【技术实现步骤摘要】
本专利技术涉及基于智能视觉及智能养老，尤其涉及一种图像分类模型的训练方法、装置、设备及介质。
技术介绍
1、图像的分类与识别是智能视觉领域的基础，随着智能视觉被应用在越来越多的场景下，对图像分类技术的准确性的要求也越来越高，同时为图像分类带来越来越多的挑战。
2、现有技术中，深度神经网络在众多研究领域(例如智能视觉、智能养老)中取得了突出进展，但由于深度神经网络缺乏透明度和和可解释性，对其预测结果的分析极其困难。在可解释研究方面，主要分为两部分，一种是研究新的可解释性方法，通过可视化模型的输出的热图，以提高模型的可信度和透明度，了解模型可以节省大量时间，防止收入损失；另一种是通过可解释分析，指导特征工程以进一步改进模型，可解释性可以更好的帮助理解模型关注的特征，分析特征的重要性，挖掘更多有用的特征，当原始特征众多时，可解释性分析尤为重要。虽然已有研究做出了这方面的研究，例如，对于卷积神经网络(cnns)可解释性相关研究，karen等人最早通过可视化给定输出类的梯度来初始化可解释性图，现在较为先进的方法是利用来自中间层的动作和...
【技术保护点】
1.一种图像分类模型的训练方法，其特征在于，包括：
2.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述通过待训练模型中的热图发生子模型获取与所述原始图像对应的可解释性图的步骤，包括：
3.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述通过待训练模型中的热图发生子模型获取与所述原始图像对应的可解释性图的步骤，还包括：
4.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述通过待训练模型中的热图发生子模型获取与所述原始图像对应的可解释性图的步骤，还包括：
5.如权利要求1所述的图像分类模型的训...
【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：
2.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述通过待训练模型中的热图发生子模型获取与所述原始图像对应的可解释性图的步骤，包括：
3.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述通过待训练模型中的热图发生子模型获取与所述原始图像对应的可解释性图的步骤，还包括：
4.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述通过待训练模型中的热图发生子模型获取与所述原始图像对应的可解释性图的步骤，还包括：
5.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述基于所述特征数据对所述原始图像进行区域提取处理，得到与积极区域对应的积极图像的步骤，包括：
6.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述将所述积极图像和所述原始图像进行合并，得到合并图像的步骤，包括...
【专利技术属性】
技术研发人员：舒畅，陈又新，
申请(专利权)人：平安科技上海有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。