图像分类、模型训练方法、设备、存储介质及计算机程序技术

本申请实施例公开了一种图像分类、模型训练方法、设备、存储介质及计算机程序，属于图像处理领域。在该方法中，通过当前神经网络模型对目标图像进行处理，以得到当前分类结果，当前神经网络模型为神经网络模型a输出的选择结果中最大概率对应的神经网络模型i，该选择结果包括m个神经网络模型中p个神经网络模型对应的概率。基于当前分类结果确定当前整合结果，基于当前整合结果确定目标图像的类别。也即是，根据目标图像从m个神经网络模型中选择部分神经网络模型来处理目标图像，从而确定目标图像的类别，无需获取该m个神经网络模型中每个神经网络模型的分类结果，大幅度降低了计算开销，提高了图像分类效率。提高了图像分类效率。提高了图像分类效率。

【技术实现步骤摘要】
图像分类、模型训练方法、设备、存储介质及计算机程序


[0001]本申请实施例涉及图像处理领域，特别涉及一种图像分类、模型训练方法、设备、存储介质及计算机程序。

技术介绍

[0002]近年来，深度学习在图像分类领域被广泛应用，神经网络作为深度学习的一个重要分支，因其超强的拟合能力，使得图像分类任务在应用神经网络之后，分类结果的准确率大幅提升。
[0003]相关技术提出了一种图像分类方法，在该方法中，可以事先训练多个神经网络模型。在图像分类时，通过该多个神经网络模型中的每个神经网络模型确定一个分类结果，以得到多个分类结果。之后，将该多个分类结果综合起来进行处理，以得到最终的分类结果。
[0004]然而，上次方法需要获取每个神经网络模型的分类结果，使得计算量成倍增加，极大地降低了图像分类效率。

技术实现思路

[0005]本申请实施例提供了一种图像分类、模型训练方法、设备、存储介质及计算机程序，可以解决相关技术的图像分类效率较低的问题。所述技术方案如下：
[0006]第一方面，提供了一种图像分类方法，在该方法中，通过当前神经网络模型对待分类的目标图像进行处理，以得到当前神经网络模型输出的当前分类结果；其中，当前分类结果包括目标图像属于多个类别中各个类别的概率，当前神经网络模型为神经网络模型a输出的选择结果中最大概率对应的神经网络模型i，神经网络模型a输出的选择结果包括已训练的m个神经网络模型中p个神经网络模型对应的概率，p个神经网络模型为在神经网络模型a之后允许用来处理目标图像的神经网络模型，该p个神经网络模型包括神经网络模型i，m个神经网络模型包括神经网络模型a，m为大于1的整数，p为大于或等于1的整数，且p小于m；基于当前分类结果确定当前整合结果，当前整合结果包括目标图像属于该多个类别中各个类别的整合后的概率；基于当前整合结果确定目标图像的类别。
[0007]其中，在本申请实施例中，已训练的m个神经网络模型中在神经网络模型a之后允许用来处理目标图像的神经网络模型可以包括一个或多个，且该一个或多个神经网络模型为在神经网络模型a之后用来处理目标图像的其他神经网络模型。也即是，p为大于或等于1的整数，且p小于m。
[0008]由于神经网络模型a输出的选择结果包括已训练的m个神经网络模型中在神经网络模型a之后允许用来处理目标图像的神经网络模型对应的概率，当前神经网络模型为神经网络模型a输出的选择结果中最大概率对应的神经网络模型i，所以，可以确定神经网络模型a输出的分类结果不满足条件，所以将神经网络模型a输出的选择结果中最大概率对应的神经网络模型i确定为当前神经网络模型，然后通过当前神经网络模型对目标图像进行处理。
[0009]也即是，本申请实施例是按照循环迭代的方式对目标图像进行处理，而且在前一次循环得到的分类结果不满足条件时，可以通过前一次循环得到的选择结果确定下一次用于处理目标图像的神经网络模型。由于下一次用于处理目标图像的神经网络模型的分类精度高于前一次用于处理目标图像的神经网络模型的分类精度，所以，按照这样的方式进行循环迭代处理之后，能够提高图像分类的精度。也就是说，本申请实施例基于目标图像的性质，能够从该m个神经网络模型中动态地选择部分神经网络模型进行图像分类，无需通过每个神经网络模型都进行图像分类，减少了运算量。而且，由于只选择了部分神经网络模型，所以，只需要将部分神经网络模型的参数读入内存，不需要将所有神经网络模型的参数都读入内存，避免了内存读取耗时的问题。
