模型训练方法、图像分类方法、装置以及可读存储介质制造方法及图纸

本申请提供一种模型训练方法、图像分类方法、图像分类装置以及计算机可读存储介质。该模型训练方法包括：获取待训练图像，提取所述待训练图像的特征矩阵；基于所述特征矩阵，获取训练得到的参数矩阵；确定所述参数矩阵数值中的异常值；利用所述异常值对所述待训练模型的分类器进行训练。通过上述方式，图像分类装置利用异常值检测的方法得到模型训练的权重参数矩阵，将不重要的、冗余的参数从模型中剔除，保留含有更多有效信息的参数，即异常值对应的参数，此方法使得训练得到的模型更简单、训练时间短、效果显著。效果显著。效果显著。

【技术实现步骤摘要】
模型训练方法、图像分类方法、装置以及可读存储介质


[0001]本申请涉及计算机视觉
，特别是涉及一种模型训练方法、图像分类方法、图像分类装置以及计算机可读存储介质。

技术介绍

[0002]在计算机视觉中，对图像进行快速的、高效的分类是非常具有挑战性的一项任务。传统的图像分类模型不仅参数过于复杂与冗余，而且在训练的图像分类器预测图像效果准确度较低，训练效率较低，训练得到的图像分类器参数结构复杂，分类效率低。

