图像分类模型训练方法、图像分类方法及相关装置制造方法及图纸

本发明专利技术的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N

【技术实现步骤摘要】
图像分类模型训练方法、图像分类方法及相关装置


[0001]本专利技术涉及图像处理领域，具体而言，涉及一种图像分类模型训练方法、图像分类方法及相关装置。

技术介绍

[0002]随着人工智能技术的发展，调用图像分类模型预测图像的类型的应用场景越来越多，在调用图像分类模型对图像的类型进行预测之前那，需要对图像分类模型进行训练。
[0003]为了提高模型的准确率，现有技术通常是将原始图像数据拓展数倍后，再输入卷积神经网络网络中进行训练，但由于在卷积神经网络中，卷积运算耗时较长，导致模型训练过程将产生数倍于原始训练开销的额外开销。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，其能够减少模型训练过程产生的额外开销。
[0005]本专利技术的实施例可以这样实现：
[0006]第一方面，本专利技术提供一种图像分类模型训练方法，所述方法包括：
[0007]获取原始图像及所述原始图像的类型标签；
[0008]将所述原始图像输入预先构建的图像分类模型，所述图像分类模型包括特征提取网络和类型预测网络，所述特征提取网络包括N个依次串联的卷积层；
[0009]利用所述特征提取网络对所述原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N
‑
1个卷积层输出的第二特征图；
[0010]基于所述第一特征图、所述类型标签和预设的多个二值掩码，生成第一训练集；
[0011]基于所述第二特征图、所述类型标签和所述多个二值掩码，生成第二训练集；
[0012]利用所述第一训练集和所述第二训练集对所述类型预测网络进行训练，得到训练后的图像分类模型。
[0013]在可选的实施方式中，所述基于所述第一特征图、所述类型标签和预设的多个二值掩码，生成第一训练集的步骤包括：
[0014]利用所述多个二值掩码处理所述第一特征图，得到多个第一训练样本，所述多个第一训练样本和所述多个二值掩码一一对应；
[0015]根据所述多个二值掩码和所述类型标签，生成每个所述第一训练样本的标签，得到第一训练集，其中，所述第一训练集包括多个第一训练样本和每个所述第一训练样本的标签。
[0016]在可选的实施方式中，每个所述二值掩码的边长与所述第一特征图的边长相同，每个所述二值掩码包括全1区域和/或全0区域；
[0017]所述利用所述多个二值掩码处理所述第一特征图，得到多个第一训练样本的步骤包括：
[0018]针对所述多个二值掩码中的任意一个目标二值掩码，保留所述第一特征图中与所述目标二值掩码的全1区域重合的区域，并抹除所述第一特征图中与所述目标二值掩码的全0区域重合的区域，得到所述目标二值掩码对应的第一训练样本；
[0019]遍历每个所述二值掩码，得到每个所述二值掩码对应的第一训练样本。
[0020]在可选的实施方式中，所述根据所述多个二值掩码和所述类型标签，生成每个所述第一训练样本的标签的步骤包括：
[0021]将每个所述第一训练样本对应的所述二值掩码的标识均与所述类型标签进行关联，得到每个所述第一训练样本的标签。
[0022]在可选的实施方式中，所述基于所述第二特征图、所述类型标签和所述多个二值掩码，生成第二训练集的步骤包括：
[0023]利用所述多个二值掩码处理所述第二特征图，得到多个第二训练样本，所述多个第二训练样本和所述多个二值掩码一一对应；
[0024]根据所述多个二值掩码和所述类型标签，生成每个所述第二训练样本的标签，得到第二训练集，其中，所述第二训练集包括多个第二训练样本和每个所述第二训练样本的标签。
[0025]在可选的实施方式中，所述利用所述第一训练集和所述第二训练集对所述类型预测网络进行训练，得到训练后的图像分类模型的步骤包括：
[0026]利用所述第一训练集训练所述类型预测网络，得到第一类型预测网络；
[0027]利用所述第二训练集训练所述类型预测网络，得到第二类型预测网络；
[0028]对所述第一类型预测网络的参数和所述第二类型预测网络的参数进行蒸馏，得到所述类型预测网络的参数，以完成对所述图像分类模型的训练。
[0029]第二方面，本专利技术提供一种图像分类方法，所述方法包括：
[0030]获取待分类图像；
[0031]将所述待分类图像输入利用前述实施方式任一项所述的图像分类模型训练方法得到的图像分类模型，预测所述待分类图像的类型。
[0032]第三方面，本专利技术提供一种图像分类模型训练装置，所述装置包括：
[0033]第一获取单元，用于获取原始图像及所述原始图像的类型标签；
[0034]处理单元，用于：
[0035]将所述原始图像输入预先构建的图像分类模型，所述图像分类模型包括特征提取网络和类型预测网络，所述特征提取网络包括N个依次串联的卷积层；
[0036]利用所述特征提取网络对所述原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N
‑
1个卷积层输出的第二特征图；
[0037]基于所述第一特征图、所述类型标签和预设的多个二值掩码，生成第一训练集；
[0038]基于所述第二特征图、所述类型标签和所述多个二值掩码，生成第二训练集；
[0039]训练单元，用于利用所述第一训练集和所述第二训练集对所述类型预测网络进行训练，得到训练后的图像分类模型。
[0040]第四方面，本专利技术提供一种图像分类装置，所述装置包括：
[0041]第二获取单元，用于获取待分类图像；
[0042]预测单元，用于将所述待分类图像输入利用前述实施方式任一项所述的图像分类
模型训练方法得到的图像分类模型，预测所述待分类图像的类型。
[0043]第五方面，本专利技术提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如前述实施方式任一项所述的图像分类模型训练方法，和/或，前述实施方式所述的图像分类方法。
[0044]相较于现有技术，本专利技术实施例提供的图像分类模型训练方法、图像分类方法及相关装置，首先，获取原始图像及原始图像的类型标签；然后，将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N
‑
1个卷积层输出的第二特征图；接着，基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型。由于本专利技术实施例基于第N个所述卷积层输出的第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第N
‑
1个卷积本文档来自技高网...