[0010]在一些实施例中，当前神经网络模型还可以输出当前选择结果，当前选择结果包括m个神经网络模型中d个神经网络模型对应的概率，d个神经网络模型为在神经网络模型i之后允许用来处理目标图像的神经网络模型，d为大于或等于1的整数，d小于m。也即是，本申请实施例可以按照两种实现方式，通过当前神经网络模型对目标图像进行处理。接下来对这两种实现方式进行介绍。
[0011]第一种实现方式，将目标图像输入当前神经网络模型中，以得到当前神经网络模型输出的当前分类结果和当前选择结果。
[0012]也即是，在第一种实现方式中，将该m个神经网络网络中的任意一个神经网络模型作为当前神经网络模型，将目标图像输入当前神经网络模型之后，当前神经网络模型不仅能够输出关于目标图像的当前分类结果，而且还能够确定在当前神经网络模型之后允许用来处理目标图像的神经网络模型对应的概率，即当前选择结果。
[0013]其中，在当前神经网络模型之后允许用来处理目标图像的神经网络模型对应的概率越大，这个神经网络模型对目标图像的分类精度就越高，而且通常情况下，神经网络模型i对目标图像的分类精度高于神经网络模型a对目标图像的分类精度。
[0014]第二种实现方式，将目标图像和当前迭代次数输入当前神经网络模型，通过当前神经网络模型对目标图像进行处理。
[0015]关于第二种实现方式存在两种情况，接下来对这两种情况分别进行介绍。
[0016]第一种情况，将目标图像和当前迭代次数输入当前神经网络模型，以得到当前神经网络模型输出的当前分类结果。
[0017]也即是，在第一种情况下，输入当前神经网络模型的当前迭代次数小于迭代次数阈值，且与迭代次数阈值之间的差值为1。这样，通过当前神经网络模型对目标图像处理之后，当前迭代次数已经达到了次数阈值，后续不需要再进行迭代了，所以当前神经网络模型可以只输出当前分类结果。
[0018]第二种情况，将目标图像和当前迭代次数输入当前神经网络模型，以得到当前神经网络模型输出的当前分类结果和当前选择结果。
[0019]也即是，在第二种情况下，输入当前神经网络模型的当前迭代次数小于迭代次数阈值，且与迭代次数阈值之间的差值大于1。这样，通过当前神经网络模型对目标图像处理之后，当前迭代次数还未达到次数阈值，后续可能还需要再进行迭代，所以当前神经网络模型需要输出当前分类结果和当前选择结果。
[0020]在一些实施例中，可以将多个分类结果中对应类别的概率的平均值确定为当前整
合结果中相应类别的概率，该多个分类结果包括神经网络模型a输出的分类结果和神经网络模型i输出的分类结果。或者，直接将当前分类结果确定为当前整合结果。
[0021]也即是，当前整合结果中第一类别的概率包括：多个分类结果中第一类别的概率的平均值，该多个分类结果包括神经网络模型a输出的分类结果和神经网络模型i输出的分类结果。或者，当前整合结果中第一类别的概率包括：神经网络模型i输出的分类结果中第一类别的概率。其中，第一类别为该多个类别中的一个类别。
[0022]基于上述描述，通过当前神经网络模型对目标图像进行处理分为两种实现方式，在不同的实现方式下，基于当前整合结果确定目标图像的类别不同。因此，接下来也分为两种实现方式进行说明。
