图像处理模型的训练方法、图像分类方法及装置制造方法及图纸

本申请公开了一种图像处理模型的训练方法、图像分类方法及装置，该训练方法通过对多张原始图像进行裁剪，可以有效扩充训练样本的数量，确保训练得到的图像处理模型的效果较好。并且，用于训练图像处理模型的每个正样本对中的两个训练样本的类别相同，而负样本对中的两个训练样本的类别不同。由此，可以确保训练得到的图像处理模型能够较好的学习到不同类别的图像的特征，进而进一步改善了图像处理模型的效果。模型的效果。模型的效果。

【技术实现步骤摘要】
图像处理模型的训练方法、图像分类方法及装置


[0001]本申请涉及机器学习领域，特别涉及一种图像处理模型的训练方法、图像分类方法及装置。

技术介绍

[0002]在机器学习领域，可以采用大量训练样本对图像处理模型进行训练，以确保训练得到的图像处理模型的性能较好。例如，对于图像分类模型，需要获取大量不同类别的图像作为训练样本，以对图像分类模型进行训练。
[0003]但是，由于某些场景下能够的训练样本的数量有限(例如某些类别的图像的数量有限)，导致训练得到的图像处理模型的效果较差。

技术实现思路

[0004]本申请提供了一种图像处理模型的训练方法、图像分类方法及装置，可以解决相关技术中图像处理模型训练效果较差的问题。所述技术方案如下：
[0005]一方面，提供了一种图像处理模型的训练方法，所述方法包括：
[0006]获取多个原始图像集，每个所述原始图像集包括多张相同类别的原始图像，且不同所述原始图像集包括的原始图像的类别不同；
[0007]对所述多个原始图像集中的多张原始图像进行裁剪，得到训练样本集，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理模型的训练方法，其特征在于，所述方法包括：获取多个原始图像集，每个所述原始图像集包括多张相同类别的原始图像，且不同所述原始图像集包括的原始图像的类别不同；对所述多个原始图像集中的多张原始图像进行裁剪，得到训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本为一张原始图像，或者对一张原始图像进行裁剪得到的子图像；从所述训练样本集中确定多个正样本对和多个负样本对，其中每个所述正样本对包括基于同一个原始图像集中的不同原始图像得到的两个训练样本，每个所述负样本对包括基于不同原始图像集中的原始图像得到的两个训练样本；采用所述多个正样本对和多个负样本对训练图像处理模型。2.根据权利要求1所述的方法，其特征在于，所述对所述多个原始图像集中的多张原始图像样本进行裁剪，包括：对于所述多个原始图像集中用于裁剪的每一张原始图像，随机生成位于目标尺寸范围内的一个裁剪尺寸；基于所述原始图像的尺寸和所述裁剪尺寸确定裁剪区域的参考点；基于所述裁剪尺寸和所述参考点在所述原始图像中确定所述裁剪区域，并对所述裁剪区域进行裁剪。3.根据权利要求2所述的方法，其特征在于，所述目标尺寸范围包括宽度范围和高度范围，所述裁剪尺寸包括位于所述宽度范围内的宽度，以及位于所述高度范围内的高度；所述裁剪区域为矩形区域，所述裁剪区域的参考点为所述矩形区域的一个顶点，或所述矩形区域的中心点。4.根据权利要求1至3任一所述的方法，其特征在于，从所述训练样本集中确定多个正样本对，包括：从所述训练样本集中确定多个备选样本对，每个所述备选样本对均包括基于同一个原始图像集中的不同原始图像得到的两个训练样本；确定每个所述备选样本对的相似度；将相似度大于相似度阈值的所述备选样本对确定为正样本对。5.根据权利要求4所述的方法，其特征在于，所述确定每个所述备选样本对的相似度，包括：采用卷积神经网络提取每个所述备选样本对中的每个训练样本的特征向量；对于每个所述备选样本对，采用相似度度量算法处理所述备选样本对中的两个训练样本的特征向量，得到所述备选样本对的相似度。6.根据权利要求1至3任一所述的方法，其特征在于，从所述训练样本集中确定多个负样本对，包括：从所述训练样本集中确定数量与所述多个正样本对的数量相同的多个负样本对。7.根据权利要求1至3任一所述的方法，其特征在于，所述采用所述多个正样本对和多个负样本对训练图像处理模型，包括：将每个所述正样本对的真值均标记为1，并将每个所述负样本对的真值均标记为0；采用标记后的所述多个正样本对，以及标记后的所述多个负样本对训练图像处理模
型。8.一种图像分类方法，其特征在于，所述方法包括：获取待分...

【专利技术属性】
技术研发人员：刘童，上官泽钰，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：