图像标签分类网络的训练方法、图像标签分类方法及设备技术

本申请公开了一种图像标签分类网络的训练方法、图像标签分类方法、装置、电子设备及可读存储介质。该方法包括：将样本图像输入初始图像标签分类网络，得到初始图像标签分类网络输出的多个样本标签对应的样本标签分类结果；确定第一样本标签的标签分类结果的损失值，作为第一损失值，确定第二样本标签的标签分类结果的损失值，作为第二损失值；根据对应第一损失值的权重对第一损失值进行调整，得到第三损失值，权重是根据第一样本标签对应的样本标签分类结果确定的；根据第二损失值和第三损失值对初始图像标签分类网络进行训练，得到图像标签分类网络。通过本申请的方法得到图像标签分类网络的标签分类准确率较高。类网络的标签分类准确率较高。类网络的标签分类准确率较高。

【技术实现步骤摘要】
图像标签分类网络的训练方法、图像标签分类方法及设备


[0001]本申请涉及信息
，更具体地，涉及一种图像标签分类网络的训练方法、图像标签分类方法、装置、电子设备及可读存储介质。

技术介绍

[0002]多标签分类(Multi
‑
Label Classification)是一种识别图像中的多个物体并设置相应标签的技术，其作为人工智能中计算机视觉领域的基础技术，被广泛应用与目标检测和语义分割等场景。
[0003]标签缺失是指在样本图像包括某一个样本标签对应的对象时，标注人员忘记利用该样本标签对该样本图像进行标记，导致该样本图像变成该样本标签的负样本的现象。
[0004]在多标签对应的图像标签分类网络训练过程中，标签缺失现象不可避免，导致训练获得的图像标签分类网络的分类准确率较低。

