本发明专利技术实施例提供一种图像分类方法、装置、电子设备和可读存储介质，涉及图像处理技术领域。本发明专利技术实施例通过采用第二分类模型的输出训练得到第一分类模型，并通过第一分类模型的输出更新第二分类模型的权重，如此，通过强化循环训练的方式得到第一分类模型，在获取待分类的目标图像后，将目标图像输入至第一分类模型进行特征处理，对目标图像中目标物体进行分类时，能大大提高目标图像中目标物体的分类准确性。类准确性。类准确性。
【技术实现步骤摘要】
图像分类方法、装置、电子设备和可读存储介质
[0001]本专利技术涉及图像处理
，具体涉及一种图像分类方法、装置、电子设备和可读存储介质。
技术介绍
[0002]图像分类，是一种根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。
[0003]目前，大多采用深度学习网络对图像进行分类，但是深度学习网络对图像分类的准确率有待提高。
技术实现思路
[0004]基于上述研究，本专利技术实施例提供一种图像分类方法、装置、电子设备和可读存储介质，提高了图像分类的准确率。
[0005]本专利技术的实施例可以通过以下方面实现：
[0006]第一方面，本专利技术实施例提供一种图像分类方法，所述方法包括：
[0007]获取待分类的目标图像；
[0008]将所述目标图像输入至预设的第一分类模型，通过所述第一分类模型对所述目标图像进行特征处理，得到所述目标图像中目标物体的分类结果；其中，所述第一分类模型通过采用第二分类模型的输出训练得到，所述第二分类模型通过采用所述第一分类模型的输出更新权重。
[0009]在可选的实施方式中，在将所述目标图像输入至预设的分类模型之前，所述方法还包括：
[0010]获取样本数据，所述样本数据包括训练样本集以及验证样本集；
[0011]根据初始第二分类模型对所述训练样本集的分类结果，对初始第一分类模型进行训练，得到中间第一分类模型；
[0012]根据所述中间第一分类模型对所述验证样本集的分类结果计算所述初始第二分类模型的第一评价指标，并对所述初始第二分类模型的权重进行更新，得到中间第二分类模型；
[0013]根据所述中间第二分类模型对所述训练样本集的分类结果，对中间所述第一分类模型进行训练，并根据训练后的中间第一分类模型对所述验证样本集的分类结果，计算所述中间第二分类模型的第二评价指标；
[0014]根据所述第一评价指标以及所述第二评价指标的确定训练终点，得到第一分类模型和第二分类模型。
[0015]在可选的实施方式中，所述根据所述中间第一分类模型对所述验证样本集的分类结果对所述初始第二分类模型的权重进行更新，得到所述中间第二分类模型的步骤包括：
[0016]将所述验证样本集输入至所述初始第二分类模型，得到所述初始第二分类模型对所述验证样本集的分类结果；
[0017]计算所述初始第二分类模型对所述验证样本集的分类结果与所述中间第一分类模型对所述验证样本集的分类结果的损失；其中，所述中间第一分类模型对所述验证样本集的分类结果为所述验证样本集的标签值；
[0018]将所述损失反向传播，得到所述初始第二分类模型的第一梯度；
[0019]根据所述第一梯度对所述初始第二分类模型的权重进行更新，得到中间第二分类模型。
[0020]在可选的实施方式中，所述根据所述第一梯度对所述初始第二分类模型的权重进行更新，得到中间第二分类模型的步骤包括：
[0021]对所述第一梯度进行求导，得到第二梯度；
[0022]对所述第二梯度施加设定邻域内的扰动，得到邻域梯度；
[0023]根据所述第一梯度以及所述邻域梯度，对所述初始第二分类模型的权重进行更新，得到中间第二分类模型。
[0024]在可选的实施方式中，所述根据所述中间第一分类模型对所述验证样本集的分类结果计算所述初始第二分类模型的第一评价指标的步骤包括：
[0025]将所述验证样本集输入至所述初始第二分类模型，得到所述初始第二分类模型对所述验证样本集的分类结果；
[0026]将所述初始第二分类模型对所述验证样本集的分类结果以及所述中间第一分类模型对所述验证样本集的分类结果进行比较，得到所述初始第二分类模型的准确率；
[0027]根据所述初始第二分类模型的准确率，得到所述初始第二分类模型的第一评价指标。
[0028]在可选的实施方式中，所述根据所述初始第二分类模型对所述训练样本集的分类结果，对所述初始第一分类模型进行训练，得到所述中间第一分类模型的步骤包括：
[0029]将所述训练样本集输入至所述初始第一分类模型，得到所述初始第一分类模型对所述训练样本集的分类结果；
[0030]计算所述初始第一分类模型对所述训练样本集的分类结果与所述初始第二分类模型对所述训练样本集的分类结果的损失；其中，所述初始第二分类模型对所述训练样本集的分类结果为所述训练样本集的标签值；
[0031]判断所述损失是否满足第一预设条件；
[0032]若未满足，将所述损失反向传播，调整所述初始第一分类模型的权重，以此迭代，直至所述损失满足第一预设条件，得到所述中间第二分类模型。
[0033]在可选的实施方式中，所述根据训练后的中间第一分类模型对所述验证样本集的分类结果计算所述中间第二分类模型的第二评价指标的步骤包括：
