图像分类模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种图像分类模型的训练方法、装置、电子设备及存储介质，图像分类模型包括多个图像分类模块，每个图像分类模块对应不同的图像分类场景，获取训练数据集；对每个图像样本分类标签进行特征提取，获得每个图像样本对应的特征图像；将每个图像样本对应的特征图像作为输入数据，每个图像样本对应的样本分类标签作为输出数据，分别对多个图像分类模块进行训练，获得多个已训练的图像分类模块；基于多个已训练的图像分类模块，获得已训练的图像分类模型。由于训练后的每个图像分类模块针对每种图像分类场景进行分类，已训练的图像分类模型中的每个图像分类模块，可以对每种图像分类场景对应的图像进行准确高效的分类。

【技术实现步骤摘要】
图像分类模型的训练方法、装置、电子设备及存储介质
本申请涉及图像分类
，更具体地，涉及一种图像分类模型的训练方法、装置、电子设备及存储介质。
技术介绍
用户在拍摄图片时，当拍摄的图片数量庞大时，为了方便管理，需要对拍摄的图片进行分类，通常的方法是由用户对图片逐一进行手动分类，导致图片分类效率以及准确率低。
技术实现思路
鉴于上述问题，本申请提出了一种图像分类模型的训练方法、装置、电子设备及存储介质，能够提高图片分类效率以及分类准确率。第一方面，本申请实施例提供了一种图像分类模型的训练方法，所述图像分类模型包括多个图像分类模块，每个所述图像分类模块对应不同的图像分类场景，所述方法包括：获取训练数据集，其中，所述训练数据集包括多个图像样本，以及每个所述图像样本对应的样本分类标签；对每个所述图像样本进行特征提取，获得每个所述图像样本对应的特征图像；将每个所述图像样本对应的特征图像作为输入数据，每个所述图像样本对应的样本分类标签作为输出数据，分别对所述多个图像分类模块进行训练，获得多个已训练的图像分类模块；基于所述多个已训练的图像分类模块，获得已训练的图像分类模型。第二方面，本申请实施例提供了一种图像分类模型的训练装置，包括：获取模块，用于获取训练数据集，所述训练数据集包括多个图像样本，以及每个所述图像样本对应的样本分类标签；特征提取模块，用于对每个所述图像样本进行特征提取，获得每个所述图像样本对应的特征图像；训练模块，用于将每个所述图像样本对应的特征图像作为输入数据，每个所述图像样本对应的样本分类标签作为输出数据，分别对所述多个图像分类模块进行训练，获得多个已训练的图像分类模块；图像分类模型获得模块，用于基于所述多个已训练的图像分类模块，获得已训练的图像分类模型。第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述方法。第四方面，本申请实施例提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述的方法。本申请提供的图像分类模型的训练方法、装置、电子设备及存储介质，图像分类模型包括多个图像分类模块，每个图像分类模块对应不同的图像分类场景，获取训练数据集，其中，训练数据集中包括多个图像样本，以及每个图像样本对应的样本分类标签；对每个图像样本分类标签进行特征提取，获得每个图像样本对应的特征图像；将每个图像样本对应的特征图像作为输入数据，每个图像样本对应的样本分类标签作为输出数据，分别对多个图像分类模块进行训练，获得多个已训练的图像分类模块；基于多个已训练的图像分类模块，获得已训练的图像分类模型。由于训练后的每个图像分类模块针对每种图像分类场景进行分类，已训练的图像分类模型中的每个图像分类模块，可以对每种图像分类场景对应的图像进行准确高效的分类。本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出了一种多场景多标签分类示意图；图2示出了一种图像分类模型的示意图；图3示出了一种图像分类模型的模型结构图；图4示出了本申请的图像分类模型的示意图；图5示出了本申请的图像分类模型的模型结构图；图6示出了根据本申请一个实施例的图像分类模型的训练方法流程图；图7示出了根据本申请另一个实施例的图像分类模型的训练方法流程图；图8示出了根据本申请另一个实施例的图像分类模型的训练方法流程图；图9示出了根据本申请另一个实施例的图像分类模型的训练方法流程图；图10示出了根据本申请另一个实施例的图像分类模型的训练方法流程图；图11示出了步骤S560子步骤流程图；图12示出了根据本申请一个实施例的图像分类模型的训练装置的框图；图13是本申请实施例的用于执行根据本申请实施例的图像分类模型的训练方法的电子设备的框图；图14是本申请实施例的用于保存或者携带实现根据本申请实施例的图像分类模型的训练方法的程序代码的存储单元。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。用户在拍摄图片时，当拍摄的图片数量庞大时，为了方便管理，需要对拍摄的图片进行分类，在实际分类中，由于场景丰富，标签复杂等因素，在大多数情况下，一张图片可能不只是属于一个类别，而有可能属于多个类别(多标签分类)，即所谓的多场景多标签分类。图1示出了一种多场景多标签分类示意图，请参阅图1，场景1对应的分类为多个，场景1对应的分类1，分类2等等；场景2对应的场景分类为多个，场景2对应的分类1，分类2等等。针对图片数量庞大的多场景多标签分类，专利技术人发现，可以采用一种用于图片分类的图像分类模型对图片进行自动分类，如图2所示，图2示出了一种图像分类模型的示意图，图像分类模型可以包括特征提取模块和图像分类模块；特征提取模块用于提取输入图像的特征，得到特征图像。将特征图像输入图像分类模块中，图像分类模块输出分类标签，完成对输入图像的自动分类。例如，将场景1中的一张图像输入如图2所示的图像分类模型中，并获取图像分类模型输出该图像对应的分类标签；将场景2中的一张图像输入如图2所示的图像分类模型中，并获取图像分类模型输出该图像对应的分类标签。图3示出了一种图像分类模型的模型结构图，如图3所示。然而，专利技术人在研究中发现，图2所示的图像分类模型对所有场景中的所有图像均进行统一的分类，但是，由于场景丰富，每个场景下对应的图像繁多，所有的图像由一个图像分类模块用于分类，可能导致分类结果不准确，以及分类效率低等问题。针对上述问题，专利技术人经过长期的研究发现，并提出了本申请实施例提供的图像分类模型的训练方法、装置、电子设备及存储介质，其具体改进点在于，获取训练数据集，将训练数据集中的每个图像样本按照其对应的不同图像分类场景进行训练，获得不同分类场景对应的图像分类模块，通过每种场景对应的图像分类模块对每种场景对应的图像进行分类，提高了分类的准确率以及效率。其中，具体的图像分类模型的训练方法在后续的实施例中进行详细的说明。图4示出了本申请的图像分类模型的示意图，请参阅图4，图像分类模型包括多个图像分类模块，每个图像分类模块对应不同的图像分类场景。图5示出了本申请的图像分类模型的模型结构图，如图5所示。图6示出了根据本申请一个实施例的图像分类模型的训练方法流程图，请参阅图6，在具体的实施例中，图像分类模型的训练方法应用于如图本文档来自技高网...