技术实现思路

[0005]有鉴于此，本申请实施例提供了一种图像标签分类网络的训练方法、图像标签分类方法、装置、电子设备及可读存储介质。
[0006]第一方面，本申请实施例提供了一种图像标签分类网络的训练方法，方法包括：将样本图像输入初始图像标签分类网络，得到初始图像标签分类网络输出的多个样本标签对应的样本标签分类结果，多个样本标签分为将样本图像作为负样本的第一样本标签和将样本图像作为正样本的第二样本标签；确定第一样本标签的标签分类结果的损失值，作为第一损失值，确定第二样本标签的标签分类结果的损失值，作为第二损失值；根据对应第一损失值的权重对第一损失值进行调整，得到第三损失值，权重是根据第一样本标签对应的样本标签分类结果确定的，权重用于降低标签缺失的负样本对损失值的贡献；根据第二损失值和第三损失值对初始图像标签分类网络进行训练，得到图像标签分类网络。
[0007]第二方面，本申请实施例提供一种图像标签分类方法，方法包括：获取待分类图像；将待分类图像输入至利用上述第一方面的方法获得的训练后的图像标签分类网络中，得到待分类图像的标签分类结果。
[0008]第三方面，本申请实施例提供了一种图像标签分类网络的训练装置，装置包括：样本图像标签分类模块，用于将样本图像输入初始图像标签分类网络，得到初始图像标签分类网络输出的多个样本标签对应的样本标签分类结果，多个样本标签分为将样本图像作为负样本的第一样本标签和将样本图像作为正样本的第二样本标签；损失值确定模块，用于确定第一样本标签的标签分类结果的损失值，作为第一损失值，确定第二样本标签的标签分类结果的损失值，作为第二损失值；损失值调整模块，用于根据对应第一损失值的权重对第一损失值进行调整，得到第三损失值，权重是根据第一样本标签对应的样本标签分类结果确定的，权重用于降低标签缺失的负样本对损失值的贡献；网络训练模块，用于根据第二损失值和第三损失值对初始图像标签分类网络进行训练，得到图像标签分类网络。
[0009]第四方面，本申请实施例提供了一种图像标签分类装置，装置包括：图像获取模块，用于获取待分类图像；图像标签分类模块，用于将待分类图像输入至利用上述第一方面的方法获得的训练后的图像标签分类网络中，得到待分类图像的标签分类结果。
[0010]第五方面，本申请实施例提供了一种电子设备，包括处理器以及存储器；一个或多个程序被存储在存储器中并被配置为由处理器执行以实现上述的方法。
[0011]第六方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有程序代码，其中，在程序代码被处理器运行时执行上述的方法。
[0012]第七方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。
[0013]本申请实施例提供的技术方案可以带来如下有益效果：
[0014]根据对应第一损失值的权重对第一损失值进行调整，得到第三损失值，其中，权重是根据第一样本标签对应的样本标签分类结果确定的，权重用于降低标签缺失的负样本对损失值的贡献，第一损失值为第一样本标签的标签分类结果的损失值，第一样本标签为多个样本标签中将样本图像作为负样本的样本标签。在本申请中，通过第一损失值对应的调整后的第三损失值对初始图像标签分类网络进行训练，有效的将低了初始图像标签分类网络在训练过程中对标签缺失现象的敏感度，从而提高了训练获得的图像标签分类网络的标签分类准确率。
附图说明
[0015]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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1示出了本申请实施例提供的一种图像标签分类网络的训练方法的流程图；
[0017]图2示出了本申请实施例中第三损失值的一种获取方法流程图；
[0018]图3示出了本申请实施例中一种样本图像的预测概率与梯度关系曲线图；
[0019]图4示出了本申请实施例中第二损失值的一种获取方法流程图；
[0020]图5示出了本申请实施例中又一种样本图像的预测概率与梯度关系曲线图；
[0021]图6示出了本申请实施例提供的又一种图像标签分类网络的训练方法的流程图；
[0022]图7示出了本申请实施例提供的一种图像标签分类方法的流程图；
[0023]图8示出了本申请实施例提供的一种图像标签分类网络的训练装置示意图；
[0024]图9示出了本申请实施例提供的一种图像标签分类装置示意图；
[0025]图10示出了本申请实施例提供的一种电子设备的示意图；
[0026]图11示出了本申请一个实施例提供的计算机可读存储介质的示意图。
具体实施方式
[0027]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0028]多标签分类(Multi
‑
Label Classification)是一种识别图像中的多个物体并设置相应标签的技术，其作为人工智能中计算机视觉领域的基础技术，被广泛应用与目标检测和语义分割等场景。其中，一个标签可以是指某一类别的事物，例如人可以算作一个标签，猫可以算作一个标签，狗也可以算作一个标签。
[0029]标签缺失是指在对样本图像进行标记时，样本图像包括某一标签对应的对象，但标注人员对该样本图像进行标记时，该对象被漏标的现象。对于每张图像，理想情况下，标注人员要对每个标签对应的对象是否存在于图像中做一次独立的判断。当标签数量达到成百上千，这几乎是不可能的，因此，样本图像中一定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像标签分类网络的训练方法，其特征在于，所述方法包括：将样本图像输入初始图像标签分类网络，得到所述初始图像标签分类网络输出的多个样本标签对应的样本标签分类结果，所述多个样本标签分为将所述样本图像作为负样本的第一样本标签和将所述样本图像作为正样本的第二样本标签；确定所述第一样本标签的标签分类结果的损失值，作为第一损失值，确定所述第二样本标签的标签分类结果的损失值，作为第二损失值；根据对应所述第一损失值的权重对所述第一损失值进行调整，得到第三损失值，所述权重是根据所述第一样本标签对应的样本标签分类结果确定的，所述权重用于降低标签缺失的负样本对损失值的贡献；根据所述第二损失值和所述第三损失值对所述初始图像标签分类网络进行训练，得到图像标签分类网络。2.如权利要求1所述的方法，其特征在于，所述权重的获取方法，包括：通过归一化函数对所述第一样本标签对应的标签分类结果进行归一化处理，得到对应所述第一样本标签的标签分类结果的标签分类概率；将预设数值与所述标签分类概率的差值作为所述权重。3.如权利要求1所述的方法，其特征在于，所述根据对应所述第一损失值的权重对所述第一损失值进行调整，得到第三损失值，包括：确定所述第一损失值与所述权重的数量积；将所述数量积的相反数作为所述第三损失值。4.如权利要求1所述的方法，其特征在于，所述确定所述第一样本标签的标签分类结果的损失值，作为第一损失值，包括：通过归一化函数对所述第一样本标签对应的标签分类结果进行归一化处理，得到对应所述第一样本标签的标签分类结果的标签分类概率；确定所述标签分类概率的均方误差，将所述均方误差作为所述第一损失值。5.如权利要求1所述的方法，其特征在于，所述确定所述第二样本标签的标签分类结果的损失值，作为第二损失值，包括：根据预设阈值对所述第二样本标签对应的标签分类结果进行预处理，得到预处理标签分类结果；确定对应所述预处理标签分类结果的损失值，将所述预处理标签分类结果的损失值作为所述第二损失值。6.如权利要求5所述的方法，其特征在于，所述确定对应所述预处理标签分类结果的损失值，包括：通过归一化函数对所述预处理标签分类结果进行归一化处理，得到对应所述预处理标签分类结果的预处理标签分类概率；基于所述预处理标签分类概率，得到所述预处理标签分类结果的损失值。7.如权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：马锦玙，张有才，李亚乾，郭彦东，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：