分类模型训练方法、图像分类方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种分类模型训练方法、图像分类方法、装置、设备及介质，所述分类模型训练方法包括：获取样本图像、所述样本图像的形状标记以及所述样本图像的类别标记；基于所述样本图像、所述样本图像的形状标记以及所述样本图像的类别标记生成训练样本数据；使用所述训练样本数据对预先构建的图像分类模型进行训练，得到训练好的图像分类模型。本发明专利技术实施例提供的分类模型训练方法通过将样本形状标记作为图像分类模型的训练特征之一，避免了分类模型训练过程中的过拟合，提高了图像分类的准确率。分类的准确率。分类的准确率。

【技术实现步骤摘要】
分类模型训练方法、图像分类方法、装置、设备及介质


[0001]本专利技术实施例涉及图像处理领域，尤其涉及一种分类模型训练方法、图像分类方法、装置、设备及介质。

技术介绍

[0002]目前，基于图像识别的新型无人售卖柜已经逐渐成为零售业的主流发展方向。与传统的自动售货机不同，新型无人售卖柜能够让顾客打开柜门后如同在超市一样自助选取商品，关门智能结算，使用更为便捷。新型无人售卖柜通过摄像头捕捉顾客购买过程的图像，通过检测、分类等图像识别方法识别顾客拿取商品，进而推算出用户的购买清单，用于在用户关门后智能结算。
[0003]其中，分类方法用于判断顾客购买商品的类别，是新型无人售货柜的核心技术。目前，图像分类方法的主流方式是基于卷积神经网络，通过训练一个深度网络模型来实现分类的目的。现有的深度网络模型主要包括多个特征提取层，提取出图像特征后，根据图像的特征向量得到图像中商品所属类别。
[0004]在实现本专利技术的过程中，专利技术人发现现有技术中至少存在以下技术问题：通过相同的特征提取模块对所有的商品进行特征提取，容易使训练出的网络模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类模型训练方法，其特征在于，包括：获取样本图像、所述样本图像的形状标记以及所述样本图像的类别标记；基于所述样本图像、所述样本图像的形状标记以及所述样本图像的类别标记生成训练样本数据；使用所述训练样本数据对预先构建的图像分类模型进行训练，得到训练好的图像分类模型。2.根据权利要求1所述的方法，其特征在于，所述预先构建的图像分类模型包括：初步分类模块、注意力模块和目标分类模块；其中，所述初步分类模块，用于提取初步图像特征，并根据提取的初步图像特征输出初步分类结果；所述注意力模块，用于对所述初步分类模块提取的所述初步图像特征进行加权变换，并输出注意力矩阵数据；所述目标分类模块，用于根据所述注意力模块输出的所述注意力矩阵数据和所述初步分类模块提取的所述初步图像特征得到目标图像特征，并根据所述目标图像特征输出目标分类结果。3.根据权利要求2所述的方法，其特征在于，所述初步分类模块包括顺次连接的第一特征提取网络、第二特征提取网络和第一分类模块，所述目标分类模块包括顺次连接的特征融合层、第三特征提取网络和第二分类模块，所述第一特征提取网络和所述第二特征提取网络与所述注意力模块相连；所述第一特征提取网络和所述注意力模块与所述特征融合层相连；所述第一特征提取网络，用于提取第一图像特征；所述第二特征提取网络，用于从所述第一图像特征中提取第二图像特征；所述注意力模块，用于对所述一图像特征和所述第二图像特征进行加权变换，输出所述注意力矩阵数据；所述第一分类模块，用于根据所述第二图像特征输出初步分类结果；所述特征融合层，用于根据所述注意力矩阵数据对所述第一图像特征进行变化，得到第三图像特征；所述第三特征提取网络，用于从所述第三图像特征中提取所述目标图像特征；所述第二分类模块，用于根据所述目标图像特征输出所述目标分类结果。4.根据权利要求2或3所述的方法，其特征在于，所述使用所述训练样本数据对预先构建的图像分类模型进行训练，得到训练好的图像分类模型，包括：获取所述初步分类模块输出的初步分类结果以及所述目标分类模块输出的目标分类结果；根据所述初步分类结果、所述形状标记、所述目标分类结果以及所述类别标记确定目标损失值，以所述目标损失值达到收敛条件为目标，对所述图...

【专利技术属性】
技术研发人员：林金表，刘伟峰，刘旭，徐卓然，
申请(专利权)人：北京京东乾石科技有限公司，
类型：发明
国别省市：