一种分类模型确定方法和相关装置制造方法及图纸

本申请公开了一种分类模型确定方法和相关装置，可应用于人工智能领域以及金融领域，从源领域获取已完成训练的已训练分类模型，并结合全连接层构建初始分类模型。获取目标领域的图像训练样本，其包括目标领域的图像和所属类别的分类标签；将图像训练样本输入初始分类模型的所述已训练分类模型，通过添加在已训练分类模型输出端的全连接层得到图像特征对应的预测分类结果；基于所述分类标签和所述预测分类结果的差异，对所述初始分类模型中的所述全连接层进行参数调整，得到用于所述目标领域的图像分类模型。在收敛好的已训练分类模型的基础上进行全连接层的训练，解决了目标领域中训练样本数量少的劣势，且训练耗时少，有效的提升了分类的准确率。提升了分类的准确率。提升了分类的准确率。

【技术实现步骤摘要】
一种分类模型确定方法和相关装置


[0001]本申请涉及数据处理领域，特别是涉及一种分类模型确定方法和相关装置。

技术介绍

[0002]在当今的金融领域，图像识别技术正广泛地应用于各个行业中，如银行系统的人脸识别的领域、寿险、车险行业中的多种资质证明/表单/票据的精准识别。
[0003]然而，金融领域由于所能搜集到图像数据并不多，尤其是可供于开发用的数据是很少的。且金融行业更多的时候是需要模型更加轻量化，以供于模型能够部署到移动端中使用，给业务人员提供方便。
[0004]因此，在金融领域里，由于样本的数量少以及业务人员使用不便，导致图像识别技术在金融领域发展受到了一定的限制。这也成为金融领域的人工智能体系急需解决的一个难题。