[0023]第一种实现方式，在上述按照第一种实现方式，通过当前神经网络模型对目标图像进行处理时，基于当前整合结果确定目标图像的类别包括：如果当前整合结果满足第一收敛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：通过当前神经网络模型对待分类的目标图像进行处理，以得到所述当前神经网络模型输出的当前分类结果；其中，所述当前分类结果包括所述目标图像属于多个类别中各个类别的概率，所述当前神经网络模型为神经网络模型a输出的选择结果中最大概率对应的神经网络模型i，所述选择结果包括已训练的m个神经网络模型中p个神经网络模型对应的概率，所述p个神经网络模型为在所述神经网络模型a之后允许用来处理所述目标图像的神经网络模型，所述p个神经网络模型包括所述神经网络模型i，所述m个神经网络模型包括所述神经网络模型a，所述m为大于1的整数，所述p为大于或等于1的整数，所述p小于所述m；基于所述当前分类结果确定当前整合结果，所述当前整合结果包括所述目标图像属于所述多个类别中各个类别的整合后的概率；基于所述当前整合结果确定所述目标图像的类别。2.如权利要求1所述的方法，其特征在于，所述当前整合结果中第一类别的概率包括：多个分类结果中所述第一类别的概率的平均值，所述第一类别为所述多个类别中的一个类别，所述多个分类结果包括所述神经网络模型a输出的分类结果和所述神经网络模型i输出的分类结果；或者，所述当前整合结果中所述第一类别的概率包括：所述神经网络模型i输出的分类结果中所述第一类别的概率。3.如权利要求1所述的方法，其特征在于，所述基于所述当前整合结果确定所述目标图像的类别，包括：将所述当前整合结果中的最大概率对应的类别确定为所述目标图像的类别；或者，所述当前神经网络模型还输出当前选择结果，所述当前选择结果包括所述m个神经网络模型中d个神经网络模型对应的概率，所述d个神经网络模型为在所述神经网络模型i之后允许用来处理所述目标图像的神经网络模型，所述d为大于或等于1的整数，所述d小于所述m；所述基于所述当前整合结果确定所述目标图像的类别，包括：如果所述当前整合结果满足第一收敛条件或者所述当前神经网络模型满足第二收敛条件，则将所述当前整合结果中的最大概率对应的类别确定为所述目标图像的类别。4.如权利要求3所述的方法，其特征在于，所述当前整合结果满足所述第一收敛条件包括：所述当前整合结果的置信度大于置信度阈值。5.如权利要求4所述的方法，其特征在于，所述基于所述当前分类结果确定当前整合结果之后，还包括：将所述当前整合结果中的最大概率确定为所述当前整合结果的置信度；或者将所述目标图像和所述当前整合结果输入置信度网络模型，以得到所述置信度网络模型输出的所述当前整合结果的置信度。6.如权利要求3
‑
5任一所述的方法，其特征在于，所述当前神经网络模型满足所述第二收敛条件包括：所述当前神经网络模型的迭代次数大于或等于迭代次数阈值。7.如权利要求1
‑
6任一所述的方法，其特征在于，所述通过当前神经网络模型对待分类的目标图像进行处理之前，还包括：
获取n个样本图像和n个样本标签，所述n个样本标签与所述n个样本图像一一对应；基于所述n个样本图像和所述n个样本标签，确定m个待训练神经网络模型中每个待训练神经网络模型的各个参数的梯度；基于所述m个待训练神经网络模型的各个参数的梯度，对所述m个待训练神经网络模型进行更新，以得到已训练的所述m个神经网络模型。8.如权利要求7所述的方法，其特征在于，所述基于所述n个样本图像和所述n个样本标签，确定m个待训练神经网络模型中每个待训练神经网络模型的各个参数的梯度，包括：按照以下操作确定所述m个待训练神经网络模型中待训练神经网络模型k的各个参数的梯度，直至确定出每个待训练神经网络模型的各个参数的梯度为止：基于所述n个样本图像和所述n个样本标签，确定所述待训练神经网络模型k对应的训练函数值；基于所述待训练神经网络模型k对应的训练函数值，确定所述待训练神经网络模型k的各个参数的梯度。9.