[发明专利]图像分类模型设计方法及装置

权利要求书

1.一种图像分类模型设计方法，其特征在于，包括：

根据有标签的图像数据库，训练得到图像分类的初始网络模型；

根据所述初始网络模型的预测结果和最终网络模型的预测结果，构建所述最终网络模型对应的损失函数；

根据所述损失函数，优化所述最终网络模型。

2.如权利要求1所述的图像分类模型设计方法，其特征在于，根据有标签的图像数据库，训练得到图像分类的初始网络模型，包括：

从有标签的图像数据库中选取一个子集，根据所述子集训练得到图像分类的初始网络模型；

或者，使用所述有标签的图像数据库中的所有图像，训练得到图像分类的初始网络模型。

3.如权利要求1所述的图像分类模型设计方法，其特征在于，在根据所述初始网络模型的预测结果和最终网络模型的预测结果，构建所述最终网络模型对应的损失函数之前，还包括：

选取卷积神经网络模型；

为所述卷积神经网络模型的参数赋值，得到所述最终网络模型。

4.如权利要求1所述的图像分类模型设计方法，其特征在于，根据所述初始网络模型的预测结果和最终网络模型的预测结果，构建所述最终网络模型对应的损失函数，包括：

获取一组有标签的训练集D；

根据所述训练集D，构建如下的损失函数：

其中，I_i为集合D中第i幅图像，y_i为集合D中图像I_i的标签，p_i为最终网络模型对图像I_i,j的预测结果，q_i,j为初始网络模型对图像I_i的预测结果，I为指示函数，λ为平衡参数，C为标签类别数目。

5.如权利要求1所述的图像分类模型设计方法，其特征在于，根据所述初始网络模型的预测结果和最终网络模型的预测结果，构建所述最终网络模型对应的损失函数，包括：

获取训练集D，所述训练集D包括一组有标签的训练集D1和一组无标签的训练集D2；

根据所述训练集D，构建如下的损失函数：

其中，I_i为集合D₁或者D₂中第i幅图像，y_i为图像I_i的标签，p_i,j为最终网络模型对图像I_i的预测结果，q_i,j为初始网络模型对图像I_i的预测结果，I为指示函数，λ₁为D1对应的损失函数权重，λ₂为D2对应的损失函数权重，C为标签类别数目。

6.如权利要求1-5任一项所述的图像分类模型设计方法，其特征在于，根据所述损失函数，优化所述最终网络模型，包括：

利用随机梯度下降法对所述损失函数进行优化，得到优化后的损失函数，再根据优化后的损失函数，获得优化后的最终网络模型。

7.一种图像分类模型设计装置，其特征在于，包括：

训练模块，用于根据有标签的图像数据库，训练得到图像分类的初始网络模型；

构建模块，用于根据所述初始网络模型的预测结果和最终网络模型的预测结果，构建所述最终网络模型对应的损失函数；

优化模块，用于根据所述损失函数，优化所述最终网络模型。

8.如权利要求7所述的图像分类模型设计装置，其特征在于，所述训练模块具体用于：

从有标签的图像数据库中选取一个子集，根据所述子集训练得到图像分类的初始网络模型；

或者，使用所述有标签的图像数据库中的所有图像，训练得到图像分类的初始网络模型。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-6任一项所述方法的步骤。

10.一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程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1-6任一项所述方法的步骤。