[发明专利]机器学习模型训练方法和装置、表情图像分类方法和装置

权利要求书

1.一种机器学习模型训练方法，所述方法包括：

获取根据通用图像训练集训练得到的包括有模型参数的机器学习模型；

从专用图像库中获取与分类标签相应的代表专用图像；所述代表专用图像是能表示相应分类标签的含义的专用图像；

按照所述代表专用图像与专用图像库中专用图像的相似度，确定所述专用图像库中与所述代表专用图像相似的专用图像；

从所述代表专用图像和所述相似的专用图像构成的集合中，选取满足差异性条件的专用图像，作为与所述分类标签相对应的专用图像的样本；其中，选取的满足差异性条件的各专用图像彼此间具有差异性；

将所述专用图像的样本输入所述机器学习模型，得到中间分类结果；

按照所述中间分类结果与所述分类标签的差异，调整所述机器学习模型的模型参数并继续训练，直至满足训练停止条件时结束训练。

2.根据权利要求1所述的方法，其特征在于，所述获取与分类标签相应的代表专用图像之后，所述方法还包括：

获取所述代表专用图像在输入到所述机器学习模型后，由所述机器学习模型的中间层输出的图像特征；

获取所述专用图像库中专用图像在输入到所述机器学习模型后，由所述机器学习模型的中间层输出的图像特征；

根据所述代表专用图像的图像特征和所述专用图像库中专用图像的图像特征，计算所述代表专用图像与专用图像库中专用图像的相似度。

3.根据权利要求1所述的方法，其特征在于，所述将所述专用图像的样本输入所述机器学习模型，得到中间分类结果之前，所述方法还包括：

配置所述机器学习模型分类的类别数与所述分类标签的种类数相匹配；

所述将所述专用图像的样本输入所述机器学习模型，得到中间分类结果，包括：

将所述专用图像的样本输入所述机器学习模型，得到所述专用图像的样本分类到每个分类标签所对应的概率；

确定得到的所述概率中的最大概率；

将所述最大概率对应的分类标签作为所述专用图像的样本的中间分类结果。

4.根据权利要求1所述的方法，其特征在于，所述机器学习模型为卷积神经网络模型；

所述按照所述中间分类结果与所述分类标签的差异，调整所述机器学习模型的模型参数并继续训练，直至满足训练停止条件时结束训练，包括：

保持所述机器学习模型中按层顺序靠前的层的模型参数不变，按照所述中间分类结果与所述分类标签的差异，调整所述机器学习模型中按层顺序靠后的层的模型参数，并继续训练，直至满足训练停止条件时结束训练。

5.根据权利要求1所述的方法，其特征在于，当满足训练停止条件时结束训练后，所述方法还包括：

获取所述机器学习模型对待分类的专用图像分类失败时，所确定的未分类的专用图像集；

对所述专用图像集进行聚类，得到专用图像子集；

确定所述专用图像子集相对应的分类标签；

根据专用图像子集和相对应的分类标签，以及所述专用图像的样本和相对应的分类标签，对所述机器学习模型进行再训练。

6.根据权利要求5所述的方法，其特征在于，当满足训练停止条件时结束训练后，所述方法还包括：

将待分类的专用图像输入所述机器学习模型，得到输入的专用图像分类到每个分类标签所对应的概率；

确定得到的所述概率中的最大概率；

当所述最大概率低于阈值时分类失败，并将输入的专用图像添加至未分类的专用图像集。

7.根据权利要求5所述的方法，其特征在于，所述对所述专用图像集进行聚类，得到专用图像子集，包括：

将所述专用图像集中的专用图像输入到结束训练后所得到的机器学习模型后，获取所述机器学习模型的中间层所输出的相应专用图像的图像特征；

根据所述专用图像集中专用图像的图像特征进行聚类，得到专用图像子集。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述专用图像为表情图像；所述分类标签为表情分类标签。