用于图像的分类处理方法、装置、设备及存储介质制造方法及图纸

本申请关于一种用于图像的分类处理方法、装置、设备及存储介质，涉及人工智能技术领域。方法包括：将第一图像样本输入图像处理模型，获得第一特征图、第二特征图、第一预测结果以及第二预测结果；基于所述第一特征图、所述第二特征图、所述第一预测结果以及所述第二预测结果，获取第一分类信息和第二分类信息；获取损失函数值；基于所述损失函数值对所述图像处理模型进行参数更新。上述方案提高了图像处理模型的准确性。模型的准确性。模型的准确性。

【技术实现步骤摘要】
用于图像的分类处理方法、装置、设备及存储介质


[0001]本申请涉及人工智能
，特别涉及一种用于图像的分类处理方法、装置、设备及存储介质。

技术介绍

[0002]半监督学习旨在利用无标记数据，来解决全监督学习中依赖大量标记样本的难题，近日来在图像的分类处理的场景中备受关注。
[0003]在相关技术中，在图像的分类处理的场景中，在进行半监督学习时，可以使用单一的卷积神经网络(Convolutional Neural Networks，CNN)来进行特征挖掘，并对输入图像或者网络参数增加小扰动，来对预测结果进行一致性约束。
[0004]然而，相关技术中的半监督学习方法用于图像的分类处理时，对于类别的分布挖掘能力交叉，影响训练得到的模型的准确性。

技术实现思路

[0005]本申请实施例提供了一种用于图像的分类处理方法、装置、设备及存储介质，可以提高用于图像的分类处理的模型的准确性，该技术方案如下。
[0006]一方面，提供了一种用于图像的分类处理方法，所述方法包括：
[0007]将第一图像样本输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图像的分类处理方法，其特征在于，所述方法包括：将第一图像样本输入图像处理模型，获得第一特征图、第二特征图、第一预测结果以及第二预测结果；所述第一特征图是所述图像处理模型中的第一处理分支对所述第一图像样本进行特征提取处理得到的特征图，所述第二特征图是所述图像处理模型中的第二处理分支对所述第一图像样本进行特征提取处理得到的特征图；所述第一预测结果用于指示所述第一处理分支预测得到的，所述第一样本图像中的各个像素分别所属的分类；所述第二预测结果用于指示所述第二处理分支预测得到的，所述第一样本图像中的各个像素分别所属的分类；所述第一图像样本是未标注的图像样本；基于所述第一特征图、所述第二特征图、所述第一预测结果以及所述第二预测结果，获取第一分类信息和第二分类信息；所述第一分类信息用于指示所述第一处理分支对所述第一图像样本的分类情况；所述第二分类信息用于指示所述第二处理分支对所述第一图像样本的分类情况；获取损失函数值；所述损失函数值中包含第一损失函数子值，所述第一损失函数子值用于指示所述第一分类信息和所述第二分类信息之间的差异；基于所述损失函数值对所述图像处理模型进行参数更新；其中，训练至收敛的所述图像处理模型，用于对输入的目标图像进行处理，预测所述目标图像中的各个像素分别所属的分类。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征图、所述第二特征图、所述第一预测结果以及所述第二预测结果，获取第一分类信息和第二分类信息，包括：基于所述第一预测结果和所述第二预测结果，获取所述第一图像样本中的各个像素的分类标签；所述分类标签用于指示对应的像素的分类；将所述第一特征图转化为第一流形特征，所述第一流形特征包括与所述第一图像样本中的每个像素分别对应的一个特征；基于所述第一流形特征，以及所述各个像素的分类标签，获取所述第一分类信息；将所述第二特征图转化为第二流形特征，所述第二流形特征包括与所述第一图像样本中的每个像素分别对应的一个特征；基于所述第二流形特征，以及所述各个像素的分类标签，获取所述第二分类信息。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一流形特征，以及所述各个像素的分类标签，获取所述第一分类信息，包括：基于所述第一流形特征，以及所述各个像素的分类标签，获取所述第一流形特征中，对应各个分类的原型；所述原型是属于对应分类的特征的平均结果；基于所述第一流形特征中，对应各个分类的原型，获取所述第一分类信息；所述基于所述第二流形特征，以及所述各个像素的分类标签，获取所述第二分类信息，包括：基于所述第二流形特征，以及所述各个像素的分类标签，获取所述第二流形特征中，对应各个分类的原型；基于所述第二流形特征中，对应各个分类的原型，获取所述第二分类信息。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一流形特征中，对应各个分类的原型，获取所述第一分类信息，包括：
基于所述第一流形特征中，对应各个分类的原型构建协方差矩阵，获得所述第一分类信息；所述基于所述第二流形特征中，对应各个分类的原型，获取所述第二分类信息，包括：基于所述第二流形特征中，对应各个分类的原型构建协方差矩阵，获得所述第二分类信息。5.根据权利要求4所述的方法，其特征在于，所述获取损失函数值，包括：获取所述第一分类信息以及所述第二分类信息之间的F范数，作为所述第一损失函数子值。6.根据权利要求3所述的方法，其特征在于，所述获取损失函数值，还包括：获取所述损失函数值中的第二损失函数子值，所述第二损失函数子值用于最大化所述第一流形特征中，对应各个分类的原型之间的差异；获取所述损失函数值中的第三损失函数子值，所述第三损失函数子值用于最大化所述第二流形特征中，对应各个分类的原型之间的差异。7.根据权利要求3所述的方法，其特征在于，所述获取损失函数值，还包括：从所述各个分类中的每个分类对应的候选特征中选择注意力得分最高的K个特征，添加入对应分类的存储空间；K为大于或者等于1的整数；所述候选特征是所述图像处理模型对第二图像样本进行提取并转化为流形的特征；所述第二图像样本是已标注的图像样本；获取所述损失函数值中的第四损失函数子值，所述第四损失函数子值用于指示所述第一流形特征中，对应各个分类的原型，与所述各个分类的存储空间...

【专利技术属性】
技术研发人员：黄慧敏，黄雅雯，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：