图像分类模型的训练方法、装置、设备及存储介质制造方法及图纸

本公开实施例提供了一种图像分类模型的训练方法、装置、设备及存储介质。将当前样本图输入图像分类模型，输出相似度集；根据所述相似度集确定概率分布信息；确定所述当前样本图对应的标签信息集；基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，并基于训练后的第一图像分类模型对所述第二图像分类模型进行训练。本公开实施例提供的图像分类模型的训练方法，基于标签信息集、第一概率分布信息及第二概率分布信息对第一图像分类模型和第二图像分类模型进行对比学习训练，可以克服样本集的长尾问题，从而提高训练后的图像分类模型的识别精度。型的识别精度。型的识别精度。

【技术实现步骤摘要】
图像分类模型的训练方法、装置、设备及存储介质


[0001]本公开实施例涉及图像处理
，尤其涉及一种图像分类模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]神经网络模型的训练需要采集大量的样本。例如：对于图像分类模型来说，需要采集各种不同类别的图像样本，当不同类别的样本集数量不均衡时，会使得训练出的模型对于图像类别的识别不够精确。

技术实现思路

[0003]本公开实施例提供一种图像分类模型的训练方法、装置、设备及存储介质，可以克服样本集的长尾问题，从而提高图像分类模型的识别精度。
[0004]第一方面，本公开实施例提供了一种图像分类模型的训练方法，包括：
[0005]将当前样本图输入图像分类模型，输出相似度集；其中，所述图像分类模型为第一图像分类模型或者第二图像分类模型，所述第一图像分类模型和所述第二图像分类模型结构相同、内部参数不同；所述相似度集由所述当前样本图与设定图像类别间的相似度及当前样本图与历史样本图间的相似度构成，且所述相似度集为第一相似度集或者第二相似度集；所述第一相似度集由所述第一图像分类模型输出，所述第二相似度集由所述第二图像分类模型输出；
[0006]根据所述相似度集确定概率分布信息；其中，所述概率分布信息为第一概率分布信息或者第二概率分布信息；其中，所述第一概率分布信息根据所述第一相似度集确定，所述第二概率分布信息根据所述第二相似度集确定；
[0007]确定所述当前样本图对应的标签信息集；其中，所述标签集由所述当前样本图像的类别、历史样本图像的类别及设定图像类别确定；
[0008]基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，并基于训练后的第一图像分类模型对所述第二图像分类模型进行训练。
[0009]第二方面，本公开实施例还提供了一种图像分类模型的训练装置，包括：
[0010]相似度集获取模块，用于将当前样本图输入图像分类模型，输出相似度集；其中，所述图像分类模型为第一图像分类模型或者第二图像分类模型，所述第一图像分类模型和所述第二图像分类模型结构相同、内部参数不同；所述相似度集由所述当前样本图与设定图像类别间的相似度及当前样本图与历史样本图间的相似度构成，且所述相似度集为第一相似度集或者第二相似度集；所述第一相似度集由所述第一图像分类模型输出，所述第二相似度集由所述第二图像分类模型输出；
[0011]概率分布信息确定模块，用于根据所述相似度集确定概率分布信息；其中，所述概率分布信息为第一概率分布信息或者第二概率分布信息；其中，所述第一概率分布信息根
据所述第一相似度集确定，所述第二概率分布信息根据所述第二相似度集确定；
[0012]标签信息集确定模块，用于确定所述当前样本图对应的标签信息集；其中，所述标签集由所述当前样本图像的类别、历史样本图像的类别及设定图像类别确定；
[0013]模型训练模块，用于基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，并基于训练后的第一图像分类模型对所述第二图像分类模型进行训练。：
[0014]第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
[0015]一个或多个处理器；
[0016]存储装置，用于存储一个或多个程序，
[0017]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例所述的图像分类模型的训练方法。
[0018]第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的图像分类模型的训练方法。
[0019]本公开实施例公开了一种图像分类模型的训练方法、装置、设备及存储介质。将当前样本图输入图像分类模型，输出相似度集；根据相似度集确定概率分布信息；其中，概率分布信息为第一概率分布信息或者第二概率分布信息；确定当前样本图对应的标签信息集；其中，标签集由当前样本图像的类别、历史样本图像的类别及设定图像类别确定；基于标签信息集、第一概率分布信息及第二概率分布信息对第一图像分类模型进行训练，并基于训练后的第一图像分类模型对第二图像分类模型进行训练。本公开实施例提供的图像分类模型的训练方法，基于标签信息集、第一概率分布信息及第二概率分布信息对第一图像分类模型和第二图像分类模型进行对比学习训练，可以克服样本集的长尾问题，从而提高训练后的图像分类模型的识别精度。
