分类模型训练方法、分类方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，尤其涉及一种分类模型训练方法、分类方法、装置、设备及介质。通过使用对比学习机制对初始分类模型进行训练，将对应的无标注信息的样本图像对应的损失与带有标注信息的样本图像对应的损失都考虑在内，实现了使用少量带有标注信息的样本图像对初始分类模型进行训练的目的，从而在数据标签较少的情况下，提高分类模型的训练精度，使用训练好的分类模型，从而得到分类精度较高的分类结果，本发明专利技术中，使用基于对比学习中损失与分类模型中的损失对分类模型进行训练，在分类模型中加入对比学习可以学习到样本图像之间内在的一致性信息，提高不同任务中对应图像特征之间的区别性，从而提高分类模型的分类精度。精度。精度。

【技术实现步骤摘要】
分类模型训练方法、分类方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种分类模型训练方法、分类方法、装置、设备及介质。

技术介绍

[0002]近年来，人脸属性分类在多个领域中越来越得到广泛的应用，准确、高效的人脸属性分类结果在协助执法人员侦破案件、改进人机交互体验等方面有重要的辅助作用，目前人脸属性分类方法都是基于有标签数据训练的，需要知道数据的标签才能执行相关任务的训练，然而现实世界中的数据大多是无标签的，对这些无标签的数据进行标注会消耗大量时间和人力成本，若使用少量的带有标签的数据对人脸属性分类训练时，人脸属性分类精度较低，因此，在数据标签较少的情况下，如何提高人脸属性分类的精度，成为亟待解决的问题。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供了一种分类模型训练方法、分类方法、装置、设备及介质，以解决在数据标签较少的情况下，分类精度较低的问题。
[0004]第一方面，本专利技术实施例提供一种基于对比学习的分类模型训练方法，所述分类模型训练方法包括：/>[0005]获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习的分类模型训练方法，其特征在于，所述分类模型训练方法包括：获取样本图像，从所述样本图像中提取所述样本图像对应的标签值；使用预设第一编码器与预设第二编码器对所述样本图像进行对比学习，确定所述对比学习对应的第一损失；从所述预设第一编码器与预设第二编码器中选取目标编码器，使用所述目标编码器对所述样本图像进行编码处理，得到所述样本图像对应的图像特征，通过初始分类模型对所述图像特征进行预测分类，得到预测分类结果；使用所述预测分类结果与所述样本图像对应的标签值，计算所述初始分类模型对应的第二损失；根据所述第一损失与所述第二损失，构建训练损失函数，基于所述训练损失函数对所述初始分类模型进行训练，得到训练好的分类模型。2.如权利要求1所述的分类模型训练方法，其特征在于，所述使用预设第一编码器与预设第二编码器对所述样本图像进行对比学习，确定所述对比学习对应的第一损失，包括：对所述样本图像进行增强处理，得到所述样本图像对应的第一增强图像与第二增强图像；使用预设第一编码器对所述第一增强图像进行编码处理，得到第一编码特征，使用预设第二编码器对所述第二增强图像进行编码处理，得到第一编码特征；根据所述第一编码特征与所述第二编码特征计算对比学习对应的第一损失。3.如权利要求2所述的分类模型训练方法，其特征在于，所述根据所述第一编码特征与所述第二编码特征计算对比学习对应的第一损失，包括：通过多层感知器，将所述第一编码特征与第二编码特征投射为同一空间中，得到所述第一编码特征对应的第一特征向量与所述第二编码特征对应的第二特征向量；计算所述第一特征向量与所述第二特征向量之间的相似性差值，根据所述相似性差值确定所述第一损失。4.如权利要求1所述的分类模型训练方法，其特征在于，所述使用所述预测分类结果与所述样本图像对应的标签值，计算所述初始分类模型对应的第二损失，包括：从所述样本图像对应的标签值中获取第一属性的标签值与第二属性的标签值；将所述第一属性标签值与所述第二属性标签值进行掩码处理，得到目标第一标签值与目标第二标签值；根据所述目标第一标签值与目标第二标签值，以及所述预测分类结果，计算得到所述初始分类模型对应的第二损失。5.如权利要求4所述的分类模型训练方法，其特征在于，所述根据所述目标第一标签值与目标第二标签值，以及所述预测分类结果，计算得到所述初始分类模型对应的第二损失，包括：根据...

【专利技术属性】
技术研发人员：袁瑾，肖嵘，王孝宇，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：