[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

说明书

本发明公开了一种用于图像分类的神经网络模型的训练方法，包括步骤：S1基于CNN和LSTM构建神经网络模型，并获取图像训练集和测试集；S2利用图像训练集的第一部分图像对模型进行训练；S3将图像测试集输入到训练后的模型中，得到图像测试集的预测分类结果；S4利用自主学习算法根据预测分类结果得到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利用满足预设条件的图像及其对应的实际分类结果以及图像训练集的第一部分图像对上一次训练后的模型进行再次训练；S6利用图像训练集的第二部分图像对再次训练后的模型进行测试。本发明公开的方法能够针对图像进行自动化分类识别，提高分类效率，可以有效地辅助人们判断特定影像数据。

技术领域

本发明涉及图像分类领域，特别涉及一种用于图像数据分类的神经网络模型的训练方法、设备以及可读存储介质。

背景技术

随着计算机视觉技术的飞速发展，机器学习方法逐渐被广泛地应用到各个领域，通过研究给定数据集的数据分布，来完成特定的分类以及识别任务。但由于传统机器学习算法自身的局限性，在很多特定领域并不适用，缺乏普适性使得其难以适应大规模数据集，可扩展性较差，而且普遍由人为进行算法参数的设定，对于数据的特性拟合并不够完善。

深度学习是机器学习研究中的一个新兴领域，它是机器学习中一种基于对数据进行表征学习的方法，是一种能够模拟出人脑的神经结构的机器学习方法。不同于传统的机器学习方法，深度学习通常需要大量的训练样本数据，通过学习一种深层非线性网络结构来实现复杂函数的逼近，与人工构造的特征相比，在大规模数据训练下生成的深度学习神经网络模型，能够更好的学习数据本身的特征。

由于计算机技术的不断发展，影像数据呈现爆发性的增长，通过影像进行分类识别成为了一项需要耗费大量时间的工作。面对大量的影像数据,需要大量具有丰富经验且状态良好的人进行诊断，否则，极易出现误判和漏判的现象。

目前的计算机分类识别辅助工具只能适用于简单的统计以及分类计算，缺乏针对于特定图像的自动化诊断识别方法，而通过使用深度学习技术，对影像数据进行神经网络模型建立，最终将训练完成的神经网络模型对测试图像进行推理，输出正确的分类识别结果，从而达到提高工作效率，减轻相关工作任务量的最终目的。

发明内容

有鉴于此，为了克服上述问题的至少一个方面，本发明实施例的提出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，以确认模型的预测分类结果满足预设精度。

在一些实施例中，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；