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

本申请公开了一种分类模型训练方法、图像分类方法、装置及电子设备，通过从第一样本图像集合中获取多张目标训练图像，利用初始模型提取每张目标训练图像的第一图像区域的第一特征，以及提取每张目标训练图像在多个缩放比例下对应有物体的第二图像区域、每个第二图像区域对应的第二特征和图像标签，根据每张目标训练图像中的第一图像区域、第一图像区域的第一特征和样本标签、目标训练图像中的第二图像区域、每个第二图像区域对应的第二特征和图像标签，得到特征损失值，根据特征损失值调整初始模型的参数，直至达到训练结束条件时得到目标分类模型。从而获得更准确的目标分类模型，并实现利用目标分类模型对图像进行更精准的分类。分类。分类。

【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]本申请涉及人工智能技术中的计算机视觉
，更具体地，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]随着人工智能技术的发展，通过神经网络模型可以为用户提供各类服务，例如语音识别、图像识别、搜索以及图像分类等。
[0003]图像分类技术是指识别出图像所包括的物体后进行分类的技术，是一种常见的图像处理的方式。相关技术中，可以通过机器学习模型对图像中的物体进行识别后分类。在对机器学习模型进行模型训练时，可以获取包括目标物体的图像进行模型训练。然而，现有技术中，在利用上述的方式获得分类模型进行图像分类时，存在进行分类得到的分类结果不够准确的问题。

技术实现思路

[0004]鉴于上述问题，本申请实施例提出了一种分类模型训练方法、图像分类方法、装置及电子设备，以改善上述问题。
[0005]第一方面，本申请实施例提供了一种分类模型训练方法，该方法包括：从第一样本图像集合中获取多张目标训练图像，所述第一样本图像集合包括多个类别的物体对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型训练方法，其特征在于，包括：从第一样本图像集合中获取多张目标训练图像，所述第一样本图像集合包括多个类别的物体对应的训练图像，每张训练图像分别标注有包括物体图像的第一图像区域及该第一图像区域对应的样本标签，所述多张目标训练图像分别属于至少两个类别的物体对应的训练图像；利用初始模型提取所述多张目标训练图像中每张目标训练图像的第一图像区域的第一特征；利用所述初始模型提取每张所述目标训练图像在多个缩放比例下对应有物体的第二图像区域、每个第二图像区域对应的第二特征以及每个第二图像区域对应的图像标签；根据每张所述目标训练图像中的第一图像区域、第一图像区域的第一特征以及第一图像区域的样本标签、所述目标训练图像中的第二图像区域、每个第二图像区域对应的第二特征以及每个第二图像区域对应的图像标签，得到特征损失值；根据所述特征损失值调整所述初始模型的参数，直至达到训练结束条件时得到目标分类模型。2.根据权利要求1所述的方法，其特征在于，根据每张所述目标训练图像中的第一图像区域、第一图像区域的第一特征以及第一图像区域的样本标签、所述目标训练图像中的第二图像区域、每个第二图像区域对应的第二特征以及每个第二图像区域对应的图像标签，得到特征损失值，包括：根据所述目标训练图像中的第一图像区域，从该目标训练图像对应的多个第二图像区域中选取目标图像区域；根据每张所述目标训练图像对应的第一特征、每张所述目标训练图像的目标图像区域的第二特征以及每张所述目标训练图像所属的类别得到第一损失值；根据每张所述目标训练图像对应的第一图像区域和该第一图像区域对应的样本标签、以及每张所述目标训练图像对应的各第二图像区域和各第二图像区域对应的图像标签得到第二损失值；将所述第一损失值与所述第二损失值累加得到特征损失值。3.根据权利要求2所述的方法，其特征在于，所述根据每张所述目标训练图像对应的第一特征、每张所述目标训练图像的目标图像区域的第二特征以及每张所述目标训练图像所属的类别得到第一损失值，包括：对所述目标训练图像对应的第一特征、该目标训练图像的目标图像区域的第二特征求取均值得到所述目标训练图像的目标特征；将属于同一类别的目标训练图像的目标特征进行特征距离计算得到样本类内距离；将属于不同类别的目标训练图像的目标特征进行特征距离计算得到样本类间距离；根据所述样本类内距离与所述样本类间距离之间的比值得到第一损失值。4.根据权利要求2所述的方法，其特征在于，所述根据每张所述目标训练图像中的第一图像区域从该目标训练图像对应多个第二图像区域中选取目标图像区域，包括：将所述目标训练图像中的第一图像区域与该目标训练图像对应的各第二图像区域进行匹配度计算，得到该目标训练图像对应的各第二图像区域的匹配度值；获取匹配度值大于匹配度阈值的第二图像区域，作为所述目标训练图像的目标图像区
域。5.根据权利要求2所述的方法，其特征在于，所述根据每张所述目标训练图像对应的第一图像区域和该第一图像区域对应的样本标签、以及各第二图像区域和各第二图像区域对应的图像标签得到第二损失值，包括：根据每张所述目标训练图像对应的第一图像区域和各第二图像区域，得到该目标训练图像中各第二图像区域对应的质量平衡参数；根据每张所述目标训练图像对应的第二图像区域的数量和目标图像区域的数量得到该目标训练图像的样本平衡参数；根据所述目标训练图像中第一图像区域对应的样本标签和各第二图像区域对应的图像标签，得到所述目标训练图像的真实标签推理概率；根据每张目标训练图像中各第二图像区域对应的质量平衡参数、该目标训练图像的样本平衡参数和真实标签推理概率，得到第二损失值。6.根据权利要求5所述的方法，其特征在于，根据每张所述目标训练图像对应的第一图像区域和各第二图像区域，得到该目标训练图像中各第二图像区域对应的质量平衡参数，包括：将每张所述目标训练图像对应的第一图像区域和各第二图像进行重叠度计算，得到每张目标训练图像中各第二图像对应的重叠度值，每张所述第二图像对应的重叠度值为该第二图像区域对应的质量平衡参数。7.根据权利要求5所述的方法，其特征在于，所述根据每张...

【专利技术属性】
技术研发人员：张华，肖立强，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：