附图说明
[0020]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0021]图1是本公开实施例所提供的一种图像分类模型的训练方法流程示意图；
[0022]图2是本公开实施例所提供的一种待训练的图像分类模型的示例图；
[0023]图3是本公开实施例所提供的一种图像分类模型的训练装置结构示意图；
[0024]图4是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0025]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0026]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，
和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0027]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0028]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0029]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0030]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0031]可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类模型的训练方法，其特征在于，包括：将当前样本图输入图像分类模型，输出相似度集；其中，所述图像分类模型为第一图像分类模型或者第二图像分类模型，所述第一图像分类模型和所述第二图像分类模型结构相同、内部参数不同；所述相似度集由所述当前样本图与设定图像类别间的相似度及当前样本图与历史样本图间的相似度构成，且所述相似度集为第一相似度集或者第二相似度集；所述第一相似度集由所述第一图像分类模型输出，所述第二相似度集由所述第二图像分类模型输出；根据所述相似度集确定概率分布信息；其中，所述概率分布信息为第一概率分布信息或者第二概率分布信息；其中，所述第一概率分布信息根据所述第一相似度集确定，所述第二概率分布信息根据所述第二相似度集确定；确定所述当前样本图对应的标签信息集；其中，所述标签信息集由所述当前样本图像的类别、历史样本图像的类别及设定图像类别确定；基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，并基于训练后的第一图像分类模型对所述第二图像分类模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述图像分类模型包括编码子网络、分类子网络、全连接子网络、融合子网络及拼接子网络；将当前样本图输入图像分类模型，输出相似度集，包括：将当前样本图输入所述编码子网络，输出第一图像特征信息；将所述第一图像特征信息输入所述分类子网络，输出类别特征相似度子集；其中，所述类别特征相似度子集由所述当前样本图与设定图像类别间的相似度构成；将所述第一图像特征信息输入所述全连接子网络，输出第二图像特征信息；将所述第二图像特征信息和历史样本图特征信息输入所述融合子网络，输出历史样本特征相似度子集；其中，所述历史样本特征相似度子集由当前样本图与历史样本图间的相似度构成；将所述类别特征相似度子集和所述历史样本特征相似度子集输入所述拼接子网络，输出相似度集。3.根据权利要求2所述的方法，其特征在于，根据所述相似度集确定概率分布信息，包括：对所述相似度集进行指数运算，获得指数相似度集；确定所述指数相似度集中各指数相似度在所述指数相似度集所占的比例，将所述比例确定为各指数相似度的概率信息。4.根据权利要求3所述的方法，其特征在于，在获得指数相似度集之后，还包括：确定所述样本集中各设定图像类别的数量占比；根据所述数量占比对所述指数相似度集中的类别特征相似度子集进行更新，获得更新后的指数相似度集；相应的，确定所述指数相似度集中各指数相似度在所述指数相似度集所在的比例，将所述比例确定为各指数相似度的概率信息，包括：确定更新后的所述指数相似度集中各指数相似度在所述指数相似度集所在的比例，将
所述比例确定为各指数相似度的概率信息。5.根据权利要求1所述的方法，其特征在于，确定所述当前样本图对应的类别标签集，包括：根据所述当前样本图像的类别和设定图像类别的比较结果确定第一标签信息子集；根据所述当前样本图像的类别与历史样本图像的类别的比较结果确定第二标签信息子集；将所述第一标签信息子集和所述第二标签信息子集进行拼接，获得标签信息集。6.根据权利要求5所述的方法，其特征在于，根据所述当前样本图像的类别与历史样本图像的类别的比较结果确定第二标签信息子集，包括：根据所...

【专利技术属性】
技术研发人员：杨志雄，雷鑫华，杨延展，李永会，
申请(专利权)人：抖音视界有限公司，
类型：发明
国别省市：