技术实现思路

[0005]为了解决上述技术问题，本申请提供了一种分类模型确定方法和相关装置，解决了目标领域的训练样本数量少的劣势，有效的提升了分类的准确率。
[0006]本申请实施例公开了如下技术方案：
[0007]一方面，本申请实施例提供了一种分类模型确定方法，所述方法包括：
[0008]根据全连接层和源领域对应的已训练分类模型，构建初始分类模型；
[0009]获取目标领域的图像训练样本，所述图像训练样本包括所述目标领域的图像和用于标识所述图像所属类别的分类标签；
[0010]将所述图像训练样本输入所述初始分类模型的所述已训练分类模型，通过添加在所述已训练分类模型输出端的全连接层得到所述图像特征对应的预测分类结果；
[0011]基于所述分类标签和所述预测分类结果的差异，对所述初始分类模型中的所述全连接层进行参数调整，得到用于所述目标领域的图像分类模型。
[0012]可选的，所述对所述初始分类模型中的所述全连接层进行参数调整，包括：
[0013]在对所述初始分类模型中的所述全连接层进行参数调整的过程中，固定所述初始分类模型中的所述已训练分类模型的模型参数。
[0014]可选的，所述方法还包括：
[0015]获取所述目标领域的待识别图像；
[0016]通过所述图像分类模型，确定所述待识别图像的分类结果。
[0017]可选的，所述方法还包括：
[0018]对所述图像分类模型进行轻量化处理；
[0019]将轻量化处理后的所述图像分类模型部署在Jetson Nano端的计算机设备中。
[0020]可选的，所述目标领域为金融领域，所述图像训练样本包括的图像为面部图像、资质证明、表单或票据中的至少一种。
[0021]另一方面，本申请实施例提供了一种分类模型确定装置，所述装置包括构建单元、获取单元、输入单元和训练单元：
[0022]所述构建单元，用于根据全连接层和源领域对应的已训练分类模型，构建初始分类模型；
[0023]所述获取单元，用于获取目标领域的图像训练样本，所述图像训练样本包括所述目标领域的图像和用于标识所述图像所属类别的分类标签；
[0024]所述输入单元，用于将所述图像训练样本输入所述初始分类模型的所述已训练分类模型，通过添加在所述已训练分类模型输出端的全连接层得到所述图像特征对应的预测分类结果；
[0025]所述训练单元，用于基于所述分类标签和所述预测分类结果的差异，对所述初始分类模型中的所述全连接层进行参数调整，得到用于所述目标领域的图像分类模型。
[0026]可选的，所述训练单元还用于：
[0027]在对所述初始分类模型中的所述全连接层进行参数调整的过程中，固定所述初始分类模型中的所述已训练分类模型的模型参数。
[0028]可选的，所述获取单元还用于：
[0029]获取所述目标领域的待识别图像；
[0030]通过所述图像分类模型，确定所述待识别图像的分类结果。
[0031]可选的，所述装置还包括轻量化单元，用于：
[0032]对所述图像分类模型进行轻量化处理；
[0033]将轻量化处理后的所述图像分类模型部署在Jetson Nano端的计算机设备中。
[0034]可选的，所述目标领域为金融领域，所述图像训练样本包括的图像为面部图像、资质证明、表单或票据中的至少一种。
[0035]由上述技术方案可以看出，为了快速准确的为目标领域构建图像分类模型，可以从源领域获取已完成训练的已训练分类模型，并结合全连接层构建初始分类模型。获取目标领域的图像训练样本，所述图像训练样本包括所述目标领域的图像和用于标识所述图像所属类别的分类标签；将所述图像训练样本输入所述初始分类模型的所述已训练分类模型，通过添加在所述已训练分类模型输出端的全连接层得到所述图像特征对应的预测分类结果；基于所述分类标签和所述预测分类结果的差异，对所述初始分类模型中的所述全连接层进行参数调整，得到用于所述目标领域的图像分类模型。在收敛好的已训练分类模型的基础上进行全连接层的训练，解决了目标领域中训练样本数量少的劣势，且训练耗时少，有效的提升了分类的准确率。
附图说明
[0036]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，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。
[0037]图1为本申请实施例提供的一种分类模型确定方法的方法流程图；
[0038]图2为本申请实施例提供的一种分类模型确定装置的装置结构图。
具体实施方式
[0039]下面结合附图，对本申请的实施例进行描述。
[0040]在当今的金融领域，图像识别技术正广泛地应用于各个行业中，如银行系统的人脸识别的领域、寿险、车险行业中的多种资质证明/表单/票据的精准识别。然而，金融领域由于所能搜集到图像数据并不多，尤其是可供于开发用的数据是很少的。且金融行业更多的时候是需要模型更加轻量化，以供于模型能够部署到移动端中使用，给业务人员提供方便。
[0041]然而，在金融行业里，图像识别技术大多因受限于图像样本的缺少，因此，在训练模型时，不仅在处理图像处理时费时费力，而且模型在最终的分类效果上并不是很好。同时，由于训练好的模型在加载时需要大量的计算资源，因此，难以将模型很好的部署在移动端，业务人员在使用模型时，并不是很方便。
[0042]因此，在金融领域里，由于样本的数量少以及业务人员使用不便，导致图像识别技术在金融领域发展受到了一定的限制。这也成为金融领域的人工智能体系急需解决的一个难题。
[0043]本申请提出一种基于迁移学习的实时识别图像的方法，该系统基于一个经过足够多的自然图像预训练好的且收敛效果好的已训练分类模型，再针对特定的场景去训练模型，以此来更好的实现图像分类效果。而且得到的图像分类模型最终可以部署到Jetson Nano端，实现了图像实时识别的功能，从而更加方便了业务人员的使用。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型确定方法，其特征在于，所述方法包括：根据全连接层和源领域对应的已训练分类模型，构建初始分类模型；获取目标领域的图像训练样本，所述图像训练样本包括所述目标领域的图像和用于标识所述图像所属类别的分类标签；将所述图像训练样本输入所述初始分类模型的所述已训练分类模型，通过添加在所述已训练分类模型输出端的全连接层得到所述图像特征对应的预测分类结果；基于所述分类标签和所述预测分类结果的差异，对所述初始分类模型中的所述全连接层进行参数调整，得到用于所述目标领域的图像分类模型。2.根据权利要求1所述的方法，其特征在于，所述对所述初始分类模型中的所述全连接层进行参数调整，包括：在对所述初始分类模型中的所述全连接层进行参数调整的过程中，固定所述初始分类模型中的所述已训练分类模型的模型参数。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标领域的待识别图像；通过所述图像分类模型，确定所述待识别图像的分类结果。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述图像分类模型进行轻量化处理；将轻量化处理后的所述图像分类模型部署在Jetson Nano端的计算机设备中。5.根据权利要求1
‑
4任意一项所述的方法，其特征在于，所述目标领域为金融领域，所述图像训练样本包括的图像为面部图像、资质证明、表单或票据中的至少一种。6.一种分类模型确定装置，其特征在于，所述装置包括构建单元、...

【专利技术属性】
技术研发人员：徐梓丞，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：