【技术实现步骤摘要】
生成图像分类模型的方法、路侧设备及云控平台
[0001]本公开实施例涉及计算机领域，具体涉及智能交通、深度学习和计算机视觉等人工智能领域，尤其涉及一种生成图像分类模型的方法、路侧设备及云控平台。
技术介绍
[0002]图像分类作为计算机视觉的基本任务之一，已经得到了广泛的研究，并且取得了令人兴奋的成果。但是对于一些要求较高如细粒度分类的任务，这些基础模型仅通过增加预测的类别数目是远远不够的。因此，也诞生了一部分的细分类方法，这些方法有的是借助于检测或者分割等策略得到更加精细的分类特征。
技术实现思路
[0003]本公开实施例提出了一种生成图像分类模型的方法、路侧设备及云控平台。
[0004]第一方面，本公开实施例提出了一种生成图像分类模型的方法，包括：获取目标图像，以及目标图像的第一类别和第二类别，其中，第一类别的级别高于第二类别；确定目标图像的第一类别的预测概率；利用目标图像和第一类别，以及目标图像、第一类别的预测概率和第二类别进行训练，得到图像分类模型。
[0005]第二方面，本公开实施例...
【技术保护点】
【技术特征摘要】
1.一种生成图像分类模型的方法，包括：获取目标图像，以及所述目标图像的第一类别和第二类别，其中，所述第一类别的级别高于所述第二类别；确定所述目标图像的第一类别的预测概率；利用所述目标图像和所述第一类别，以及所述目标图像、所述第一类别的预测概率和所述第二类别进行训练，得到图像分类模型。2.根据权利要求1所述的方法，其中，所述获取目标图像，以及所述目标图像的第一类别和第二类别，包括：获取所述目标图像；获取所述目标图像的第一类别；根据所述目标图像的第一类别和所述目标图像，确定所述目标图像的第二类别。3.根据权利要求2所述的方法，其中，所述根据所述第一类别和所述目标图像，确定所述目标图像的第二类别，包括：根据所述第一类别，从预设的图像库中，获取所述第一类别对应的所有图像；根据所述目标图像，从所述第一类别对应的所有图像中，得到与所述目标图像匹配的图像；将与所述目标图像匹配的图像的第二类别，确定为所述目标图像的第二类别。4.根据权利要求1
‑
3任一项所述的方法，其中，所述图像分类模型包括：第一分类网络层；所述确定所述目标图像的第一类别的预测概率，包括：将所述目标图像输入所述第一分类网络层中，得到所述目标图像的第一类别的预测概率。5.根据权利要求4所述的方法，其中，所述图像分类模型还包括：第二分类网络层；以及所述利用所述目标图像和所述第一类别，以及所述目标图像、所述第一类别的预测概率和所述第二类别进行训练，得到图像分类模型，包括：将所述目标图像作为所述第一分类网络层的输入，将所述第一类别作为所述第一分类网络层的期望输出；以及，将所述目标图像和所述第一类别的类别预测概率作为所述第二分类网络层的输入，将所述第二类别作为所述第二分类网络层的期望输出，训练机器学习模型，得到图像分类模型。6.根据权利要求1
‑
5任一项所述的方法，其中，所述第二类别的类别数为所有第二类别中最大的类别数，其中，所述第一类别包括所有的第二类别。7.根据权利要求1
‑
6任一项所述的方法，其中，所述第一类别为父类类别，第二类别为子类类别。8.一种图像分类方法，包括：获取待分类图像；将所述待分类图像的图像特征输入如权利要求1
‑
7任一项所述的图像分类模型中，得到所述待分类图像对应的第三类别的类别概率和第四类别的类别概率；根据所述第三类别的类别概率和所述第四类别的类别概率，确定所述待分类图像的目标类别。
9.根据权利要求8所述的方法，其中，所述将所述待分类图像的图像特征输入如权利要求1
‑
7任一项所述的图像分类模型中，得到所述待分类图像对应的第三类别的类别概率和第四类别的类别概率，包括：将所述待分类图像的图像特征输入至所述图像分类模型的第一分类网络层中，得到所述待分类图像对应的第三类别的类别概率；将所述第三类别的类别概率和所述待分类图像的图像特征输入所述图像分类模型的第二分类网络层中，得到所述第四类别的类别概率。10.一种生成图像分类模型的装置，包括：图像获取模块，被配置成获取目标图像，以及所述目标图像的第一类别和第二类别，其中，所述第一类别的级别高于所述第二类别；概率确定模块，被配置成确定所述目标图像的第一类别的预测概率；模型训练模块，被配置成利用所述目标图像和所述第一类别，以及所述目标图像、所述第一类别...
【专利技术属性】
技术研发人员：夏春龙，
申请(专利权)人：阿波罗智联北京科技有限公司，
类型：发明
国别省市：
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。