如权利要求8所述的方法，其特征在于，所述训练函数值包括n个分类函数值，所述n个分类函数值与所述n个样本图像一一对应；所述基于所述n个样本图像和所述n个样本标签，确定所述待训练神经网络模型k对应的训练函数值，包括：从所述n个样本图像中选择一个样本图像，按照以下操作确定选择的样本图像对应的分类函数值，直至确定出每个样本图像对应的分类函数值为止：将所述选择的样本图像输入所述待训练神经网络模型k，以得到所述待训练神经网络模型k输出的分类结果；基于所述选择的样本图像对应的样本标签和所述待训练神经网络模型k输出的分类结果，确定所述选择的样本图像对应的分类函数值。10.如权利要求8所述的方法，其特征在于，所述训练函数值包括n个权重函数值，所述n个权重函数值与所述n个样本图像一一对应；所述基于所述n个样本图像和所述n个样本标签，确定所述待训练神经网络模型k对应的训练函数值，包括：通过b个待训练神经网络模型，确定t个待训练神经网络模型中每个待训练神经网络模型被用来处理所述n个样本图像中每个样本图像的标准概率，以得到n*t个标准概率，t＝m
‑
b，所述b个待训练神经网络模型为所述m个待训练神经网络模型中在所述待训练神经网络模型k之前允许用来处理所述n个样本图像的模型，所述t个待训练神经网络模型包括所述待训练神经网络模型k，以及所述m个待训练神经网络模型中在所述待训练神经网络模型k之后允许用来处理所述n个样本图像的模型；基于所述n*t个标准概率，确定所述n个样本图像中每个样本图像对应的第一权重；对所述n个样本图像中每个样本图像对应的第一权重进行归一化处理，以得到所述n个样本图像中每个样本图像对应的权重函数值。11.如权利要求10所述的方法，其特征在于，所述通过b个待训练神经网络模型，确定t个待训练神经网络模型中每个待训练神经网络模型被用来处理所述n个样本图像中每个样本图像的标准概率，以得到n*t个标准概率，包括：
通过所述b个待训练神经网络模型，确定所述t个待训练神经网络模型中每个待训练神经网络模型被用来处理所述n个样本图像中每个样本图像的平均概率，以得到n*t个平均概率；将所述n*t个平均概率中与所述t个待训练神经网络模型中同一待训练神经网络模型对应的平均概率划分为一个概率集合，以得到t个概率集合；基于所述n*t个平均概率和所述t个概率集合，对所述n*t个平均概率进行标准化处理，以得到所述n*t个标准概率。12.如权利要求11所述的方法，其特征在于，所述通过所述b个待训练神经网络模型，确定所述t个待训练神经网络模型中每个待训练神经网络模型被用来处理所述n个样本图像中每个样本图像的平均概率，以得到n*t个平均概率，包括：从所述n个样本图像中选择一个样本图像，从所述t个待训练神经网络模型中选择一个待训练神经网络模型，通过所述b个待训练神经网络模型，按照以下操作确定选择的待训练神经网络模型被用来处理选择的样本图像的平均概率，直至确定出所述n*t个平均概率为止：通过所述b个待训练神经网络模型中的每个待训练神经网络模型，确定所述选择的待训练神经网络模型被用来处理所述选择的样本图像的概率，以得到b个概率；确定所述b个概率的平均值，以得到所述选择的待训练神经网络模型被用来处理所述选择的样本图像的平均概率。13.如权利要求11所述的方法，其特征在于，所述基于所述n*t个平均概率和所述t个概率集合，对所述n*t个平均概率进行标准化处理，以得到所述n*t个标准概率，包括：从所述t个概率集合中选择一个概率集合，按照以下操作对选择的概率集合中的每个平均概率进行标准化处理，直至确定出所述n*t个标准概率为止：确定所述选择的概率集合中的平均概率的均值和标准差；基于所述选择的概率集合中的平均概率、所述均值和所述标准差，确定所述选择的概率集合中的每个平均概率对应的标准概率。14.如权利要求10所述的方法，其特征在于，所述基于所述n*t个标准概率，确定所述n个样本图像中每个样本图像对应的第一权重，包括：将所述n*t个标准概率构成标准概率集合，确定所述标准概率集合中每个标准概率对应的概率相对值；从所述标准概率集合中的标准概率所对应的概率相对值中，确定最大概率相对值；从所述n个样本图像中确定与所述最大概率相对值对应的样本图像，以及从所述t个待训练神经网络模型中确定与所述最大概率相对值对应的待训练神经网络模型；基于所述最大概率相对值对应的待训练神经网络模型，确定所述最大概率相对值对应的样本图像的第一权重；从所述标准概率集合中移除与所述最大概率相对值对应的样本图像对应的标准概率；如果移除后所述标准概率集合非空，则更新模型确定次数，所述模型确定次数是指从所述t个待训练神经网络模型中确定所述最大概率相对值对应的待训练神经网络模型的次数；如果所述模型确定次数大于或等于n/t，则从所述标准概率集合中移除与所述最大概
