【技术实现步骤摘要】
本专利技术属于图像处理领域，涉及一种图像分类模型训练方法、图像处理方法及相关装置。
技术介绍
1、近年来，深度学习在许多应用领域都取得了显著的进步，包括视觉(如目标检测和语义分割等)、语音(如声源定位和跟踪和语音识别等)和文本(如实体识别和自动化语言翻译等)等方面，并且不断在刷新精度和其他关键指标性能。在机器学习中，通过样本平均误差最小化作为模型训练达到收敛或者合适精度的优化目标函数，其在深度图像分类模型的训练中也得到了广泛的采用，该学习规则也被称为经验风险最小化(erm)。然而，当存在着严重的标签噪声甚至标签在分类任务中为随机指定的情形下，erm仍能使得模型在训练数据集上具有较高的精度，这种神经网络的记忆行为表明模型并未学习到类别正确的不变特征，存在着严重的过拟合现象。即使施加对目标函数添加正则化项(如lasso正则)，也并不能明显缓解这种网络记忆行为。此外，使用erm训练的图像分类模型只有在测试数据与训练集中的数据分布非常相似的情况下才会表现良好。当用略微不同的数据分布，如对抗样本进行评估时，它们往往会以非常高的置信度给出十分明显的...
【技术保护点】
1.一种图像分类模型训练方法，其特征在于，包括：
2.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述通过随机Batch调度器确定图像分类模型的当前待增强网络层的增强状态包括：
3.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述在当前待增强网络层对训练图像的特征数据进行数据增强包括：
4.根据权利要求1或3所述的图像分类模型训练方法，其特征在于，所述在当前待增强网络层对训练图像的特征数据进行数据增强包括：
5.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述优化损失函数为：
6...
【技术特征摘要】
1.一种图像分类模型训练方法，其特征在于，包括：
2.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述通过随机batch调度器确定图像分类模型的当前待增强网络层的增强状态包括：
3.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述在当前待增强网络层对训练图像的特征数据进行数据增强包括：
4.根据权利要求1或3所述的图像分类模型训练方法，其特征在于，所述在当前待增强网络层对训练图像的特征数据进行数据增强包括：
5.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述优化损失函数为：
6.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述图...
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。