一种图片分类模型训练方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种图片分类模型训练方法、装置、设备和存储介质，其中，方法包括：基于初始模型训练样本图片与预设扩展训练样本图片确定目标模型训练样本图像集；提取所述目标模型训练样本图像集中各图像的样本图片共有特征；基于所述目标模型训练样本图像集和所述样本图片共有特征对初始图片分类模型进行训练，得到目标图片分类模型；其中，所述初始图片分类模型在模型训练过程中以所述样本图片共有特征为标签特征。本发明专利技术实施例的技术方案解决了基于现有图片分类模型对特征差别较大的图片进行分类时，分类准确度不足的问题，能够训练出可适用对特征差别较大的图片进行分类的图片分类模型，提高图片分类准确度。提高图片分类准确度。提高图片分类准确度。

【技术实现步骤摘要】
一种图片分类模型训练方法、装置、设备和存储介质


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种图片分类模型训练方法、装置、设备和存储介质。

技术介绍

[0002]图片分类的主流方法是在准备好的数据集上进行有监督模型训练，然后将模型应用于实际任务，这种图片分类模型训练方法需要大量的有标签训练数据训练出表现很好的模型，且一旦待分类的图片与训练图片在光照、背景、噪声等特征方面有较大差别时，图片分类准确度会明显下降。

