【技术实现步骤摘要】
本申请涉及计算机，特别涉及确定图像分类网络的方法和装置、图像分类的方法和装置、计算设备、计算机可读存储介质及计算机程序产品。
技术介绍
1、目前，互联网技术的发展导致图像数据的爆发式增长，这些图像数据可以用作图像样本来训练图像分类网络，使得图像分类网络能够对图像数据进行分类。目前常常遇到这样一种场景，因为人力等因素的局限性，只能从这些图像样本中识别出一部分图像样本的类别为正类别，其他大量图像样本的类别无法知悉，并且不适合用于训练的不良图像样本无法被排除。因此，如何在知道部分正类别的图像样本，且不知道其他大量图像样本的类别的情况下来训练图像分类网络，使其具备良好的分类能力，是需要解决的问题。
2、在相关技术中，一种解决办法是将未知类别的图像样本默认为负类别，然后使用正类别的图像样本和被默认为负类别的图像样本训练图像分类网络。由于被默认为负类别的图像样本中的一些图像样本的标签存在噪声(即其标签应该是正类别)，这种解决方案训练出来的图像分类网络准确性不高。另一种解决办法是两步法，首先利用正类别的图像样本，从未知类别的图像样本中识别负类别的图像样本，然后使用监督学习技术基于正类别的图像样本和负类别的图像样本训练图像分类网络。这种解决办法无法充分利用未知类别的图像样本的价值，导致用于训练的图像样本较少，图像分类网络的分类能力不够高。
技术实现思路
1、鉴于此，本申请提供了一种确定图像分类网络的方法和装置、图像分类的方法和装置、计算设备、计算机可读存储介质及计算机程序产品，期望缓解
2、根据本申请的第一方面，提供了一种确定图像分类网络的方法，所述图像分类网络基于图像样本集合而确定，所述图像样本集合包括正类别的图像样本集合和未知类别的图像样本集合，所述方法包括：将每个正类别的图像样本的标签设定为正类别，每个未知类别的图像样本的标签设定为负类别，并且基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，其中所述第一分类网络为经过第一数量的批次训练得到的，所述第二分类网络为经过第二数量的批次训练得到的，所述第一数量与所述第二数量不同，并在所述批次训练中根据所述图像样本集合的分类损失来调整所述图像分类网络的参数；根据所述第一分类网络和所述第二分类网络分别针对所述未知类别的图像样本集合中每个未知类别的图像样本预测的图像类别值间的差异来确定所述每个未知类别的图像样本的不确定性程度；根据所述第一分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签；基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第一分类网络进行批次训练，以得到经训练的第一分类网络；基于所述经训练的第一分类网络的参数，确定所述图像分类网络的参数。
3、在根据本申请的一些确定图像分类网络的方法的实施例中，所述根据所述第一分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签，包括：对于所述未知类别的图像样本集合中的每个未知类别的图像样本，执行下述步骤：响应于所述第一分类网络针对所述未知类别的图像样本预测的图像类别值大于正类别阈值，将所述未知类别的图像样本的标签更新为正类别；响应于所述第一分类网络针对所述未知类别的图像样本预测的图像类别值小于或等于所述正类别阈值，将所述未知类别的图像样本的标签更新为负类别。
4、在根据本申请的一些确定图像分类网络的方法的实施例中，所述基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第一分类网络进行批次训练，包括：根据每个未知类别的图像样本的不确定性程度确定每个未知类别的图像样本的影响权重，所述影响权重与所述不确定性程度成反比关系；循环执行下述步骤直到所述第一分类网络收敛：使用所述第一分类网络确定每个未知类别的图像样本的分类值；根据每个未知类别的图像样本的标签和分类值确定每个未知样本的分类损失；基于每个未知类别的图像样本的分类损失和影响权重，确定所述未知类别的图像样本集合的分类损失；根据所述未知类别的图像样本集合的分类损失调整所述第一分类网络的参数。
5、在根据本申请的一些确定图像分类网络的方法的实施例中，每个未知类别的图像样本的不确定性程度大于等于0，并且所述根据每个未知类别的图像样本的不确定性程度确定每个未知类别的图像样本的影响权重，包括：将每个未知类别的图像样本的不确定性程度的负值与第一预设参数的商，作为自然常数的幂，来确定每个未知类别的图像样本的影响权重。
6、在根据本申请的一些确定图像分类网络的方法的实施例中，所述基于每个未知类别的图像样本的分类损失和影响权重，确定所述未知类别的图像样本集合的分类损失，包括：根据第一集合中每个未知类别的图像样本的影响权重和分类损失来确定所述第一集合的平均分类损失，作为第一分类损失，其中所述第一集合包括所述未知类别的图像样本集合中由所述第一分类网络预测的图像类别值大于所述正类别阈值的未知类别的图像样本；根据第二集合中每个未知类别的图像样本的影响权重和分类损失来确定所述第二集合的平均分类损失，作为第二分类损失，其中所述第二集合包括所述未知类别的图像样本集合中由所述第一分类网络预测的图像类别值小于负类别阈值的未知类别的图像样本；根据第三集合中每个未知类别的图像样本的分类损失来确定所述第三集合的平均分类损失，作为第三分类损失，其中所述第三集合包括所述未知类别的图像样本集合中由所述第一分类网络预测的图像类别值小于等于所述正类别阈值且大于等于所述负类别阈值的未知类别的图像样本；根据所述第一分类损失和所述第二分类损失以及所述第三分类损失的加权和来确定所述未知类别的图像样本集合的分类损失。
