
对所述新增图像集和所述历史图像集中的图像排列顺序进行随机调整。


3.根据权利要求2所述的方法，其特征在于，所述从所述历史图像集中的第一剩余图像中选择M个历史图像，包括：
按照所述第一剩余图像在所述历史图像集中的图像排列顺序选择M个历史图像。


4.根据权利要求1所述的方法，其特征在于，所述利用所述M个历史图像和所述新增图像集对所述图像分类模型进行迭代训练，包括：
利用所述M个历史图像和所述新增图像集对所述图像分类模型进行K次迭代训练；其中，所述K次中的第j次训练过程包括：
从所述M个历史图像中的第二剩余图像中选择M/K个历史图像，所述第二剩余图像为在本次训练之前未被选中的历史图像，K以及j均为大于1的整数；
从所述新增图像集中按照顺序选择P/K个新增图像；
利用所述M/K个历史图像和所述P/K个新增图像对所述图像分类模型进行训练。


5.根据权利要求4所述的方...

【专利技术属性】
技术研发人员：邢玲，杨天宝，
申请(专利权)人：深圳云天励飞技术有限公司，
类型：发明
国别省市：广东;44