技术实现思路

[0003]本申请提供了一种模型训练方法、图像分类方法、图像分类装置以及计算机可读存储介质。
[0004]本申请提供了一种模型训练方法，所述模型训练方法包括：
[0005]获取待训练图像，提取所述待训练图像的特征矩阵；
[0006]基于所述特征矩阵，获取训练得到的参数矩阵；
[0007]确定所述参数矩阵数值中的异常值；
[0008]利用所述异常值对所述待训练模型的分类器进行训练。
[0009]其中，所述基于所述特征矩阵，获取训练得到的参数矩阵，包括：
[0010]基于所述特征矩阵，构建多元线性回归模型；
[0011]求解所述多元线性回归模型中的权重参数，获取所述参数矩阵。
[0012]其中，所述获取训练得到的参数矩阵之后，所述模型训练方法还包括：
[0013]对所述参数矩阵进行参数压缩，获取压缩后的稀疏矩阵。
[0014]其中，所述利用所述异常值对所述待训练模型的分类器进行训练，包括：
>[0015]将所述异常值分别输入所述待训练模型的若干分类器，获取每一分类器的预测类别以及预测置信度；
[0016]将所述预测置信度最高的分类器输出的预测类别作为所述待训练模型最终输出的预测类别；
[0017]根据所述预测类别与正确类别对所述待训练模型的分类器进行训练。
[0018]其中，所述根据所述预测类别与正确类别对所述待训练模型的分类器进行训练，包括：
[0019]将所述预测类别与所述正确类别一致的待训练图像重新输入输出所述预测类别的分类器进行训练。
[0020]其中，所述确定所述参数矩阵数值中的异常值，包括：
[0021]获取所述参数矩阵中每一参数的数值；
[0022]获取所有参数中数值大于预设阈值的异常值。
[0023]本申请还提供了一种图像分类方法，所述图像分类方法包括：
[0024]获取待分类图像；
[0025]利用预先训练的图像分类模型对所述待分类图像进行图像分类，输出所述待分类图像的分类类别；
[0026]其中，所述图像分类模型由上述的模型训练方法训练得到。
[0027]其中，所述利用预先训练的图像分类模型对所述待分类图像进行图像分类，输出所述待分类图像的分类类别，包括：
[0028]将所述待分类图像输入所述图像分类模型，获取每一分类器输出的分类置信度；
[0029]输出所述分类置信度最高的分类器输出的分类类别。
[0030]其中，所述图像分类模型输出的分类类别包括行人、机动车和/或非机动车。
[0031]本申请还提供了一种图像分类装置，所述图像分类装置包括处理器和存储器，所述存储器中存储有程序数据，所述处理器用于执行所述程序数据以实现如上述的模型训练方法，和/或图像分类方法。
[0032]本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现上述的模型训练方法，和/或图像分类方法。
[0033]本申请的有益效果是：图像分类装置获取待训练图像，提取待训练图像的特征矩阵；基于特征矩阵，获取训练得到的参数矩阵；获取参数矩阵数值大于预设阈值的异常值；利用异常值对待训练模型的分类器进行训练。通过上述方式，图像分类装置利用异常值检测的方法得到模型训练的权重参数矩阵，将不重要的、冗余的参数从模型中剔除，保留含有更多有效信息的参数，即异常值对应的参数，此方法使得训练得到的模型更简单、训练时间短、效果显著。
附图说明
[0034]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
[0035]图1是本申请提供的模型训练方法一实施例的流程示意图；
[0036]图2是本申请提供的模型训练方法的整体流程图；
[0037]图3是本申请提供的计算机视觉的示意图；
[0038]图4是图1所示模型训练方法步骤S14的具体流程示意图；
[0039]图5是本申请提供的图像分类方法一实施例的流程示意图；
[0040]图6是本申请提供的图像分类装置一实施例的结构示意图；
[0041]图7是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
[0042]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本申请保护的范围。
[0043]针对传统的图像分类方法中分类器模型冗余复杂、分类效果不理想、不具有泛化能力等问题，本申请提出一种基于异常值检测的分类方法。此方法能够减少分类器中复杂参数，提取图像中的主要特征即图像的有效信息，使得图像分类更准确，增量训练分类器提高其泛化能力。
[0044]具体请参阅图1和图2，图1是本申请提供的模型训练方法一实施例的流程示意图，图2是本申请提供的模型训练方法的整体流程图。
[0045]其中，本申请的模型训练方法应用于一种图像分类装置，其中，本申请的图像分类装置可以为服务器或终端设备等，也可以为由服务器和终端设备相互配合的系统。相应地，图像分类装置包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以分别设置于服务器和终端设备中。
[0046]进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，如分布式系统、云端等，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。在一些可能的实现方式中，本申请实施例的模型训练方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
[0047]具体而言，如图1所示，本申请实施例的模型训练方法具体包括以下步骤：
[0048]步骤S11：获取待训练图像，提取待训练图像的特征矩阵。
[0049]在本申请实施例中，图像分类装置获取类别分别为人、机动车、非机动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述模型训练方法包括：获取待训练图像，提取所述待训练图像的特征矩阵；基于所述特征矩阵，获取训练得到的参数矩阵；确定所述参数矩阵数值中的异常值；利用所述异常值对所述待训练模型的分类器进行训练。2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述特征矩阵，获取训练得到的参数矩阵，包括：基于所述特征矩阵，构建多元线性回归模型；求解所述多元线性回归模型中的权重参数，获取所述参数矩阵。3.根据权利要求1或2所述的模型训练方法，其特征在于，所述获取训练得到的参数矩阵之后，所述模型训练方法还包括：对所述参数矩阵进行参数压缩，获取压缩后的稀疏矩阵。4.根据权利要求1所述模型训练方法，其特征在于，所述利用所述异常值对所述待训练模型的分类器进行训练，包括：将所述异常值分别输入所述待训练模型的若干分类器，获取每一分类器的预测类别以及预测置信度；将所述预测置信度最高的分类器输出的预测类别作为所述待训练模型最终输出的预测类别；根据所述预测类别与正确类别对所述待训练模型的分类器进行训练。5.根据权利要求4所述的模型训练方法，其特征在于，所述根据所述预测类别与正确类别对所述待训练模型的分类器进行训练，包括：将所述预测类别与所述正确类别一致的待训练图像重新输入输出所述预测类别的分类器进行训练。6.根据权利要求1所述的模型训练方法，其特征在于，所...

【专利技术属性】
技术研发人员：马媛媛，王仁根，张学涵，张朋，程淼，符哲蔚，丁乃英，刘东，刘明，邓志吉，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：