图像分类及模型训练方法、装置和设备、存储介质制造方法及图纸

本申请实施例公开了一种图像分类和模型训练方法、装置和设备、存储介质，其中，所述图像分类方法包括：获取待分类的第一图像对应的第一图像特征、以及设定的支持图像集对应的支持特征集；其中，所述支持图像集中包括多个分类类别分别对应的至少一张支持图像，所述支持特征集中包括每一所述分类类别分别对应的支持特征；基于所述第一图像特征和每一所述支持特征，确定所述第一图像的第一分类结果；基于所述第一图像特征，对每一所述支持特征进行更新，得到更新后的每一所述支持特征；基于所述第一图像特征和更新后的每一所述支持特征，确定所述第一图像的第二分类结果；基于所述第一分类结果和所述第二分类结果，确定所述第一图像的目标分类结果。像的目标分类结果。像的目标分类结果。

【技术实现步骤摘要】
图像分类及模型训练方法、装置和设备、存储介质


[0001]本申请涉及但不限于计算机的深度学习
，尤其涉及一种图像分类和模型训练方法、装置和设备、存储介质。

技术介绍

[0002]少样本学习旨在发展深度学习模型在少量样本场景下的学习能力，少样本图像分类是少样本学习的一个基础任务，目的是基于少量标注图像，得到图像的分类类别。但是，相关技术中，少样本图像分类的分类准确度不高。

技术实现思路

[0003]有鉴于此，本申请实施例至少提供一种图像分类方法和模型训练方法、装置和设备、存储介质及程序产品。
[0004]本申请实施例的技术方案是这样实现的：
[0005]一方面，本申请实施例提供一种图像分类方法，所述方法包括：
[0006]获取待分类的第一图像对应的第一图像特征、以及设定的支持图像集对应的支持特征集；其中，所述支持图像集中包括多个分类类别分别对应的至少一张支持图像，所述支持特征集中包括每一所述分类类别分别对应的支持特征；
[0007]基于所述第一图像特征和每一所述支持特征，确定所述第一图像的第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：获取待分类的第一图像对应的第一图像特征、以及设定的支持图像集对应的支持特征集；其中，所述支持图像集中包括多个分类类别分别对应的至少一张支持图像，所述支持特征集中包括每一所述分类类别分别对应的支持特征；基于所述第一图像特征和每一所述支持特征，确定所述第一图像的第一分类结果；基于所述第一图像特征，对每一所述支持特征进行更新，得到更新后的每一所述支持特征；基于所述第一图像特征和更新后的每一所述支持特征，确定所述第一图像的第二分类结果；基于所述第一分类结果和所述第二分类结果，确定所述第一图像的目标分类结果。2.根据权利要求1所述的方法，其特征在于，所述第一分类结果包括所述第一图像在每一所述分类类别上的第一置信度，所述第二分类结果包括所述第一图像在每一所述分类类别上的第二置信度，所述目标分类结果包括所述第一图像的目标分类类别；所述基于所述第一分类结果和所述第二分类结果，确定所述第一图像的目标分类结果，包括：基于所述第一图像在每一所述分类类别上的第一置信度以及所述第一图像在每一所述分类类别上的第二置信度，确定所述第一图像在每一所述分类类别上的第三置信度；基于所述第一图像在每一所述分类类别上的所述第三置信度，确定所述第一图像的目标分类类别。3.根据权利要求1或2所述的方法，其特征在于，所述获取待分类的第一图像对应的第一图像特征，包括：利用第一特征提取网络，对待分类的所述第一图像进行特征提取，得到所述第一图像的第一特征图；利用区域生成网络，确定所述第一特征图中的至少一个第一候选区域；对每一所述第一候选区域进行池化，得到每一所述第一候选区域对应的第一图像特征。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于所述第一图像特征，对每一所述支持特征进行更新，得到更新后的每一所述支持特征，包括：针对每一所述支持特征，基于所述支持特征和所述第一图像特征之间的相似度，对所述支持特征进行更新，得到更新后的所述支持特征。5.根据权利要求4所述的方法，其特征在于，所述第一图像的数量为多张；所述基于所述支持特征和所述第一图像特征之间的相似度，对所述支持特征进行更新，得到更新后的所述支持特征，包括：基于每一所述第一图像对应的第一图像特征与所述支持特征之间的相似度，确定至少一个目标图像特征；基于每一所述目标图像特征与所述支持特征之间的相似度，对每一所述目标图像特征进行加权求和，得到更新特征；基于所述更新特征，对所述支持特征进行更新，得到更新后的所述支持特征。6.一种模型训练方法，其特征在于，所述模型包括第一特征提取网络和第二特征提取
网络，所述方法包括：利用所述第一特征提取网络，从第二图像中提取第二图像特征，并利用所述第二特征提取网络，从设定的支持图像集中提取支持特征集；其中，所述第二图像具有类别标签；所述支持图像集中包括多个分类类别分别对应的至少一张支持图像，所述支持特征集中包括每一所述分类类别分别对应的支持特征；基于所述第二图像特征和每一所述支持特征，确定所述第二图像的第一分类结果；基于所述第二图像的所述第一分类结果和所述第二图像的所述类别标签，确定第一损失值；基于所述第二图像特征，对每一所述支持特征进行更新，得到更新后的每一所述支持特征，并基于所述第二图像特征和更新后的每一所述支持特征，确定第二损失值；基于所述第一损失值和所述第二损失值，对所述模型进行至少一次更新，得到训练后的所述模型。7.根据权利要求6所述的方法，其特征在于，所述基于所述第二图像特征和更新后的每一所述支持特征，确定第二损失值，包括：确定所述第二图像特征和更新后的每一所述支持特征之间的相似度...

【专利技术属性】
技术研发人员：林少波，曾星宇，赵瑞，
申请(专利权)人：商汤人工智能研究中心深圳有限公司，
类型：发明
国别省市：