技术实现思路

[0003]本专利技术实施例提供了一种图片分类模型训练方法、装置、设备和存储介质，能够训练出可适用对特征差别较大的图片进行分类的图片分类模型，提高图片分类准确度。
[0004]第一方面，本专利技术实施例提供了一种图片分类模型训练方法，该方法包括：
[0005]基于初始模型训练样本图片与预设扩展训练样本图片确定目标模型训练样本图像集；
[0006]提取所述目标模型训练样本图像集中各图像的样本图片共有特征；
[0007]基于所述目标模型训练样本图像集和所述样本图片共有特征对初始图片分类模型进行训练，得到目标图片分类模型；
[0008]其中，所述初始图片分类模型在模型训练过程中以所述样本图片共有特征为标签特征
[0009]第二方面，本专利技术实施例提供了一种图片分类模型训练装置，该装置包括：
[0010]模型训练样本确定模块，用于基于初始模型训练样本图片与预设扩展训练样本图片确定目标模型训练样本图像集；
[0011]样本图片共有特征提取模块，用于提取所述目标模型训练样本图像集中各图像的样本图片共有特征；
[0012]图片分类模型训练模块，用于基于所述目标模型训练样本图像集和所述样本图片共有特征对初始图片分类模型进行训练，得到目标图片分类模型；
[0013]其中，所述初始图片分类模型在模型训练过程中以所述样本图片共有特征为标签特征。
[0014]第三方面，本专利技术实施例提供了一种计算机设备，该计算机设备包括：
[0015]一个或多个处理器；
[0016]存储器，用于存储一个或多个程序；
[0017]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任一实施例所述的图片分类模型训练方法。
[0018]第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程
序，该程序被处理器执行时实现任一实施例所述的图片分类模型训练方法。
[0019]本专利技术实施例所提供的技术方案，通过基于初始模型训练样本图片与预设扩展训练样本图片确定目标模型训练样本图像集；提取所述目标模型训练样本图像集中各图像的样本图片共有特征；基于所述目标模型训练样本图像集和所述样本图片共有特征对初始图片分类模型进行训练，得到目标图片分类模型；其中，所述初始图片分类模型在模型训练过程中以所述样本图片共有特征为标签特征。本专利技术实施例的技术方案解决了基于现有图片分类模型对特征差别较大的图片进行分类时，分类准确度不足的问题，能够训练出可适用对特征差别较大的图片进行分类的图片分类模型，提高图片分类准确度。
附图说明
[0020]图1是本专利技术实施例提供的一种图片分类模型训练方法流程图；
[0021]图2是本专利技术实施例提供的一种图片分类模型训练方法流程图；
[0022]图3是本专利技术实施例提供的一种确定类别可信图片的方法流程图；
[0023]图4是本专利技术实施例提供的一种提取图片特征的方法流程图；
[0024]图5是本专利技术实施例提供的一种对目标模型训练样本图像集进行预处理的方法流程图；
[0025]图6是本专利技术实施例提供的一种对初始图片分类模型进行训练的方法流程图；
[0026]图7是本专利技术实施例提供的一种对图片分类模型预测结果进行可视化展示的方法流程图；
[0027]图8是本专利技术实施例提供的又一种对初始图片分类模型进行训练的方法流程图；
[0028]图9是本专利技术实施例提供的一种图片分类模型训练装置的结构示意图；
[0029]图10是本专利技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0030]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]图1是本专利技术实施例提供的一种图片分类模型训练方法流程图，本专利技术实施例可适用于对图片分类模型进行训练的场景中，该方法可以由图片分类模型训练装置执行，该装置可以由软件和/或硬件的方式来实现。
[0032]如图1所示，图片分类模型训练方法包括以下步骤：
[0033]S110、基于初始模型训练样本图片与预设扩展训练样本图片确定目标模型训练样本图像集。
[0034]其中，预设扩展训练样本图片可以是新增加的用于模型训练的样本图片，预设扩展训练样本图片可以与现存在模型训练数据库中的原始样本图片具有不同的图片特征，例如，两者可以在光照、背景或者噪声等方面具有不同的特征。其中，可以将初始模型训练样本图片作为源域图片，将预设扩展训练样本图片作为目标域图片，源域图片可以看作模型训练初始化图片集，所有的数据都具有丰富的监督学习信息，目标域图片可以看作不具有
或者只具有少量监督信息的图片集，与源域图片具有不同的特征分布，因此基于源域图片训练的模型无法预测目标域图片。本专利技术实施例可以使待训练的图片分类模型在源域图片与目标域图片的相同特征的基础上，对目标域图片中的独有特征进行迁移学习，从而使得训练后的图片分类模型最终在源域图片和目标域图片上都能得到很好的表现。通过引入预设扩展训练样本图片并用于图片分类模型训练中，可以使训练出来的图片分类模型在对图片特征不同的图片进行分类时，也可以保持良好的准确性。
[0035]初始图片分类模型可以是原始的图片分类模型或者经过上次模型训练得到的图片分类模型，初始图片分类模型在对预设扩展训练样本图片进行图片分类时，可能无法保持良好的分类准确性，因此，本专利技术实施例的技术方案需要对初始图片分类模型进行训练，以使训练得到的模型在对不断增加的图片进行分类时，也能保持良好的分类准确性。目标模型训练样本图像集可以是需要用于训练初始图片分类模型的样本图片。
[0036]进一步的，可以将初始模型训练样本图片与预设扩展训练样本图片中可以确定图片类型的图片作为目标模型训练样本图像集。具体的，可以先将预设扩展训练样本图片输入初始图片分类模型，得到对应的图片分类结果，再根据图片分类结果从预设扩展训练样本图片中筛选可以确定图片类型的图片。
[0037]S120、提取所述目标模型训练样本图像集中各图像的样本图片共有特征。
[0038]其中，样本图片共有特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片分类模型训练方法，其特征在于，所述方法包括：基于初始模型训练样本图片与预设扩展训练样本图片确定目标模型训练样本图像集；提取所述目标模型训练样本图像集中各图像的样本图片共有特征；基于所述目标模型训练样本图像集和所述样本图片共有特征对初始图片分类模型进行训练，得到目标图片分类模型；其中，所述初始图片分类模型在模型训练过程中以所述样本图片共有特征为标签特征。2.根据权利要求1所述的方法，其特征在于，所述基于初始模型训练样本图片与预设扩展训练样本图片确定目标模型训练样本图像集，包括：将所述预设扩展训练样本图片输入至所述初始图片分类模型中，得到所述预设扩展训练样本图片的分类结果；根据所述分类结果从所述预设扩展训练样本图片中确定类别可信图片，并将所述初始模型训练样本图片和所述类别可信图片作为所述目标模型训练样本图像集。3.根据权利要求2所述的方法，其特征在于，所述根据所述分类结果从所述预设扩展训练样本图片中确定类别可信图片，包括：将所述预设扩展训练样本图片的各类别置信度进行对比，并计算类别置信度最大值与类别置信度次大值的差值，得到类别置信度差值；当所述类别置信度最大值大于预设最大置信度阈值，且所述类别置信度差值大于预设类别置信度差值阈值时，将对应的预设扩展训练样本图片作为所述类别可信图片。4.根据权利要求1所述的方法，其特征在于，提取所述目标模型训练样本图像集中各图像的样本图片共有特征，包括：基于预设样本图片共有特征提取器提取所述预设扩展训练样本图片和所述初始模型训练样本图片的共有特征，得到所述样本图片共有特征。5.根据权利要求4所述的方法，其特征在于，在获取到所述样本图片共有特征之后，还包括：分别提取所述预设扩展训练样本图片的扩展图片私有特征和所述初始模型训练样本图片的初始图片私有特征；分别将所述扩展图片私有特征和所述初始图片私有特征与所述样本图片共有特征进行组合，并根据特征组合结果对所述样本图片共有特征的准确性...

【专利技术属性】
技术研发人员：张艳娇，孙博，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：