【技术实现步骤摘要】
本公开涉及图像处理领域，尤其涉及一种图像分类方法、装置、电子设备、介质及产品。
技术介绍
1、近些年来，得益于深层的卷积神经网络以及庞大的训练数据，图像分类的研究取得了重大进展，模型在大型数据集(如imagenet)上的表现已经超越了人类，研究者们也开始关注更难的图像分类场景，如增量学习。一般模型的训练是事先将所有的数据准备好，数据是固定、静态的，而现实生活中互联网上的各行各业都会产生大量的新数据，显然这种只依靠静态数据训练模型的方式不再适用，因此需要一种可以让模型不停的学习到新的知识，并且尽量不忘记先前所学习到的旧知识的方法，从而在动态数据的情况下，提高图像分类的准确度。
技术实现思路
1、本公开提供一种图像分类方法、装置、电子设备、介质及产品，以解决相关技术中的问题，通过利用同类型下相同和不同数量的样本进行模型训练，提高模型在新旧训练数据不平衡时的学习效果，通过数据集结合方式对模型训练，降低模型在学习新内容时对旧知识的遗忘率，从而提高训练后图像分类模型的模型性能，提高了在对动态数据集进...
【技术保护点】
1.一种图像分类方法，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，所述基于所述第一训练集、所述第二训练集和所述第三训练集，对所述第一训练模型进行迭代，以获取图像分类模型包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一融合训练集、所述第二融合训练集和所述采样训练集，对所述第一训练模型进行迭代，以获取图像分类模型包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述采样训练集，利用所述第一训练模型，确定交叉熵损失参数包括：
5.根据权利要求3所述的方法，其特征在于，所述基于...
【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：
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一训练集、所述第二训练集和所述第三训练集，对所述第一训练模型进行迭代，以获取图像分类模型包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一融合训练集、所述第二融合训练集和所述采样训练集，对所述第一训练模型进行迭代，以获取图像分类模型包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述采样训练集，利用所述第一训练模型，确定交叉熵损失参数包括：
5.根据权利要求3所述的方法，其特征在于，所述基于所述采样训练集，利用所述待训练模型和所述第一训...
【专利技术属性】
技术研发人员：赵凯，
申请(专利权)人：中移苏州软件技术有限公司，
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。