[发明专利]分类网络的训练方法及分类方法和装置、电子设备

说明书

本申请实施例公开了一种分类网络的训练方法及分类方法和装置、电子设备，其中，训练方法包括：基于多次采样中的当前采样对应的已采样次数，确定当前采样从样本图像集获得不同类别的样本图像的采样比例；基于采样比例，对样本图像集进行当前采样，以获得当前采样的采样样本；基于多次采样获得的多个采样样本训练分类网络，获得目标分类网络，通过随采样次数动态变化的采样比例对样本图像集进行采样，使训练获得的分类网络具有较高的分类准确度。

技术领域

本申请涉及计算机视觉技术，尤其是一种分类网络的训练方法及分类方法和装置、电子设备。

背景技术

分类网络在很多领域起到重要作用，比如行人检测与跟踪、大规模智慧城市目标任务搜索定位、个人画像描述等。分类网络在处理人脸属性分析、行人外观分析等问题时，存在实际训练数据不均衡的问题，比如是否秃头的属性数据正负样本比例可能高达1：100，如何在不同的训练数据场景下提高训练得到的分类网络性能是本领域的研究热点。

发明内容

本申请实施例提供的一种分类网络的训练以及分类技术。

根据本申请实施例的一个方面，提供的一种分类网络的训练方法，包括：

基于多次采样中的当前采样对应的已采样次数，确定所述当前采样从样本图像集获得不同类别的样本图像的采样比例，其中，所述样本图像集中包括至少两个图像类别，每个图像类别包括至少一个样本图像；

基于所述采样比例，对所述样本图像集进行所述当前采样，以获得所述当前采样的采样样本；

基于所述多次采样获得的多个采样样本训练分类网络，获得目标分类网络。

可选地，在本申请上述任一方法实施例中，所述至少两个图像类别包括第一图像类别和第二图像类别，其中，所述第一图像类别包含的样本图像的数量大于所述第二图像类别包含的样本图像的数量。

可选地，在本申请上述任一方法实施例中，所述采样样本包括至少两个样本图像，所述至少两个样本图像对应至少一个图像类别。

可选地，在本申请上述任一方法实施例中，所述采样比例对应的不同图像类别的样本图像数量之间的差别随着所述已采样次数的增加而减小。

可选地，在本申请上述任一方法实施例中，所述基于所述多次采样获得的多个采样样本训练分类网络，获得目标分类网络，包括：

通过所述分类网络处理所述采样样本，获得所述采样样本的网络损失；

基于所述网络损失调整所述分类网络的网络参数，获得目标分类网络。

可选地，在本申请上述任一方法实施例中，所述通过所述分类网络处理所述采样样本，获得所述采样样本的网络损失，包括：

通过所述分类网络处理所述采样样本，获得所述采样样本的至少两个损失；

基于所述采样样本的至少两个损失，获得所述采样样本的网络损失。

可选地，在本申请上述任一方法实施例中，所述基于所述采样样本的至少两个损失，获得所述采样样本的网络损失，包括：

对所述采样样本的至少两个损失进行加权求和，获得所述采样样本的网络损失，其中，所述至少两个损失中包含的至少一个损失的权重依赖于所述采样样本对应的当前已训练次数。

可选地，在本申请上述任一方法实施例中，所述至少一个损失包括预测损失和嵌入损失中的至少一种。

可选地，在本申请上述任一方法实施例中，所述至少两个损失中的嵌入损失在所述当前已训练次数为第一数值时对所述网络损失的贡献比例低于在所述当前已训练次数为第二数值时对所述网络损失的贡献比例，其中，所述第一数值大于所述第二数值；和/或