[0034]将所述验证样本集输入至所述中间第二分类模型，得到所述中间第二分类模型对所述验证样本集的分类结果；
[0035]将所述中间第二分类模型对所述验证样本集的分类结果以及所述训练后的中间第一分类模型对所述验证样本集的分类结果进行比较，得到所述中间第二分类模型的准确率；
[0036]根据所述中间第二分类模型的准确率，得到所述中间第二分类模型的第二评价指标。
[0037]在可选的实施方式中，所述根据所述第一评价指标以及所述第二评价指标的确定训练终点，得到第一分类模型和第二分类模型的步骤包括：
[0038]计算所述第一评价指标与所述第二评价指标的差值；
[0039]判断所述差值是否满足第二预设条件；
[0040]若满足，得到第一分类模型和第二分类模型；
[0041]若未满足，根据训练后的中间第一分类模型对所述验证样本集的分类结果，对所述中间第二分类模型的权重进行更新，并根据权重更新后的中间第二分类模型对所述训练样本集的分类结果，对训练后的中间第一分类模型继续进行训练，以此迭代，直至第一评价指标与第二评价指标的差值满足所述第二预设条件，得到第一分类模型和第二分类模型。
[0042]在可选的实施方式中，所述根据初始第二分类模型对所述训练样本集的分类结果，对初始第一分类模型进行训练之前，所述方法还包括：
[0043]将所述训练样本集输入至预设的原始分类模型，得到所述原始分类模型对所述训练样本集的分类结果；
[0044]计算所述原始分类模型对所述训练样本集的分类结果与所述训练样本集的原始标签值的损失；
[0045]判断所述损失是否满足第三预设条件；
[0046]若未满足，将所述损失反向传播，调整所述原始分类模型的权重，以此迭代，直至所述损失满足第三预设条件，得到所述初始第二分类模型。
[0047]第二方面，本专利技术实施例提供一种图像分类装置，包括：
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：获取待分类的目标图像；将所述目标图像输入至预设的第一分类模型，通过所述第一分类模型对所述目标图像进行特征处理，得到所述目标图像中目标物体的分类结果；其中，所述第一分类模型通过采用第二分类模型的输出训练得到，所述第二分类模型通过采用所述第一分类模型的输出更新权重。2.根据权利要求1所述的图像分类方法，其特征在于，在将所述目标图像输入至预设的分类模型之前，所述方法还包括：获取样本数据，所述样本数据包括训练样本集以及验证样本集；根据初始第二分类模型对所述训练样本集的分类结果，对初始第一分类模型进行训练，得到中间第一分类模型；根据所述中间第一分类模型对所述验证样本集的分类结果计算所述初始第二分类模型的第一评价指标，并对所述初始第二分类模型的权重进行更新，得到中间第二分类模型；根据所述中间第二分类模型对所述训练样本集的分类结果，对中间所述第一分类模型进行训练，并根据训练后的中间第一分类模型对所述验证样本集的分类结果，计算所述中间第二分类模型的第二评价指标；根据所述第一评价指标以及所述第二评价指标的确定训练终点，得到第一分类模型和第二分类模型。3.根据权利要求2所述的图像分类方法，其特征在于，所述根据所述中间第一分类模型对所述验证样本集的分类结果对所述初始第二分类模型的权重进行更新，得到所述中间第二分类模型的步骤包括：将所述验证样本集输入至所述初始第二分类模型，得到所述初始第二分类模型对所述验证样本集的分类结果；计算所述初始第二分类模型对所述验证样本集的分类结果与所述中间第一分类模型对所述验证样本集的分类结果的损失；其中，所述中间第一分类模型对所述验证样本集的分类结果为所述验证样本集的标签值；将所述损失反向传播，得到所述初始第二分类模型的第一梯度；根据所述第一梯度对所述初始第二分类模型的权重进行更新，得到中间第二分类模型。4.根据权利要求3所述的图像分类方法，其特征在于，所述根据所述第一梯度对所述初始第二分类模型的权重进行更新，得到中间第二分类模型的步骤包括：对所述第一梯度进行求导，得到第二梯度；对所述第二梯度施加设定邻域内的扰动，得到邻域梯度；根据所述第一梯度以及所述邻域梯度，对所述初始第二分类模型的权重进行更新，得到中间第二分类模型。5.根据权利要求2所述的图像分类方法，其特征在于，所述根据所述中间第一分类模型对所述验证样本集的分类结果计算所述初始第二分类模型的第一评价指标的步骤包括：将所述验证样本集输入至所述初始第二分类模型，得到所述初始第二分类模型对所述验证样本集的分类结果；
将所述初始第二分类模型对所述验证样本集的分类结果以及所述中间第一分类模型对所述验证样本集的分类结果进行比较，得到所述初始第二分类模型的准确率；根据所述初始第二分类模型的准确率，得到所述初始第二分类模型的第一评价指标。6.根据权利要求2所述的图像分类方法，其特征在于，所述根据所述初始第二分类模型对所述训练样本集的分类结果，对所述初始第一分类模型进行训练，得到所述中间第一分类模型的步骤包括：将所述训练样本集输入至所述初始第一分类模型，得到所述初始第一...
【专利技术属性】
技术研发人员：杨小平，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。