【技术实现步骤摘要】
分类模型训练和图像特征提取方法及装置
[0001]本申请涉及图像
，尤其涉及一种分类模型训练和图像特征提取方法及装置。
技术介绍
[0002]随着图像处理技术的快速发展，图像特征提取技术越发成熟，图像特征数据被广泛应用于各种图像处理任务中，如三维地图重建、目标检测和类型识别等。图像特征提取是图像处理任务中的重要环节之一，有效特征数据是图像处理任务成功的关键。
[0003]目前提取图像中的有效特征数据时，不对图像进行分类，而是直接通过深度学习模型从图像中提取特征数据。当图像数据集覆盖的数据类型较广泛时，该深度学习模型只能提取到特定类型图像中的有效特征数据。而其余图像的特征数据并不能准确表达图像中的信息，影响特征数据的提取结果，降低图像处理任务的成功率。因此直接通过深度学习模型进行特征提取的方案不适用于复杂场景图像的特征提取。
技术实现思路
[0004]本申请提供一种分类模型训练和图像特征提取方法及装置，解决了现有技术不适用于提取复杂场景图像的特征的问题，提高特征提取方法的适用性，高效提取各种复杂场...
【技术保护点】
【技术特征摘要】
1.一种分类模型训练方法，其特征在于，包括：依次获取最新的训练样本集合，通过每次获取到的训练样本集合中的样本图像训练出对应的第一特征提取模型；根据每次训练出的第一特征提取模型输出的对应样本图像的描述值，从当前训练样本集合中筛选出目标样本集合并对所述训练样本集合进行更新，确定每次筛选出的目标样本集合对应的目标特征提取模型，所述目标特征提取模型为第一特征提取模型或第二特征提取模型，所述第二特征提取模型由所述目标样本集合训练得到；基于多次训练得到的目标特征提取模型和对应的目标样本集合，训练得到数据分类模型。2.根据权利要求1所述的分类模型训练方法，其特征在于，所述依次获取最新的训练样本集合，通过每次获取到的训练样本集合中的样本图像训练出对应的第一特征提取模型，包括：通过当前训练样本集合中的样本图像对预设的第一神经网络模型进行训练，得到当前第一特征提取模型。3.根据权利要求1所述的分类模型训练方法，其特征在于，所述根据每次训练出的第一特征提取模型输出的对应样本图像的描述值，从当前训练样本集合中筛选出目标样本集合并对所述训练样本集合进行更新，包括：将当前训练样本集合中的每一样本图像输入当前第一特征提取模型，得到当前第一特征提取模型输出的对应样本图像的描述值；根据所述描述值从当前训练样本集合中筛选出当前目标样本集合，并将当前训练样本集合剩余的样本图像更新为下一次训练的训练样本集合，所述目标样本集合中的样本图像的描述值大于剩余的样本图像的描述值。4.根据权利要求3所述的分类模型训练方法，其特征在于，所述根据所述描述值从当前训练样本集合中筛选出当前目标样本集合，并将当前训练样本集合剩余的样本图像更新为下一次训练的训练样本集合，包括：根据当前训练样本集合中每一所述样本图像的描述值，计算当前训练样本集合的描述平均值；将描述值大于所述描述平均值的样本图像划分至当前目标样本集合，将描述值小于或等于所述描述平均值的样本图像划分至下一次训练的训练样本集合。5.根据权利要求1
‑
4任一所述的分类模型训练方法，其特征在于，所述确定每次筛选出的目标样本集合对应的目标特征提取模型，包括：将当前第一特征提取模型设置为当前筛选出的目标样本集合对应的目标特征提取模型。6.根据权利要求1
‑
4任一所述的分类模型训练方法，其特征在于，所述确定每次筛选出的目标样本集合对应的目标特征提取模型，包括：通过当前筛选出的目标样本集合对预设的第一神经网络模型进行训练，得到当前第二特征提取模型，并将当前第二特征提取模型设置为当前筛选出的目标样本集合对应的目标特征提取模型。7.根据权利要求1
‑
4任一所述的分类模型训练方法，其特征在于，所述基于多次训练得
到的目标特征提取模型和对应的目标样本集合，训练得到数据分类模型，包括：将所述样本图像所属的目标样本集合作为对应样本图像的标签信息；将所述样本图像输入预设的第二神经网络模型，得到所述第二神经网络模型输出的对应样本图像的分类结果；根据所述样本图像对应的分类结果和标签信息，调整所述第二神经网络模型的参数，得到所述数据分类模型。8.一种图像特征提取方法，其特征在于，包括：获取待提取特征的图像数据，将所述图像数据输入预设的数据分类模型中，得到所...
【专利技术属性】
技术研发人员：李亚桢，杨若楠，翁立宇，
申请(专利权)人：广州极飞科技股份有限公司，
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。