图像分类模型的训练方法、装置、设备及存储介质与流程

本公开实施例涉及图像处理，尤其涉及一种图像分类模型的训练方法、装置、设备及存储介质。

背景技术：

1、神经网络模型的训练需要采集大量的样本。例如：对于图像分类模型来说，需要采集各种不同类别的图像样本，当不同类别的样本集数量不均衡时，会使得训练出的模型对于图像类别的识别不够精确。

技术实现思路

1、本公开实施例提供一种图像分类模型的训练方法、装置、设备及存储介质，可以克服样本集的长尾问题，从而提高图像分类模型的识别精度。

2、第一方面，本公开实施例提供了一种图像分类模型的训练方法，包括：

3、将当前样本图输入图像分类模型，输出相似度集；其中，所述图像分类模型为第一图像分类模型或者第二图像分类模型，所述第一图像分类模型和所述第二图像分类模型结构相同、内部参数不同；所述相似度集由所述当前样本图与设定图像类别间的相似度及当前样本图与历史样本图间的相似度构成，且所述相似度集为第一相似度集或者第二相似度集；所述第一相似度集由所述第一图像分类模型输出，所述第二相似度集由所述第二图像分类模型输出；

4、根据所述相似度集确定概率分布信息；其中，所述概率分布信息为第一概率分布信息或者第二概率分布信息；其中，所述第一概率分布信息根据所述第一相似度集确定，所述第二概率分布信息根据所述第二相似度集确定；

5、确定所述当前样本图对应的标签信息集；其中，所述标签集由所述当前样本图像的类别、历史样本图像的类别及设定图像类别确定；

6、基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，并基于训练后的第一图像分类模型对所述第二图像分类模型进行训练。

7、第二方面，本公开实施例还提供了一种图像分类模型的训练装置，包括：

8、相似度集获取模块，用于将当前样本图输入图像分类模型，输出相似度集；其中，所述图像分类模型为第一图像分类模型或者第二图像分类模型，所述第一图像分类模型和所述第二图像分类模型结构相同、内部参数不同；所述相似度集由所述当前样本图与设定图像类别间的相似度及当前样本图与历史样本图间的相似度构成，且所述相似度集为第一相似度集或者第二相似度集；所述第一相似度集由所述第一图像分类模型输出，所述第二相似度集由所述第二图像分类模型输出；

9、概率分布信息确定模块，用于根据所述相似度集确定概率分布信息；其中，所述概率分布信息为第一概率分布信息或者第二概率分布信息；其中，所述第一概率分布信息根据所述第一相似度集确定，所述第二概率分布信息根据所述第二相似度集确定；

10、标签信息集确定模块，用于确定所述当前样本图对应的标签信息集；其中，所述标签集由所述当前样本图像的类别、历史样本图像的类别及设定图像类别确定；

11、模型训练模块，用于基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，并基于训练后的第一图像分类模型对所述第二图像分类模型进行训练。：

12、第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

13、一个或多个处理器；

14、存储装置，用于存储一个或多个程序，

15、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例所述的图像分类模型的训练方法。

16、第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的图像分类模型的训练方法。

17、本公开实施例公开了一种图像分类模型的训练方法、装置、设备及存储介质。将当前样本图输入图像分类模型，输出相似度集；根据相似度集确定概率分布信息；其中，概率分布信息为第一概率分布信息或者第二概率分布信息；确定当前样本图对应的标签信息集；其中，标签集由当前样本图像的类别、历史样本图像的类别及设定图像类别确定；基于标签信息集、第一概率分布信息及第二概率分布信息对第一图像分类模型进行训练，并基于训练后的第一图像分类模型对第二图像分类模型进行训练。本公开实施例提供的图像分类模型的训练方法，基于标签信息集、第一概率分布信息及第二概率分布信息对第一图像分类模型和第二图像分类模型进行对比学习训练，可以克服样本集的长尾问题，从而提高训练后的图像分类模型的识别精度。

技术特征：

1.一种图像分类模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述图像分类模型包括编码子网络、分类子网络、全连接子网络、融合子网络及拼接子网络；将当前样本图输入图像分类模型，输出相似度集，包括：

3.根据权利要求2所述的方法，其特征在于，根据所述相似度集确定概率分布信息，包括：

4.根据权利要求3所述的方法，其特征在于，在获得指数相似度集之后，还包括：

5.根据权利要求1所述的方法，其特征在于，确定所述当前样本图对应的类别标签集，包括：

6.根据权利要求5所述的方法，其特征在于，根据所述当前样本图像的类别与历史样本图像的类别的比较结果确定第二标签信息子集，包括：

7.根据权利要求1所述的方法，其特征在于，基于所述标签集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，包括：

8.根据权利要求1或7所述的方法，其特征在于，基于训练后的第一图像分类模型对所述第二图像分类模型进行训练，包括：

9.根据权利要求2所述的方法，其特征在于，在基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练之后，还包括：

10.一种图像分类模型的训练装置，其特征在于，包括：

11.一种电子设备，其特征在于，所述电子设备包括：

12.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的图像分类模型的训练方法。

技术总结
本公开实施例提供了一种图像分类模型的训练方法、装置、设备及存储介质。将当前样本图输入图像分类模型，输出相似度集；根据所述相似度集确定概率分布信息；确定所述当前样本图对应的标签信息集；基于所述标签信息集、所述第一概率分布信息及所述第二概率分布信息对所述第一图像分类模型进行训练，并基于训练后的第一图像分类模型对所述第二图像分类模型进行训练。本公开实施例提供的图像分类模型的训练方法，基于标签信息集、第一概率分布信息及第二概率分布信息对第一图像分类模型和第二图像分类模型进行对比学习训练，可以克服样本集的长尾问题，从而提高训练后的图像分类模型的识别精度。

技术研发人员：杨志雄,雷鑫华,杨延展,李永会
受保护的技术使用者：抖音视界有限公司
技术研发日：
技术公布日：2024/1/13