率相对值对应的待训练神经网络模型对应的标准概率，返回确定所述标准概率集合中每个标准概率对应的概率相对值的步骤。15.如权利要求14所述的方法，其特征在于，所述基于所述最大概率相对值对应的待训练神经网络模型，确定所述最大概率相对值对应的样本图像的第一权重，包括：如果所述最大概率相对值对应的待训练神经网络模型为所述待训练神经网络模型k，则将所述最大概率相对值对应的样本图像的第一权重确定为如果所述最大概率相对值对应的待训练神经网络模型不为所述待训练神经网络模型k，则将所述最大概率相对值对应的样本图像的第一权重确定为其中，a为设定的实数，满足a≥0，且a≤1。16.如权利要求8所述的方法，其特征在于，所述训练函数值包括n个标签函数值，所述n个标签函数值与所述n个样本图像一一对应；所述基于所述n个样本图像和所述n个样本标签，确定所述待训练神经网络模型k对应的训练函数值，包括：通过s个待训练神经网络模型中每个待训练神经网络模型，确定所述n个样本图像中每个样本图像属于对应的样本标签的标准概率，以得到n*s个标准概率，所述s个待训练神经网络模型为所述m个待训练神经网络模型中在所述待训练神经网络模型k之后允许用来处理所述n个样本图像的模型；基于所述n*s个标准概率，确定所述n个样本图像中每个样本图像对应的标签函数值。17.如权利要求16所述的方法，其特征在于，所述基于所述n*s个标准概率，确定所述n个样本图像中每个样本图像对应的标签函数值，包括：将所述n*s个标准概率构成标准概率集合，确定所述标准概率集合中每个标准概率对应的概率相对值；从所述标准概率集合中的标准概率所对应的概率相对值中，确定最大概率相对值；从所述n个样本图像中确定与所述最大概率相对值对应的样本图像，以及从所述s个待训练神经网络模型中确定与所述最大概率相对值对应的待训练神经网络模型；将所述最大概率相对值对应的待训练神经网络模型在所述s个待训练神经网络模型中的位置编号，确定为所述最大概率相对值对应的样本图像的标签函数值；从所述标准概率集合中移除与所述最大概率相对值对应的样本图像对应的标准概率；如果移除后所述标准概率集合非空，则更新模型确定次数，所述模型确定次数是指从所述s个待训练神经网络模型中确定所述最大概率相对值对应的待训练神经网络模型的次数；如果所述模型确定次数大于或等于n/s，则从所述标准概率集合中移除与所述最大概率相对值对应的待训练神经网络模型对应的标准概率，返回确定所述标准概率集合中每个标准概率对应的概率相对值的步骤。18.如权利要求14或17所述的方法，其特征在于，所述确定所述标准概率集合中每个标准概率对应的概率相对值，包括：从所述标准概率集合中选择一个标准概率，按照以下操作确定选择的标准概率对应的
概率相对值，直至确定出每个标准概率对应的概率相对值为止：从所述标准概率集合中除所述选择的标准概率之外的其他标准概率中，确定与所述选择的标准概率对应同一样本图像的多个标准概率；确定所述多个标准概率中的最大标准概率；将所述选择的标准概率与所述最大标准概率的差值确定为所述选择的标准概率对应的概率相对值。19.如权利要求16所述的方法，其特征在于，所述训练函数值包括n个分类损失函数值，所述n个分类损失函...

【专利技术属性】
技术研发人员：张颐康，钟钊，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：