7、在根据本申请的一些确定图像分类网络的方法的实施例中，所述正类别阈值为所述未知类别的图像样本集合的未知类别的图像样本的图像类别值中，各个指示正类别的图像类别值的平均值；并且所述负类别阈值为所述未知类别的图像样本集合的未知类别的图像样本的图像类别值中，各个指示负类别的图像类别值的平均值。
8、在根据本申请的一些确定图像分类网络的方法的实施例中，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：在所述图像分类网络的所述第一数量的批次训练中，将最后一个批次训练的针对每个未知类别的图像样本的分类值作为所述第一分类网络针对每个未知类别的图像样本预测的图像类别值；在所述图像分类网络的所述第二数量的批次训练中，将最后一个批次训练的针对每个未知类本文档来自技高网...
【技术保护点】
1.一种确定图像分类网络的方法，其特征在于，所述图像分类网络基于图像样本集合确定，所述图像样本集合包括正类别的图像样本集合和未知类别的图像样本集合，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第一分类网络进行批次训练，包括：
4.根据权利要求3所述的方法，其特征在于，每个未知类别的图像样本的不确定性程度大于等于0，并且所述根据每个未知类别的图像样本的不确定性程度确定每个未知类别的图像样本的影响权重，包括：
5.根据权利要求3所述的方法，其特征在于，所述基于每个未知类别的图像样本的分类损失和影响权重，确定所述未知类别的图像样本集合的分类损失，包括：
6.根据权利要求5所述的方法，其特征在于，所述正类别阈值为所述未知类别的图像样本集合的未知类别的图像样本的
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：
8.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：
9.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：
10.根据权利要求1-6中任一项所述的方法，其特征在于，所述根据所述第一分类网络和所述第二分类网络分别针对所述未知类别的图像样本集合中每个未知类别的图像样本预测的图像类别值之间的差异来确定所述每个未知类别的图像样本的不确定性程度，包括：
11.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于所述经训练的第一分类网络的参数，确定所述图像分类网络的参数，包括：
12.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于所述经训练的第一分类网络的参数，确定所述图像分类网络的参数，包括：
13.一种图像分类方法，其特征在于，所述方法包括：
14.一种确定图像分类网络的装置，其特征在于，所述图像分类网络基于图像样本集合而确定，所述图像样本集合包括正类别的图像样本集合和未知类别的图像样本集合，所述装置包括：
15.一种图像分类装置，其特征在于，所述装置包括：
16.一种计算设备，其特征在于，所述计算设备包括：
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，当所述计算机可执行指令被执行时，执行如权利要求1-13中的任一项所述的方法。
18.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机可执行指令，计算机可执行指令在被执行时实现根据权利要求1至13中任一项所述的方法。
...【技术特征摘要】
1.一种确定图像分类网络的方法，其特征在于，所述图像分类网络基于图像样本集合确定，所述图像样本集合包括正类别的图像样本集合和未知类别的图像样本集合，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第一分类网络进行批次训练，包括：
4.根据权利要求3所述的方法，其特征在于，每个未知类别的图像样本的不确定性程度大于等于0，并且所述根据每个未知类别的图像样本的不确定性程度确定每个未知类别的图像样本的影响权重，包括：
5.根据权利要求3所述的方法，其特征在于，所述基于每个未知类别的图像样本的分类损失和影响权重，确定所述未知类别的图像样本集合的分类损失，包括：
6.根据权利要求5所述的方法，其特征在于，所述正类别阈值为所述未知类别的图像样本集合的未知类别的图像样本的图像类别值中，各个指示正类别的图像类别值的平均值；并且所述负类别阈值为所述未知类别的图像样本集合的未知类别的图像样本的图像类别值中，各个指示负类别的图像类别值的平均值。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：
8.根据权利要求1-6中任一项所述的方法，其特征在于，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知...
【专利技术属性】
技术研发人员：陈燊，孙可，姚太平，丁守鸿，纪荣嵘，
申请(专利权)人：腾讯科技深圳有限公司，
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。