图像分类模型训练方法、图像分类方法、设备及存储介质

本申请属于数据处理，尤其涉及一种图像分类模型训练方法、图像分类方法、终端设备及存储介质。

背景技术：

1、随着计算机技术的发展，基于大规模数据训练得到的图像分类模型，能够对图像进行分类，例如在医学领域中，可以通过机器学习或深度学习的方法对急性淋巴细胞图像处理，得到急性淋巴细胞分类结果。

2、然而，基于传统的机器学习或深度学习算法训练得到的图像分类模型，通常是采用干净的图像数据来训练模型，而在现实世界的环境中，图像分类模型输入的数据很难保证都是干净数据，往往夹杂着噪音数据或者被添加了微小的扰动，导致模型预测错误。

3、因此，基于传统的机器学习或深度学习算法训练得到的图像分类模型，模型的鲁棒性差，导致模型预测结果不精准。

技术实现思路

1、本申请的目的在于提供一种图像分类模型训练方法、图像分类方法、终端设备及存储介质，旨在解决采用传统的机器学习算法或者深度学习算法训练图像分类模型导致模型精度低的问题。

2、本申请实施例的第一方面提供了一种图像分类模型训练方法，包括：

3、获取原始图像样本，并对所述原始图像样本进行扰动处理，得到对抗样本；

4、将所述原始图像样本和所述对抗样本输入到预先构建的图像分类模型中进行训练，得到训练后的图像分类模型。

5、根据原始图像样本和对抗样本对图像分类模型进行对抗训练，由于对抗样本是对原始图像样本增加扰动后得到的，因此训练后的图像分类模型能够学习到更多的特征，提高了图像分类模型抵抗恶意攻击的能力，从而提高了图像分类模型分类识别的准确性。

6、在第一方面的一种实现方式中，所述对所述原始图像样本进行扰动处理，得到对抗样本，包括：

7、对所述原始图像样本进行像素级扰动处理和空间级扰动处理，得到对抗样本；其中，所述像素级扰动处理包括对所述原始图像样本中像素点的颜色值调整操作；所述空间级扰动处理包括对所述原始图像样本中像素点的平移和/或旋转操作。

8、通过对所述原始图像样本添加像素级扰动信息和空间级扰动信息，使得图像分类模型不仅能学习到像素级变化信息，还能学习到平移和旋转等空间变化信息，提高了图像分类模型抵抗不同类型扰动的鲁棒性。

9、在第一方面的一种实现方式中，所述对所述原始图像样本进行像素级扰动处理和空间级扰动处理，得到对抗样本，包括：

10、将所述原始图像样本输入所述图像分类模型，由所述图像分类模型对所述原始图像样本进行像素级扰动处理和空间级扰动处理，得到所述对抗样本。

11、在第一方面的一种实现方式中，所述将所述原始图像样本输入所述图像分类模型，由所述图像分类模型对所述原始图像样本进行像素级扰动处理和空间级扰动处理，得到所述对抗样本，包括：

12、在所述图像分类模型中采用预设的对抗样本生成算法生成所述原始图像样本的像素扰动信息，并对所述原始图像样本添加所述像素扰动信息，得到像素级扰动样本；

13、初始化空间扰动量，并在所述图像分类模型对所述空间扰动量进行修正，得到空间扰动量目标值；

14、对所述像素级扰动样本添加所述空间扰动量目标值，得到对抗样本。

15、在第一方面的一种实现方式中，所述在所述图像分类模型对所述空间扰动量进行修正，得到空间扰动量目标值，包括：

16、在所述图像分类模型中采用超参数搜索算法对所述空间扰动量的最优值进行搜索，以确定所述空间扰动量目标值。

17、在第一方面的一种实现方式中，所述图像分类模型的网络层包括批标准化层；所述批标准化层包括干净批标准化模块和对抗批标准化模块；

18、所述批标准化层，用于通过所述干净批标准化模块对其他网络层输出的原始图像样本类型数据进行归一化处理，以及通过所述对抗批标准化模块对其他网络层输出的对抗样本类型数据进行归一化处理。

19、通过在图像分类模型的批标准化层中分别处理原始图像样本类型数据和对抗样本类型数据，能提高图像分类模型对原始图像样本识别的准确率。

20、本申请实施例的第二方面提供了一种图像分类方法，包括：

21、将待分类的图像输入到图像分类模型中进行分类，得到分类结果；

22、其中，所述图像分类模型为利用如上述第一方面提供的所述图像分类模型训练方法训练得到的图像分类模型。

23、本申请实施例第三方面提供了一种终端设备，包括：

24、对抗生成模块，用于获取原始图像样本，并对所述原始图像样本进行扰动处理，得到对抗样本；

25、训练模块，用于将所述原始图像样本和所述对抗样本输入到预先构建的图像分类模型中进行训练，得到训练后的图像分类模型。

26、本申请实施例第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面提供的所述图像分类模型训练方法，或者，所述处理器执行所述计算机程序时实现如上述第二方面提供的所述图像分类方法。

27、本申请实施例第五方面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存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面提供的所述图像分类模型训练方法，或者，所述计算机程序被处理器执行时实现如上述第二方面提供的所述图像分类方法。

28、可以理解的是，上述第二方面、第三方面、第四方面和第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

技术特征：

1.一种图像分类模型训练方法，其特征在于，包括：

2.如权利要求1所述的图像分类模型训练方法，其特征在于，所述对所述原始图像样本进行扰动处理，得到对抗样本，包括：

3.如权利要求2所述的图像分类模型训练方法，其特征在于，所述对所述原始图像样本进行像素级扰动处理和空间级扰动处理，得到对抗样本，包括：

4.如权利要求3所述的图像分类模型训练方法，其特征在于，所述将所述原始图像样本输入所述图像分类模型，由所述图像分类模型对所述原始图像样本进行像素级扰动处理和空间级扰动处理，得到所述对抗样本，包括：

5.如权利要求4所述的图像分类模型训练方法，其特征在于，所述在所述图像分类模型对所述空间扰动量进行修正，得到空间扰动量目标值，包括：

6.如权利要求1至5任一项所述的图像分类模型训练方法，其特征在于，所述图像分类模型的网络层包括批标准化层；所述批标准化层包括干净批标准化模块和对抗批标准化模块；

7.一种图像分类方法，其特征在于，包括：将待分类的图像输入到图像分类模型中进行分类，得到分类结果；

8.一种终端设备，其特征在于，包括：

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序时实现如权利要求1至6任一项所述的图像分类模型训练方法，或者，所述处理器执行所述计算机程序时实现如权利要求7所述的图像分类方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像分类模型训练方法，或者，所述计算机程序被处理器执行时实现如权利要求7所述的图像分类方法。

技术总结
本申请公开了一种图像分类模型训练方法、图像分类方法、设备及存储介质，所述方法通过对原始图像样本增加扰动，得到对抗样本，并根据原始图像样本和对抗样本对图像分类模型进行对抗训练，使得图像分类模型能够学习到更多的特征，提高了图像分类模型抵抗恶意攻击的能力，从而提高了图像分类模型分类识别的准确性。相应地，本申请还提供一种图像分类方法、终端设备和计算机可读存储介质。

技术研发人员：李坚强,陈杰,刘馨元,刘欣桐
受保护的技术使用者：深圳大学
技术研发日：
技术公布日：2024/1/13