【技术实现步骤摘要】
骨干网络的训练方法以及图像分类方法
[0001]本公开涉及人工智能
,具体涉及深度学习和计算机视觉技术,尤其涉及骨干网络的训练方法以及图像分类方法。
技术介绍
[0002]近几年,图像分类问题是机器视觉领域中的研究热点,深度卷积神经网络的发展极大推动了图像分类技术的进步。由于深度卷积神经网络庞大的参数量以及训练数据量的不足,会导致深度卷积神经网络泛化能力较差。
技术实现思路
[0003]本公开提供了一种骨干网络的训练方法以及图像分类方法。
[0004]根据本公开的第一方面,提供了一种骨干网络的训练方法,包括:获取训练图像集;利用初始骨干网络提取训练图像集中各个训练图像的特征;分别计算训练图像的特征与该训练图像对应的类别代理向量之间的对比损失值;基于对比损失值反向更新初始骨干网络的参数,得到更新后的骨干网络。
[0005]根据本公开的第二方面,提供了一种图像分类方法,包括:获取待分类图像;利用预先训练的骨干网络提取待分类图像的特征,其中,骨干网络采用如第一方面中任一实现方式描述的方法训练得到;计算特征与每个类别代理向量之间的余弦相似度值;基于余弦相似度值确定待分类图像的类别信息。
[0006]根据本公开的第三方面,提供了一种骨干网络的训练装置,包括:第一获取模块,被配置成获取训练图像集;第一提取模块,被配置成利用初始骨干网络提取训练图像集中各个训练图像的特征;第一计算模块,被配置成分别计算训练图像的特征与该训练图像对应的类别代理向量之间的对比损失值;更新模块,被配置成基于对 ...
【技术保护点】
【技术特征摘要】
1.一种骨干网络的训练方法,包括:获取训练图像集;利用初始骨干网络提取所述训练图像集中各个训练图像的特征;分别计算所述训练图像的特征与该训练图像对应的类别代理向量之间的对比损失值;基于所述对比损失值反向更新初始骨干网络的参数,得到更新后的骨干网络。2.根据权利要求1所述的方法,还包括:基于所述各个训练图像的类别信息,得到类别信息集合;对于所述类别信息集合中的每个类别信息,采用随机初始化的方式为所述类别信息生成对应的类别代理向量;以及所述分别计算所述训练图像的特征与该训练图像对应的类别代理向量之间的对比损失值,包括:确定所述训练图像的类别信息对应的类别代理向量;计算所述特征与所述类别代理向量之间的对比损失值。3.根据权利要求2所述的方法,其中,所述采用随机初始化的方式为所述类别信息生成对应的类别代理向量,包括:将随机初始化的正态分布向量作为所述类别信息对应的类别代理向量。4.根据权利要求2所述的方法,其中,所述计算所述特征与所述类别代理向量之间的对比损失值,包括:采用交叉熵损失函数计算所述特征与所述类别代理向量之间的对比损失值。5.一种图像分类方法,包括:获取待分类图像;利用预先训练的骨干网络提取所述待分类图像的特征;计算所述特征与每个类别代理向量之间的余弦相似度值;基于所述余弦相似度值确定所述待分类图像的类别信息。6.根据权利要求5所述的方法,其中,所述骨干网络通过以下步骤训练得到:获取训练图像集;利用初始骨干网络提取所述训练图像集中各个训练图像的特征;分别计算所述训练图像的特征与该训练图像对应的类别代理向量之间的对比损失值;基于所述对比损失值反向更新初始骨干网络的参数,得到更新后的骨干网络。7.根据权利要求6所述的方法,还包括:基于所述各个训练图像的类别信息,得到类别信息集合;对于所述类别信息集合中的每个类别信息,采用随机初始化的方式为所述类别信息生成对应的类别代理向量;以及所述分别计算所述训练图像的特征与该训练图像对应的类别代理向量之间的对比损失值,包括:确定所述训练图像的类别信息对应的类别代理向量;计算所述特征与所述类别代理向量之间的对比损失值。8.根据权利要求7所述的方法,其中,所述采用随机初始化的方式为所述类别信息生成对应的类别代理向量,包括:
将随机初始化的正态分布向量作为所述类别信息对应的类别代理向量。9.根据权利要求7所述的方法,其中,所述计算所述特征与所述类别代理向量之间的对比损失值,包括:采用交叉熵损失函数计算所述特征与所述类别代理向量之间的对比损失值。10.一种骨干网络的训练装置,包括:第一获取模块,被配置成获取训练图像集;第一提取模块,被配置成利用初始骨干网络提取所述训练图像集中各个训练图像的特征;第一计算模块,被配置成分别计算所述训练图像的特征与该训练图像对应的类别代理向量之间的对比损失值;更新模块,被配置成基于所述对比损失值反向更新初始骨干网络的参数,得到更新后的骨干网络。11.根据权利要求10所述的装置,还包括:第一生成模块,被配置成...
【专利技术属性】
技术研发人员:周文硕,杨大陆,杨叶辉,王晓荣,王磊,
申请(专利权)人:北京百度网讯科技有限公司,
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。