[发明专利]一种用于图像数据分类的神经网络模型的训练方法与设备

权利要求书

1.一种用于图像数据分类的神经网络模型的训练方法，其中所述方法包括步骤：

S1，基于卷积神经网络和长短期记忆神经网络构建神经网络模型，并获取图像训练集、图像测试集；

S2，利用所述图像训练集的第一部分图像对所述神经网络模型进行训练；

S3，将所述图像测试集输入到训练后的神经网络模型中，得到所述图像测试集的预测分类结果；

S4，利用自主学习算法根据所述预测分类结果得到所述图像测试集中满足预设条件的图像，并对其进行实际分类；

S5，利用所述满足预设条件的图像及其对应的实际分类结果以及所述图像训练集的所述第一部分图像对上一次训练后的神经网络模型进行再次训练；和

S6，利用所述图像训练集的第二部分图像对再次训练后的神经网络模型进行测试，以确认所述模型的预测分类结果满足预设精度；

其中，所述方法还包括步骤：

S7，响应于所述模型的预测分类结果不满足预设精度，将所述图像测试集的剩余图像输入到再次训练后的神经网络模型中，得到所述剩余图像的预测分类结果；

S8，利用自主学习算法根据所述剩余图像的预测分类结果得到所述剩余图像中满足预设条件的图像，并对其进行实际分类；

S9，根据所述剩余图像中满足预设条件的图像及其对应的实际分类结果和上一次训练过程中所利用的图像及其对应的实际分类结果对上一次训练后的神经网络模型进行再次训练；

S10，重复步骤S6-S9；

其中，S4包括：利用自主学习算法计算所述预测分类结果的信息熵，并按照信息熵的大小进行从大到小的排列，其中，所述满足预设条件的图像为前N个图像。

2.如权利要求1所述的方法，其特征在于，在步骤S2、S5以及S9中对所述神经网络模型进行训练，包括步骤：

a，将图像输入到所述神经网络模型的第一层卷积层中；

b，将第一层卷积层的输出同时输入到所述神经网络模型的第二层卷积层和第三层卷积层中；

c，将所述第二层卷积层和所述第三层卷积层的输出依次经过所述神经网络模型的第一池化层、第四层卷积层、第五层卷积层、第二池化层以及函数层的处理后，输入到所述神经网络模型的长短期记忆神经网络中；

d，将所述长短期记忆神经网络的输出输入到所述神经网络模型的两层全连接层中得到所述图像对应的分类类别概率。

3.如权利要求2所述的方法，其特征在于，所述函数层对所述第二池化层的输出的处理为：将经过第五层卷积层处理后得到的数据的列数乘以第五层卷积层的通道数。

4.如权利要求2所述的方法，其特征在于，在步骤a中，在将所述图像输入到所述第一层卷积层之前，对所述图像进行预处理。

5.如权利要求4所述的方法，其特征在于，所述预处理包括图像翻转、颜色变换、去均值、归一化、标准化、PCA/ZCA白化操作中的至少一种。

6.如权利要求2所述的方法，其特征在于，在步骤d中，所述两层全连接层配置为分类并且使用softmax函数进行映射以得到对应的分类类别概率。

7.一种计算机设备，包括：

至少一个处理器；以及

存储器，所述存储器存储有可在所述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执行如权利要求1-6任意一项所述的方法。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行权利要求1-6任意一项所述的方法。