分类模型训练方法、图像分类方法、装置及电子设备制造方法及图纸

本公开提供了一种分类模型训练方法、图像分类方法、装置及电子设备，涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于人脸识别等场景。具体实现方案为：通过目标神经网络模型中的第一特征提取网络获取样本图像的第一图像特征；利用第一图像特征预测样本图像的第一分类信息，以及计算第一分类信息与样本图像的预设标签对应的第一损失值；通过第二特征提取网络获取样本图像的第二图像特征；利用第二图像特征预测样本图像的第二分类信息，以及计算第一分类信息与第二分类信息对应的第二损失值；基于损失值集，对第一特征提取网络中的参数进行更新。本公开可以提高目标神经网络模型的鲁棒性。可以提高目标神经网络模型的鲁棒性。可以提高目标神经网络模型的鲁棒性。

【技术实现步骤摘要】
分类模型训练方法、图像分类方法、装置及电子设备


[0001]本公开涉及人工智能
，具体为深度学习、图像处理、计算机视觉
，可应用于人脸识别等场景，尤其涉及一种分类模型训练方法、图像分类方法、装置及电子设备。

技术介绍

[0002]图像分类是目前很常用的电子设备应用场景，另外，目前对于图像分类经常采用神经网络模型进行分类，而目前用于图像分类的神经网络模型主要是基于一个损失函数计算的损失值进行参数更新。

