基于类增学习的深度图像分类网络训练方法、电子设备及存储介质与流程

本发明涉及计算机视觉和机器学习领域，更具体地说，涉及一种基于类增学习的深度图像分类网络训练方法、电子设备及存储介质。

背景技术：

1、在计算机视觉领域，深度学习已经确立其在图像分类任务中的主导地位。随着数据集规模的不断膨胀及分类类别的日益增加，如何高效训练深度学习模型以强化分类性能、缩短训练周期、以及优化计算资源利用，成为当前研究的重点课题。

2、传统的训练方法往往将随机、无序的数据集输入模型，并依赖迭代过程中的参数调整以最小化损失函数，而这种做法未能充分利用数据固有的结构和复杂性层次，尤其在处理复杂任务或者大型数据集时，这一短板尤为凸显，表现为模型学习的效率不足。当前通用的学习机制往往遵循从浅入深、由简到繁的路径，这一事实启示了课程学习（curriculumlearning）的提出。该方法致力于在模型训练阶段，模拟这种循序渐进的学习策略。

3、现有的课程学习方法主要集中在基于样本难度来设计学习顺序，即首先向模型提供简单的样本，然后逐渐引入更复杂的例子，以此来引导模型逐步构建并优化其学习能力。确认样本难度通常借用先验知识、教师网络和样本损失。然而，该基于样本难度的课程学习方法面临如下两方面的挑战：首先，确认样本难度需要先验知识或者其它的过程，因此使得训练过程复杂；其次，此策略可能更适用于诸如机器翻译之类的领域，因为在这些领域中可以假设某些训练样例比其它的更简单 (例如，短句子比长句子更容易翻译)。然而，对于图像分类任务，分类模型出错往往是因为需要区分的类别之间非常相似，而非某个单独样本本身很难分类。

技术实现思路

1、本发明要解决的技术问题在于，针对现有技术中现有课程学习方法局限性，提供一种基于类增学习的深度图像分类网络训练方法、电子设备及存储介质。

2、本发明解决其技术问题所采用的技术方案是：构造一种基于类增学习的深度图像分类网络训练方法，包括以下步骤：

3、a1、构建深度图像分类网络，并初始化所述深度图像分类网络的网络参数以得到初始化分类网络；

4、a2、获取初始图像分类数据集，并初始化所述初始化分类网络对应的局部类集和学习率；

5、a3、以预设初始值开始，对训练过程的迭代次数进行计数；

6、a4、获取预执行训练过程对应的迭代计数值，以根据所述迭代计数值获取新增类别数量；

7、a5、以所述初始图像分类数据集中的图像类别为自变量构建类别训练优先级度量函数以获取与所述图像类别对应的训练优先级；

8、a6、根据所述新增类别数量和所述图像类别对应的训练优先级从所述初始图像分类数据集中获取预设图像类别以更新所述局部类集；

9、a7、根据所述局部类集从所述初始图像分类数据集获取对应的数据集以构建所述预执行训练过程的训练集，并执行所述预执行训练过程直至所述初始化分类网络收敛；

10、a8、在预执行训练过程对应的迭代计数值小于预设最大迭代次数时重置所述学习率，并以未参与训练的图像分类数据为所述初始图像分类数据集，并执行步骤a5。

11、优选地，在本发明所述的深度图像分类网络训练方法中，所述深度图像分类网络为resnet152网络。

12、优选地，在本发明所述的深度图像分类网络训练方法中，所述初始图像分类数据集为ilsvrc数据集。

13、优选地，在本发明所述的深度图像分类网络训练方法中，所述类别训练优先级度量函数为均等函数或相似性度量函数。

14、优选地，在本发明所述的深度图像分类网络训练方法中，所述根据所述迭代计数值获取新增类别数量；包括：根据以下公式获取所述类别数量，

15、；

16、其中，为所述新增类别数量，k为所述初始图像分类数据集的总类别数量，为预设最大迭代次数，为预执行训练过程对应的迭代计数值。

17、优选地，在本发明所述的深度图像分类网络训练方法中，在所述步骤a1中，所述预执行训练过程直至所述初始化分类网络收敛；包括：

18、根据预设动态更新损失函数进行训练至收敛。

19、优选地，在本发明所述的深度图像分类网络训练方法中，在所述步骤a2中，所述初始化分类网络对应的局部类集和学习率包括：

20、设置所述局部类集为空；和/或，

21、设置所述学习率为0.05。

22、优选地，在本发明所述的深度图像分类网络训练方法中，在所述步骤a8中，所述重置所述学习率，包括：

23、按照预设百分比减小所述学习率以得到新的学习率。

24、本发明还构造一种电子设备，包括存储器和处理器；

25、所述存储器用于存储计算机程序；

26、所述处理器用于执行所述计算机程序实现如上面描述的方法。

27、本发明还构造一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上面描述的方法。

28、实施本发明的一种基于类增学习的深度图像分类网络训练方法、电子设备及存储介质，具有以下有益效果：通过类增学习用于深度图像分类网络的训练，以进一步提升图像分类的性能，从而推动深度学习在计算机视觉领域的发展。

技术特征：

1.一种基于类增学习的深度图像分类网络训练方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的深度图像分类网络训练方法，其特征在于，所述深度图像分类网络为resnet152网络。

3.根据权利要求1所述的深度图像分类网络训练方法，其特征在于，所述初始图像分类数据集为ilsvrc数据集。

4.根据权利要求1所述的深度图像分类网络训练方法，其特征在于，所述类别训练优先级度量函数为均等函数或相似性度量函数。

5.根据权利要求1所述的深度图像分类网络训练方法，其特征在于，所述根据所述迭代计数值获取新增类别数量；包括：根据以下公式获取所述类别数量，

6.根据权利要求1所述的深度图像分类网络训练方法，其特征在于，在所述步骤a1中，所述预执行训练过程直至所述初始化分类网络收敛；包括：

7.根据权利要求1所述的深度图像分类网络训练方法，其特征在于，在所述步骤a2中，所述初始化分类网络对应的局部类集和学习率包括：

8.根据权利要求1所述的深度图像分类网络训练方法，其特征在于，在所述步骤a8中，所述重置所述学习率，包括：

9.一种电子设备，其特征在于，包括存储器和处理器；

10.一种计算机存储介质，其上存储有计算机程序，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8中任意一项所述的方法。

技术总结
本发明涉及基于类增学习的深度图像分类网络训练方法、电子设备及存储介质，包括：A1、构建初始化分类网络；A2、获取初始图像分类数据集和局部类集与学习率；A3、对训练过程的迭代次数进行计数；A4、获取预执行训练过程对应的迭代计数值以获取新增类别数量；A5、构建类别训练优先级度量函数以获取训练优先级；A6、根据新增类别数量和训练优先级更新局部类集；A7、根据局部类集构建训练集，执行训练过程直至初始化分类网络收敛；A8、迭代计数值小于预设最大迭代次数时重置学习率，并以未参与训练的图像分类数据为初始图像分类数据集并执行A5。实施本发明通过类增学习用于深度图像分类网络的训练，以进一步提升图像分类的性能。

技术研发人员：赵子海
受保护的技术使用者：深圳市软盟技术服务有限公司
技术研发日：
技术公布日：2024/2/6