图像分类模型的构建方法、图像分类方法、装置和设备制造方法及图纸

本申请涉及一种图像分类模型的构建方法、图像分类方法、装置、设备、存储介质和程序产品。所述方法涉及人工智能，包括：根据图像样本集和预训练得到第一分类模型的输出数据，输出数据包括表示图像类别在空间上的位置信息的类别空间数据，和表示各图像类别之间的关联关系的类别关联参数，对第二分类模型进行知识蒸馏训练。在训练过程中，根据图像样本集、类别空间数据和类别关联参数更新第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。采用本方法可实现利用图像类别在空间上的位置信息和各图像类别之间的关联关系，对第二分类模型的全面训练，提升训练好的图像分类模型的识别分类准确度。的识别分类准确度。的识别分类准确度。

【技术实现步骤摘要】
图像分类模型的构建方法、图像分类方法、装置和设备


[0001]本申请涉及人工智能
，特别是涉及一种图像分类模型的构建方法、图像分类方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着人工智能技术的发展，以及在图像识别、目标检测领域下，对图像上不同对象的分类和识别准确度要求日益提升，出现了通过训练得到分类模型，并利用分类模型来执行识别分类任务，以获得图像的对象识别结果的方式。
[0003]为了减少模型训练时间以及训练过程中的资源消耗，通常采用知识蒸馏的方式训练得到分类模型。其中，知识蒸馏是深度学习中一种模型小型化技术，其主要框架是先训练一个较大的教师模型，而后将教师模型的知识迁移给较小的学生模型，以实现模型小型化，并提高小模型的效果。
[0004]然而，传统的知识蒸馏方式，其迁移的知识通常包括大模型的输出结果和特征图等，而仅将大模型的输出结果和特征图进行迁移的方式，并未全面考虑在图像识别及目标检测领域下，基于图像上的多个图像类别的准确识别要求，实际所需要的特征和数据，导致训练得到的分类模型，由于缺少全面的实际所需特征和数据，仍然存在分类识别准确度较为低下的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提升图像的对象分类、识别准确度的图像分类模型的构建方法、图像分类方法、装置、计算机设备、存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种图像分类模型的构建方法。所述方法包括：
[0007]获取图像样本集；
[0008]根据所述图像样本集，和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练；其中，所述第一分类模型的输出数据包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。
[0009]第二方面，本申请还提供了一种图像分类方法。所述方法包括：
[0010]接收图像分类请求，获取与所述图像分类请求对应的待分类图像；
[0011]根据训练好的图像分类模型，对所述待分类图像进行分类处理，获得所述待分类图像对应的至少一个图像类别；
[0012]其中，所述训练好的图像分类模型，是根据图像样本集和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练得到的；所述第一分类模型的输出数据
包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。
[0013]第三方面，本申请还提供了一种图像分类模型的构建装置。所述装置包括：
[0014]图像样本集获得模块，用于获取图像样本集；
[0015]图像分类模型获得模块，用于根据所述图像样本集，和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练；其中，所述第一分类模型的输出数据包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。
[0016]第四方面，本申请还提供了一种图像分类装置。所述装置包括：
[0017]待分类图像获取模块，用于接收图像分类请求，获取与所述图像分类请求对应的待分类图像；
[0018]图像分类处理模块，用于根据训练好的图像分类模型，对所述待分类图像进行分类处理，获得所述待分类图像对应的至少一个图像类别；其中，所述训练好的图像分类模型，是根据图像样本集和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练得到的；所述第一分类模型的输出数据包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。
[0019]第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0020]获取图像样本集；
[0021]根据所述图像样本集，和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练；其中，所述第一分类模型的输出数据包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。
[0022]第六方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0023]接收图像分类请求，获取与所述图像分类请求对应的待分类图像；
[0024]根据训练好的图像分类模型，对所述待分类图像进行分类处理，获得所述待分类图像对应的至少一个图像类别；
[0025]其中，所述训练好的图像分类模型，是根据图像样本集和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练得到的；所述第一分类模型的输出数据
包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。
[0026]第七方面，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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0027]获取图像样本集；
[0028]根据所述图像样本集，和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练；其中，所述第一分类模型的输出数据包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类模型的构建方法，其特征在于，所述方法包括：获取图像样本集；根据所述图像样本集，和预训练得到第一分类模型的输出数据，对第二分类模型进行知识蒸馏训练；其中，所述第一分类模型的输出数据包括类别空间数据和类别关联参数，所述类别空间数据表示图像类别在空间上的位置信息，所述类别关联参数表示各图像类别之间的关联关系；在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型。2.根据权利要求1所述的方法，其特征在于，所述第一分类模型是根据所述图像样本集对初始分类模型进行预训练得到的，所述初始分类模型包括特征提取层、池化层和全连接层；训练得到所述第一分类模型的方式，包括：基于所述特征提取层，对所述图像样本集中的各图像样本进行特征提取，获得特征张量；基于所述池化层，对各所述特征张量进行空间池化处理，获得与各所述图像样本对应的特征向量；基于与所述全连接层对应的类别参数矩阵，对各所述图像样本对应的特征向量进行加权处理，获得预测类别数据；所述类别参数矩阵中包括与不同类别对应的类别关联参数；若所述预测类别数据满足对初始分类模型的训练结束条件，获得训练好的第一分类模型。3.根据权利要求2所述的方法，其特征在于，所述第一分类模型的输出数据包括类别空间数据，获得所述类别空间数据的方式，包括：从与所述全连接层对应的类别参数矩阵中，确定出与所述图像样本的各特征张量一一对应的类别关联参数；依次对每一图像样本的各所述特征张量、以及与各所述特征张量一一对应的类别关联参数，进行加权处理，获得对应图像样本的类别空间数据。4.根据权利要求1至3任意一项所述的方法，其特征在于，在所述获取图像样本集之后，还包括：获取所述图像样本集中各图像样本对应的标注标签；从所述图像样本集中，筛选出所述标注标签为正标签的目标图像样本。5.根据权利要求4所述的方法，其特征在于，所述第一分类模型的输出数据包括第一类别空间数据和第一类别关联参数；获得所述第一分类模型的输出数据的方式，包括：根据所述图像样本集中的各图像样本，对所述第一分类模型进行训练，获得所述第一分类模型输出的与所述目标图像样本对应的第一类别空间数据；获取与所述第一分类模型的全连接层关联的第一类别参数矩阵，并从所述第一类别参数矩阵中提取与所述目标图像样本对应的第一类别关联参数。6.根据权利要求5所述的方法，其特征在于，在训练过程中，根据所述图像样本集、类别空间数据和类别关联参数，更新所述第二分类模型的模型参数，若满足训练结束条件，将训练结束时的第二分类模型，确定为训练好的图像分类模型，包括：根据所述图像样本集中的各图像样本，对所述第二分类模型进行训练，获得所述第二
分类模型输出的与所述目标图像样本对应的第二类别空间数据；获取与所述第二分类模型的全连接层关联的第二类别参数矩阵，并从所述第二类别参数矩阵中提取与所述目标图像样本对应的第二类别关联参数；基于所述第一类别空间数据和所述第二类别空间数据，确定第一损失值；基于所述第一类别关联参数和所述第二类别关联参数，确定第二损失值；根据与所述第一损失值对应的第一权重、第一损失值、与所述第二损失值对应的第二权重、以及第二损失值，确定融合训练损失值；若所述融合训练损失值满足训练结束条件，完成对所述第二分类模型的模型参数的更新，并将更新结束时的第二分类模型，确定为训...

【专利技术属性】
技术研发人员：林志文，鄢科，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：