技术实现思路

[0003]本公开提供了一种分类模型训练方法、图像分类方法、装置及电子设备。
[0004]根据本公开的一方面，提供了一种分类模型训练方法，包括：
[0005]通过目标神经网络模型中的第一特征提取网络获取样本图像的第一图像特征，所述目标神经网络模型用于对图像进行分类；
[0006]通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述样本图像的第一分类信息，以及通过第一损失函数计算所述第一分类信息与所述样本图像的预设标签对应的第一损失值；
[0007]通过第二特征提取网络获取所述样本图像的第二图像特征；
[0008]通过第二预测网络，利用所述第二图像特征预测所述样本图像的第二分类信息，以及通过第二损失函数计算所述第一分类信息与所述第二分类信息对应的第二损失值；
[0009]基于损失值集，对所述第一特征提取网络中的参数进行更新，所述损失值集包括所述第一损失值和所述第二损失值。
[0010]根据本公开的一方面，提供了一种图像分类方法，包括：
[0011]通过目标神经网络模型中的第一特征提取网络获取待分类图像的第一图像特征；
[0012]通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述待分类图像的分类信息；
[0013]其中，所述第一特征提取网络的参数是基于损失值集进行更新的参数，所述损失值集包括第一损失值和第二损失值，所述第一损失值为所述第一预测网络预测的样本图像的第一分类信息与所述样本图像的预设标签对应的损失值，所述第二损失值为所述第一分类信息与第二分类信息对应的损失值，所述第二分类信息为第二预测网络预测的所述样本图像的分类信息。
[0014]根据本公开的另一方面，提供了一种分类模型训练装置，包括：
[0015]第一获取模块，用于通过目标神经网络模型中的第一特征提取网络获取样本图像的第一图像特征，所述目标神经网络模型用于对图像进行分类；
[0016]第一预测模块，用于通过所述目标神经网络模型的第一预测网络，利用所述第一
图像特征预测所述样本图像的第一分类信息，以及通过第一损失函数计算所述第一分类信息与所述样本图像的预设标签对应的第一损失值；
[0017]第二获取模块，用于通过第二特征提取网络获取所述样本图像的第二图像特征；
[0018]第二预测模块，用于通过第二预测网络，利用所述第二图像特征预测所述样本图像的第二分类信息，以及通过第二损失函数计算所述第一分类信息与所述第二分类信息对应的第二损失值；
[0019]第一更新模块，用于基于损失值集，对所述第一特征提取网络中的参数进行更新，所述损失值集包括所述第一损失值和所述第二损失值。
[0020]根据本公开的另一方面，提供了一种图像分类装置，包括：
[0021]提取模块，用于通过目标神经网络模型中的第一特征提取网络获取待分类图像的第一图像特征；
[0022]分类模块，用于通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述待分类图像的分类信息；
[0023]其中，所述第一特征提取网络的参数是基于损失值集进行更新的参数，所述损失值集包括第一损失值和第二损失值，所述第一损失值为所述第一预测网络预测的样本图像的第一分类信息与所述样本图像的预设标签对应的损失值，所述第二损失值为所述第一分类信息与第二分类信息对应的损失值，所述第二分类信息为第二预测网络预测的所述样本图像的分类信息。
[0024]根据本公开的另一方面，提供了一种电子设备，包括：
[0025]至少一个处理器；以及
[0026]与所述至少一个处理器通信连接的存储器；其中，
[0027]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开提供的分类模型训练方法或者图像分类方法。
[0028]根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行本公开提供的分类模型训练方法或者图像分类方法。
[0029]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的分类模型训练方法或者图像分类方法。
[0030]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
[0031]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0032]图1是本公开提供的一种分类模型训练方法的流程图；
[0033]图2是本公开提供的一种模型训练的示意图；
[0034]图3是本公开提供的一种图像分类方法的流程图；
[0035]图4a至图4d是本公开提供的分类模型训练装置的结构图；
[0036]图5是本公开提供的一种图像分类装置的结构图；
[0037]图6是用来实现本公开实施例的一种电子设备的框图。
具体实施方式
[0038]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。
[0039]请参见图1，图1是本公开提供的一种分类模型训练方法的流程图，如图1所示，包括以下步骤：
[0040]步骤S101、通过目标神经网络模型中的第一特征提取网络获取样本图像的第一图像特征，所述目标神经网络模型用于对图像进行分类。
[0041]上述目标神经网络模型为包括特征提取网络和预测网络的神经网络模型，例如：卷积神经网络(Convolutional Neural Networks，CNN)、人工神经网络(Artificial Neural Network，ANN)等，目标神经网络模型的类型本公开不作限定。
[0042]上述第一特征提取网络可以是用于进行图像特征提取的网络，例如：深度卷积网络，如残差网络(Residual Network，ResNet)、行动网络(MobileNet)。
[0043]本公开中，样本图像集包括正样本图像和攻击样本图像，且正样本图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型训练方法，包括：通过目标神经网络模型中的第一特征提取网络获取样本图像的第一图像特征，所述目标神经网络模型用于对图像进行分类；通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述样本图像的第一分类信息，以及通过第一损失函数计算所述第一分类信息与所述样本图像的预设标签对应的第一损失值；通过第二特征提取网络获取所述样本图像的第二图像特征；通过第二预测网络，利用所述第二图像特征预测所述样本图像的第二分类信息，以及通过第二损失函数计算所述第一分类信息与所述第二分类信息对应的第二损失值；基于损失值集，对所述第一特征提取网络中的参数进行更新，所述损失值集包括所述第一损失值和所述第二损失值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述样本图像进行N次图像增广操作，得到所述样本图像的N个增广图像，N为大于1的整数；其中，所述第一图像特征为所述第一特征提取网络对所述N个增广图像中的第一增广图像进行特征提取得到的图像特征；所述第二图像特征为所述第二特征提取网络对所述第一增广图像进行特征提取得到的图像特征。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：通过所述第一特征提取网络对所述N个增广图像中的第二增广图像进行特征提取，得到第三图像特征；通过对比损失函数计算所述第一图像特征与所述第三图像特征对应的第三损失值；所述损失值集还包括所述第三损失值。4.根据权利要求1至3中任一项所述的方法，所述方法还包括：基于所述第一特征提取网络中的参数，对所述第二特征提取网络中的参数进行更新。5.根据权利要求4所述的方法，其特征在于，所述第一特征提取网络中的参数包括第一参数，所述第二特征提取网络中的参数包括第二参数，其中，所述基于所述第一特征提取网络中的参数，对所述第二特征提取网络中的参数进行更新，包括：按照所述第一参数和所述第二参数的预设映射关系，对所述第二参数进行更新；其中，所述预设映射关系中所述第二参数等于第一重权积与第二重权积的和，所述第一重权积为所述第二参数与第一预设权重的积，所述第二重权积等于所述第一参数与第二预设权重的积，且所述第二预设权重等于1减所述第一预设权重的差值。6.根据权利要求1至3中任一项所述的方法，所述第一特征提取网络为所述目标神经网络模型在第一时间的特征提取网络，所述第一预测网络为所述目标神经网络模型在所述第一时间的预测网络，所述第二特征提取网络为所述目标神经网络模型在第二时间的特征提取网络，所述第二预测网络为所述目标神经网络模型在所述第二时间的预测网络，所述第一时间晚于所述第二时间。7.根据权利要求6所述的方法，所述第一预测网络包括全局平均池化GAP层和归一化指数函数层，所述第二预测网络包括GAP层和归一化指数函数层，且所述第一预测网络和所述
第二预测网络包括的GAP层和归一化指数函数层相同。8.根据权利要求1至3中任一项所述的方法，所述对图像进行分类包括对图像进行活体检测，且所述目标神经网络模型用于通过所述第一特征提取网络和所述第一预测网络，对图像进行活体检测。9.一种图像分类方法，包括：通过目标神经网络模型中的第一特征提取网络获取待分类图像的第一图像特征；通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述待分类图像的分类信息；其中，所述第一特征提取网络的参数是基于损失值集进行更新的参数，所述损失值集包括第一损失值和第二损失值，所述第一损失值为所述第一预测网络预测的样本图像的第一分类信息与所述样本图像的预设标签对应的损失值，所述第二损失值为所述第一分类信息与第二分类信息对应的损失值，所述第二分类信息为第二预测网络预测的所述样本图像的分类信息。10.一种分类模型训练装置，包括：第一获取模块，用于通过目标神经网络模型中的第一特征提取网络获取样本图像的第一图像特征，所述目标神经网络模型用于对图像进行分类；第一预测模块，用于通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述样本图像的第一分类信息，以及通过第一损失函数计算所述第一分类信息与所述样本图像的预设标签对应的第一损失值；第二获取模块，用于通过第二特征提取网络获取所述样本图像的第二图像特征；第二预测模块，用于通过第二预测网络，利用所...

【专利技术属性】
技术研发人员：张国生，
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：