【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，所述方法包括：获取原始图像及所述原始图像的类型标签；将所述原始图像输入预先构建的图像分类模型，所述图像分类模型包括特征提取网络和类型预测网络，所述特征提取网络包括N个依次串联的卷积层；利用所述特征提取网络对所述原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N
‑
1个卷积层输出的第二特征图；基于所述第一特征图、所述类型标签和预设的多个二值掩码，生成第一训练集；基于所述第二特征图、所述类型标签和所述多个二值掩码，生成第二训练集；利用所述第一训练集和所述第二训练集对所述类型预测网络进行训练，得到训练后的图像分类模型。2.如权利要求1所述的方法，其特征在于，所述基于所述第一特征图、所述类型标签和预设的多个二值掩码，生成第一训练集的步骤包括：利用所述多个二值掩码处理所述第一特征图，得到多个第一训练样本，所述多个第一训练样本和所述多个二值掩码一一对应；根据所述多个二值掩码和所述类型标签，生成每个所述第一训练样本的标签，得到第一训练集，其中，所述第一训练集包括多个第一训练样本和每个所述第一训练样本的标签。3.如权利要求2所述的方法，其特征在于，每个所述二值掩码的边长与所述第一特征图的边长相同，每个所述二值掩码包括全1区域和/或全0区域；所述利用所述多个二值掩码处理所述第一特征图，得到多个第一训练样本的步骤包括：针对所述多个二值掩码中的任意一个目标二值掩码，保留所述第一特征图中与所述目标二值掩码的全1区域重合的区域，并抹除所述第一特征图中与所述目标二值掩码的全0区域重合的区域，得到所述目标二值掩码对应的第一训练样本；遍历每个所述二值掩码，得到每个所述二值掩码对应的第一训练样本。4.如权利要求2所述的方法，其特征在于，所述根据所述多个二值掩码和所述类型标签，生成每个所述第一训练样本的标签的步骤包括：将每个所述第一训练样本对应的所述二值掩码的标识均与所述类型标签进行关联，得到每个所述第一训练样本的标签。5.如权利要求1所述的方法，其特征在于，所述基于所述第二特征图、所述类型标签和所述多个二值掩码，生成第二训练集的步骤包括：利用所述多个二值掩码处理所述第二特征图，得到多个第二训练样本，所述多个第二训练样本和所述多个二值掩...

【专利技术属性】
技术研发人员：邓佳丽，丁子霖，刘明，龚海刚，王晓敏，刘明辉，程旋，解天舒，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：