图像分类模型训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像分类模型训练方法、装置、计算机设备和存储介质，通过获取样本图像数据集，以及待训练的初始模型的备份模型；将样本图像数据集中的数据划分为多个训练批次数据，并分别将各个训练批次数据输入待训练的初始模型进行训练，得到通过各个训练批次数据训练后的初始模型；将训练后的初始模型与备份模型进行融合，得到目标平滑模型；多个训练批次数据还用于对目标平滑模型进行再次训练；目标平滑模型用于对图像进行分类。本申请通过融合实现了图像分类模型训练过程中的平滑处理，基于目标平滑模型进行训练并重复融合步骤，使得模型在训练中能够保持对于旧图像分类任务的识别准确率，提高了图像分类模型的训练效率和准确率。

【技术实现步骤摘要】
图像分类模型训练方法、装置、计算机设备和存储介质
本申请涉及人工智能
，特别是涉及一种图像分类模型训练方法、装置、计算机设备和存储介质。
技术介绍
增量学习是一种让模型能够持续从新图像样本中学习新的图像特征知识，同时不忘记已经学习过的图像特征知识的机器学习方法，该方法面对的主要问题是由于缺少旧类别数据，模型通常趋向于拟合新类别的数据，导致对于旧类别的图像分类准确率呈现出断崖式下降。因此还需要一种能够提高模型训练能够对就旧知识保留程度的图像分类模型训练方法。
技术实现思路
基于此，有必要针对上述技术问题，提供一种图像分类模型训练方法、装置、计算机设备和存储介质。一种图像分类模型训练方法，所述方法包括：获取样本图像数据集，以及待训练的初始模型的备份模型；将所述样本图像数据集中的数据划分为多个训练批次数据，并分别将各个所述训练批次数据输入所述待训练的初始模型进行训练，得到通过各个所述训练批次数据训练后的初始模型；将所述训练后的初始模型与所述备份模型进行融合，得到目标平滑模型；所述多个训本文档来自技高网...

【技术保护点】
1.一种图像分类模型训练方法，其特征在于，所述方法包括：/n获取样本图像数据集，以及待训练的初始模型的备份模型；/n将所述样本图像数据集中的数据划分为多个训练批次数据，并分别将各个所述训练批次数据输入所述待训练的初始模型进行训练，得到通过各个所述训练批次数据训练后的初始模型；/n将所述训练后的初始模型与所述备份模型进行融合，得到目标平滑模型；所述多个训练批次数据还用于对所述目标平滑模型进行再次训练；所述目标平滑模型用于对图像进行分类。/n

【技术特征摘要】
1.一种图像分类模型训练方法，其特征在于，所述方法包括：
获取样本图像数据集，以及待训练的初始模型的备份模型；
将所述样本图像数据集中的数据划分为多个训练批次数据，并分别将各个所述训练批次数据输入所述待训练的初始模型进行训练，得到通过各个所述训练批次数据训练后的初始模型；
将所述训练后的初始模型与所述备份模型进行融合，得到目标平滑模型；所述多个训练批次数据还用于对所述目标平滑模型进行再次训练；所述目标平滑模型用于对图像进行分类。


2.根据权利要求1所述的方法，其特征在于，所述备份模型通过以下方式获取，包括：
对所述初始模型进行复制处理，得到与所述初始模型一致的模型，并将与所述初始模型一致的模型作为所述备份模型。


3.根据权利要求1所述的方法，其特征在于，所述将训练后的初始模型与所述备份模型进行融合，得到目标平滑模型，包括：
获取预设的融合参数；
根据所述预设的融合参数，确定与所述训练后的初始模型对应的第一融合权值，以及与所述备份模型对应的第二融合权值；
按照所述第一融合权值以及第二融合权值，将所述训练后的初始模型与所述备份模型进行融合，得到所述目标平滑模型。


4.根据权利要求1所述的方法，其特征在于，所述按照所述第一融合权值以及第二融合权值，将所述训练后的初始模型与所述备份模型进行融合，得到所述目标平滑模型，包括：
获取所述训练后的初始模型对应的第一模型参数，以及获取所述备份模型对应的第二模型参数；
根据所述第一融合权值与所述第一模型参数，确定出与所述训练后的初始模型对应的第一目标参数；
根据所述第二融合权值与所述第二模型参数，确定出与所述备份模型对应的第二目标参数；
根据所述第一目标参数与所述第二目标参数，生成所述目标平滑模型。


5.根据权利要求1所述的方法，其特征在于，在得到目标平滑模型之后，还包括：
获取预先构建的准确率评价函...

【专利技术属性】
技术研发人员：黄仕嘉，刘枢，贾佳亚，沈小勇，吕江波，
申请(专利权)人：深圳思谋信息科技有限公司，上海思谋科技有限公司，
类型：发明
国别省市：广东;44