本申请涉及计算机视觉,特别是涉及一种模型训练方法、图像分类方法、图像分类装置以及计算机可读存储介质。
背景技术:
1、在计算机视觉中,对图像进行快速的、高效的分类是非常具有挑战性的一项任务。传统的图像分类模型不仅参数过于复杂与冗余,而且在训练的图像分类器预测图像效果准确度较低,训练效率较低,训练得到的图像分类器参数结构复杂,分类效率低。
技术实现思路
1、本申请提供了一种模型训练方法、图像分类方法、图像分类装置以及计算机可读存储介质。
2、本申请提供了一种模型训练方法,所述模型训练方法包括:
3、获取待训练图像,提取所述待训练图像的特征矩阵;
4、基于所述特征矩阵,获取训练得到的参数矩阵;
5、确定所述参数矩阵数值中的异常值;
6、利用所述异常值对所述待训练模型的分类器进行训练。
7、其中,所述基于所述特征矩阵,获取训练得到的参数矩阵,包括:
8、基于所述特征矩阵,构建多元线性回归模型;
9、求解所述多元线性回归模型中的权重参数,获取所述参数矩阵。
10、其中,所述获取训练得到的参数矩阵之后,所述模型训练方法还包括:
11、对所述参数矩阵进行参数压缩,获取压缩后的稀疏矩阵。
12、其中,所述利用所述异常值对所述待训练模型的分类器进行训练,包括:
13、将所述异常值分别输入所述待训练模型的若干分类器,获取每一分类器的预测类别以及预测置信度;
14、将所述预测置信度最高的分类器输出的预测类别作为所述待训练模型最终输出的预测类别;
15、根据所述预测类别与正确类别对所述待训练模型的分类器进行训练。
16、其中,所述根据所述预测类别与正确类别对所述待训练模型的分类器进行训练,包括:
17、将所述预测类别与所述正确类别一致的待训练图像重新输入输出所述预测类别的分类器进行训练。
18、其中,所述确定所述参数矩阵数值中的异常值,包括:
19、获取所述参数矩阵中每一参数的数值;
20、获取所有参数中数值大于预设阈值的异常值。
21、本申请还提供了一种图像分类方法,所述图像分类方法包括:
22、获取待分类图像;
23、利用预先训练的图像分类模型对所述待分类图像进行图像分类,输出所述待分类图像的分类类别;
24、其中,所述图像分类模型由上述的模型训练方法训练得到。
25、其中,所述利用预先训练的图像分类模型对所述待分类图像进行图像分类,输出所述待分类图像的分类类别,包括:
26、将所述待分类图像输入所述图像分类模型,获取每一分类器输出的分类置信度;
27、输出所述分类置信度最高的分类器输出的分类类别。
28、其中,所述图像分类模型输出的分类类别包括行人、机动车和/或非机动车。
29、本申请还提供了一种图像分类装置,所述图像分类装置包括处理器和存储器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现如上述的模型训练方法,和/或图像分类方法。
30、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用于存储程序数据,所述程序数据在被处理器执行时,用以实现上述的模型训练方法,和/或图像分类方法。
31、本申请的有益效果是:图像分类装置获取待训练图像,提取待训练图像的特征矩阵;基于特征矩阵,获取训练得到的参数矩阵;获取参数矩阵数值大于预设阈值的异常值;利用异常值对待训练模型的分类器进行训练。通过上述方式,图像分类装置利用异常值检测的方法得到模型训练的权重参数矩阵,将不重要的、冗余的参数从模型中剔除,保留含有更多有效信息的参数,即异常值对应的参数,此方法使得训练得到的模型更简单、训练时间短、效果显著。
1.一种模型训练方法,其特征在于,所述模型训练方法包括:
2.根据权利要求1所述的模型训练方法,其特征在于,
3.根据权利要求1或2所述的模型训练方法,其特征在于,
4.根据权利要求1所述模型训练方法,其特征在于,
5.根据权利要求4所述的模型训练方法,其特征在于,
6.根据权利要求1所述的模型训练方法,其特征在于,
7.一种图像分类方法,其特征在于,所述图像分类方法包括:
8.根据权利要求7所述的图像分类方法,其特征在于,
9.根据权利要求7所述的图像分类方法,其特征在于,
10.一种图像分类装置,其特征在于,所述图像分类装置包括处理器和存储器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现如权利要求1至6任一项所述的模型训练方法,和/或权利要求7至9任一项所述的图像分类方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现权利要求1至6任一项所述的模型训练方法,和/或权利要求7至9任一项所述的图像分类方法。