【技术保护点】
1.一种图像分类模型的训练方法，其特征在于，所述图像分类模型包括多个图像分类模块，每个所述图像分类模块对应不同的图像分类场景，所述方法包括：/n获取训练数据集，其中，所述训练数据集包括多个图像样本，以及每个所述图像样本对应的样本分类标签；/n对每个所述图像样本进行特征提取，获得每个所述图像样本对应的特征图像；/n将每个所述图像样本对应的特征图像作为输入数据，每个所述图像样本对应的样本分类标签作为输出数据，分别对所述多个图像分类模块进行训练，获得多个已训练的图像分类模块；/n基于所述多个已训练的图像分类模块，获得已训练的图像分类模型。/n

【技术特征摘要】
1.一种图像分类模型的训练方法，其特征在于，所述图像分类模型包括多个图像分类模块，每个所述图像分类模块对应不同的图像分类场景，所述方法包括：
获取训练数据集，其中，所述训练数据集包括多个图像样本，以及每个所述图像样本对应的样本分类标签；
对每个所述图像样本进行特征提取，获得每个所述图像样本对应的特征图像；
将每个所述图像样本对应的特征图像作为输入数据，每个所述图像样本对应的样本分类标签作为输出数据，分别对所述多个图像分类模块进行训练，获得多个已训练的图像分类模块；
基于所述多个已训练的图像分类模块，获得已训练的图像分类模型。


2.根据权利要求1所述的方法，其特征在于，所述已训练的图像分类模型还包括已训练的特征提取模块，所述基于所述多个已训练的图像分类模块，获得已训练的图像分类模型，包括：
基于所述已训练的特征提取模块和所述多个已训练的图像分类模块，获得所述已训练的图像分类模型。


3.根据权利要求2所述的方法，其特征在于，所述对每个所述图像样本进行特征提取，获得每个所述图像样本对应的特征图像，包括：
将每个所述图像样本输入所述已训练的特征提取模块中，获得所述已训练的特征提取模块输出的每个所述图像样本对应的特征图像。


4.根据权利要求3所述的方法，其特征在于，所述训练数据集还包括每个所述图像样本对应的样本特征图像，所述将每个所述图像样本输入所述已训练的特征提取模块中，获得所述已训练的特征提取模块输出的每个所述图像样本对应的特征图像之前，还包括：
将每个所述图像样本作为输入数据，每个所述图像样本对应的特征图像作为输出数据，对特征提取模块进行训练，获得所述已训练的特征提取模块。


5.根据权利要求1所述的方法，其特征在于，所述对每个所述图像样本进行特征提取，获得每个所述图像样本对应的特征图像之后，还包括：
对每个所述图像样本对应的特征图像进行场景分类，得到多个场景类别，其中，每个场景类别包括至少一个特征图像。
从所述多个场景类别中确定任意一个场景类别作为目标场景类别，并获取所述目标场景类别包括的特征图像作为目标特征图像；
所述将每个所述图像样本对应的特征图像作为输入数据，每个所述图像样本对应的样本分类标签作为输出数据，分别对所述多个图像分类模块进行训练，获得多个已训练的图像分类模块...

【专利技术属性】
技术研发人员：罗茂，
申请(专利权)人：深圳市欢太科技有限公司，OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44