【技术实现步骤摘要】
本申请涉及计算机视觉，特别是涉及一种图像分类模型的训练方法、装置及电子设备。
技术介绍
1、图像分类技术的应用范围十分广泛，例如，可应用于人脸识别、自动驾驶、智能家居和医学影像分析等领域。使用神经网络模型能够预测图像属于每种预设类别的概率，实现了对图像的分类，该方式能提高图像分类的速度和准确度，因此神经网络的快速发展进一步推动了图像分类技术在各个领域中落地。
2、在实际落地场景中，需要使用高可信的神经网络模型。即实际应用中期望神经网络模型预测的更高的概率对应的分类结果更可能是正确的；且更低的概率对应的分类结果更可能是不准确的，意味着神经网络对此次预测结果不太确认。
3、为了保证神经网络模型对图像进行分类的准确率，并降低误报率，目前在神经网络的训练过程中，通常将样本图像输入神经网络模型，得到神经网络模型输出的样本图像属于每种预设类别的概率，之后基于神经网络模型的输出结果与样本图像的训练标签计算损失值，然后利用损失值调整神经网络模型的网络参数。但该方式对于提高神经网络模型的预测准确度的效果有限，即训练后的得到神经网络...
【技术保护点】
1.一种图像分类模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，每张原始样本的尺寸均相同；所述对该两张样本图像按照指定比例混合，得到混合图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述对该两张样本图像的训练标签按照所述指定比例混合，得到所述混合图像的混合标签，包括：
4.根据权利要求2所述的方法，其特征在于，多次采样获得的混合权重满足贝塔分布。
5.根据权利要求1所述的方法，其特征在于，所述获取多张样本图像以及每张样本图像的训练标签，包括：
6.根据权利要求5...
【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，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，每张原始样本的尺寸均相同；所述对该两张样本图像按照指定比例混合，得到混合图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述对该两张样本图像的训练标签按照所述指定比例混合，得到所述混合图像的混合标签，包括：
4.根据权利要求2所述的方法，其特征在于，多次采样获得的混合权重满足贝塔分布。
5.根据权利要求1所述的方法，其特征在于，所述获取多张样本图像以及每张样本图像的训练标签，包括：
6.根据权利要求5所述的方法，其特征在于，所述图像分类网络输出的所述样本图像所属的类别包括所述样本图像属于每种预设类别的概率；所述基于所述样本损失值和所述混合损失值，调整所述图像分类网络的网络参数，包括：
7.根据权利要求6所述的方法，其特征在于，每两张样本图像之间的一致性偏差为：
8.根据权利要求6所述的方法，其特征在于，所述总损失值为：
9.根据权利要求6所述的方法，其特征在于，所述利用所述总损失值，调整所述图像分类网络的网络参数，包括：
10.根据权利要求1-9任一项所述的方法，其特征在于，所述图像分类网络包括特征提取层和余弦分类器，所述特征提取层用于对输入的图像进行特征提取得到图像特征，所述余弦分类器用于基于所述图像特征与每种预设类别的权重之间的余弦相似度，确定输入的图像属于每种预设类别的概率。
11.一种图像分类模型的训练装置，其特征在于，所述装置包括：...
【专利技术属性】
技术研发人员：沈西，杨再初，李昱廷，林容泰，黄世华，
申请(专利权)人：英特灵达信息技术深圳有限公司，
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。