骨干网络的训练方法以及图像分类方法技术

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，涉及人工智能技术领域，具体涉及深度学习和计算机视觉技术。该方法包括：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。本公开提供的骨干网络的训练方法降低了过拟合风险，提升了骨干网络的训练效率和骨干网络的精度。提升了骨干网络的训练效率和骨干网络的精度。提升了骨干网络的训练效率和骨干网络的精度。

【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。
[0007]根据本公开的第四方面，提供了一种图像分类装置，包括：第二获取模块，被配置成获取待分类图像；第二提取模块，被配置成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；第二计算模块，被配置成计算特征与每个类别代理向量之间的余弦相似度值；确定模块，被配置成基于余弦相似度值确定待分类图像的类别信息。
[0008]根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面中任一实现方式描述的方法。
[0009]根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
[0010]根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程
序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1是本公开可以应用于其中的示例性系统架构图；
[0014]图2是根据本公开的骨干网络的训练方法的一个实施例的流程图；
[0015]图3是根据本公开的骨干网络的训练方法的另一个实施例的流程图；
[0016]图4是根据本公开的骨干网络的训练方法的又一个实施例的流程图；
[0017]图5是100个向量两两之间的余弦相似度的分布图；
[0018]图6是根据本公开的图像分类方法的一个实施例的流程图；
[0019]图7是根据本公开的骨干网络的训练装置的一个实施例的结构示意图；
[0020]图8是根据本公开的图像分类装置的一个实施例的结构示意图；
[0021]图9是用来实现本公开实施例的骨干网络的训练方法、图像分类方法的电子设备的框图。
具体实施方式
[0022]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0023]需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
[0024]图1示出了可以应用本公开的骨干网络的训练方法或骨干网络的训练装置的实施例的示例性系统架构100。
[0025]如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0026]用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
[0027]终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0028]服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的训练图像集进行分析和处理，并生成处理结果(例如更新后的骨干网络)。
[0029]需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为
软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0030]需要说明的是，本公开实施例所提供的骨干网络的训练方法、图像分类方法一般由服务器105执行，相应地，骨干网络的训练装置、图像分类装置一般设置于服务器105中。
[0031]应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0032]继续参考图2，其示出了根据本公开的骨干网络的训练方法的一个实施例的流程200。该骨干网络的训练方法包括以下步骤：
[0033]步骤201，获取训练图像集。
[0034]在本实施例中，骨干网络的训练方法的执行主体(例如图1所示的服务器105)会获取训练图像集，训练图像集中包括多张训练图像，训练图像集可采用现有的图像集，例如ImageNet数据集；训练图像集还可以是本文档来自技高网...

【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：