[发明专利]分类模型构建方法及装置

说明书

本公开是关于一种分类模型构建方法及装置，其中，方法包括：获取至少一种物品类别对应的至少一个样本图片集；根据预设训练协议和预设网络模型对至少一个样本图片集中的样本图片进行训练，得到至少一种物品类别对应的分类模型，分类模型用于确定待分类图片所对应的目标物品类别。通过该技术方案，可以根据用户需要自动对用户相册中的照片进行分类，如将所有照片中包含猫、狗的照片分到宠物相册，从而无需用户手动进行图片分类，提升用户的使用体验，同时由于根据物品类别的图片集训练后得到的分类模型更符合物品类别的需求，可以提高图片识别的准确率，即提高识别的召回率，减小识别的错误率。

技术领域

本公开涉及分类模型构建技术领域，尤其涉及分类模型构建方法及装置。

背景技术

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

卷积神经网络可用于对图片的识别。而随着用户终端中照片数目的增多，就需要终端能自动根据照片内容对照片进行分类，比如将所有照片中包含宠物的照片分类至宠物相册。而相关技术中，虽然存在这种分类方法，但是对于宠物的召回率和错误率都存在较高的偏差。其中，召回率是指把A识别为A的比例，召回率越高越好。错误率是指把非A识别成A的比例，错误率越低越好。

发明内容

本公开实施例提供一种分类模型构建方法及装置，包括如下技术方案：

根据本公开实施例的第一方面，提供一种分类模型构建方法，包括：

获取至少一种物品类别对应的至少一个样本图片集，其中，每个样本图片集对应一种物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

根据预设训练协议和预设网络模型对所述至少一个样本图片集中的样本图片进行训练，得到所述至少一种物品类别对应的分类模型，所述分类模型用于确定待分类图片所对应的目标物品类别。

在一个实施例中，所述根据预设训练协议和预设网络模型对所述至少一个样本图片集中的样本图片进行训练，得到所述至少一种物品类别对应的分类模型，包括：

保持所述预设网络模型的特征层的参数不变，对所述预设网络模型的中的全连接层进行降维和优化处理，所述全连接层包括第一全连接层和第二全连接层，所述第一全连接层的输出为所述第二全连接层的输入；

将所述第二全连接层的输出发送至所述预设网络模型的分类器层，对所述分类器层进行调整，得到所述至少一种物品类别对应的分类模型。

分类模型在一个实施例中，所述根据预设训练协议和预设网络模型对所述至少一个样本图片集中的样本图片进行训练，得到所述至少一种物品类别对应的分类模型之前，所述方法还包括：

将所述至少一个样本图片集中的样本图片的尺寸处理为预设尺寸。

在一个实施例中，所述分类模型确定待分类图片所对应的目标物品类别的步骤包括：

将所述待分类图片的尺寸处理为预设尺寸；

根据所述分类模型从所述待分类图片中抽取特征向量；

根据所述特征向量和所述分类模型，计算所述待分类图片与所述至少一种物品类别中每个物品类别之间具有对应关系的概率值；

将概率值最大的物品类别确定为所述目标物品类别。

在一个实施例中，所述预设训练协议包括Alex训练协议，所述预设网络模型包括Alex网络模型。

在一个实施例中，所述方法还包括：