[发明专利]用于生成信息的方法和装置

权利要求书

1.一种用于生成信息的方法，包括：

获取待分类图像；

将所述待分类图像分别导入预先建立的至少一个图像分类模型，得到所述至少一个图像分类模型中的各个图像分类模型生成的类别信息；

根据所述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；

根据加权处理结果得到所述待分类图像所属的类别的信息；

其中，所述至少一个图像分类模型的训练步骤包括：基于经过筛选后的训练样本集训练所述至少一个图像分类模型中的、除第一图像分类模型之外的其他图像分类模型，包括：将初始卷积神经网络序列中的第一个初始卷积神经网络作为当前初始卷积神经网络，执行以下模型训练操作：利用经过筛选后的训练样本集，训练所述当前初始卷积神经网络，得到第二图像分类模型，所述经过筛选后的训练样本集包括去除所述第一图像分类模型训练过程中所使用的训练样本集中的、预测误差值小于预设的第一阈值的训练样本；基于所述第二图像分类模型对所述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；

把所述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行所述模型训练操作，直到所述当前初始卷积神经网络为所述初始卷积神经网络序列的最后一个初始卷积神经网络。

2.根据权利要求1所述的方法，其中，所述至少一个图像分类模型中的各图像分类模型为卷积神经网络。

3.根据权利要求2所述的方法，其中，所述训练步骤还包括：

获取训练样本集，其中，训练样本为标注有类别信息的训练样本图像；

将所述训练样本集中的各个训练样本的训练样本图像作为输入，将所述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数是基于训练样本的预测结果与训练样本的标注得到的；

基于所述第一图像分类模型对所述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选。

4.根据权利要求3所述的方法，其中，所述基于经过筛选后的所述训练样本集训练所述至少一个图像分类模型中的、除所述第一图像分类模型之外的其他图像分类模型，还包括：

生成初始卷积神经网络序列；

获取所述初始卷积神经网络序列中的第一个初始卷积神经网络，并将所述第一个初始卷积神经网络确定为当前初始卷积神经网络，将所述第一图像分类模型作为上一图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的。

5.根据权利要求4所述的方法，其中，所述基于所述第一图像分类模型对所述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选，包括：

将所述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入所述第一图像分类模型，得到各个训练样本的预测结果；

对于所述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值；

根据所述第一图像分类模型的各个训练样本的预测误差值对训练样本进行筛选。

6.根据权利要求4所述的方法，其中，训练样本的样本权重是通过以下方式确定的：

在上一图像分类模型的训练过程中， 对于所使用训练样本集中的每一个训练样本，根据该训练样本的预测结果与标注确定该训练样本对应的预测误差值；根据该训练样本的预测误差值确定该训练样本的样本权重，其中，该训练样本的预测误差值与该训练样本的样本权重正相关。