[发明专利]神经网络训练方法及装置以及图像处理方法及装置

权利要求书

1.一种神经网络训练方法，其特征在于，包括：

通过神经网络对训练集中的目标图像进行分类处理，得到所述目标图像的预测分类结果；

根据所述预测分类结果、所述目标图像的初始类别标签及校正类别标签，训练所述神经网络，所述校正类别标签是根据所述训练集中的多个样本图像与所述目标图像之间的关系确定的；

其中，所述神经网络包括特征提取网络和分类网络，并且所述神经网络包括N个训练状态，N为大于1的整数，所述方法还包括：

通过第i状态的特征提取网络对训练集中第k个类别的多个样本图像进行特征提取，得到所述多个样本图像的第i状态的第二特征，所述第k个类别是所述训练集中的样本图像的K个类别中的一个，K为大于1的整数；

对所述第k个类别的多个样本图像的第i状态的第二特征进行聚类处理，确定所述第k个类别的第i状态的类原型特征，所述第i状态为所述N个训练状态中的一个，且0≤iN；

根据K个类别的第i状态的类原型特征以及所述目标图像的第i状态的第一特征，确定所述目标图像的第i状态的校正类别标签。

2.根据权利要求1所述的方法，其特征在于，所述通过神经网络对训练集中的目标图像进行分类处理，得到所述目标图像的预测分类结果，包括：

通过第i状态的特征提取网络对目标图像进行特征提取，得到所述目标图像的第i状态的第一特征，所述第i状态为所述N个训练状态中的一个，且0≤iN；

通过第i状态的分类网络对所述目标图像的第i状态的第一特征进行分类，得到所述目标图像的第i状态的预测分类结果。

3.根据权利要求2所述的方法，其特征在于，所述根据所述预测分类结果、所述目标图像的初始类别标签及校正类别标签，训练所述神经网络，包括：

根据第i状态的预测分类结果、所述目标图像的初始类别标签及第i状态的校正类别标签，确定所述神经网络的第i状态的总体损失；

根据所述第i状态的总体损失，调整第i状态的神经网络的网络参数，得到第i+1状态的神经网络。

4.根据权利要求1所述的方法，其特征在于，所述根据K个类别的第i状态的类原型特征以及所述目标图像的第i状态的第一特征，确定所述目标图像的第i状态的校正类别标签，包括：

分别获取所述目标图像的第i状态的第一特征与K个类别的第i状态的类原型特征之间的第一特征相似度；

根据与第一特征相似度的最大值对应的类原型特征所属的类别，确定所述目标图像的第i状态的校正类别标签。

5.根据权利要求4所述的方法，其特征在于，每个类别的第i状态的类原型特征包括多个类原型特征，

其中，所述分别获取所述目标图像的第i状态的第一特征与K个类别的第i状态的类原型特征之间的第一特征相似度，包括：

获取所述第i状态的第一特征与第k个类别的第i状态的多个类原型特征之间的第二特征相似度；

根据所述第二特征相似度，确定所述第i状态的第一特征与第k个类别的第i状态的类原型特征之间的第一特征相似度。

6.根据权利要求4或5所述的方法，其特征在于，所述第k个类别的第i状态的类原型特征包括所述第k个类别的多个样本图像的第i状态的第二特征的类中心。

7.根据权利要求3、5-6中任意一项所述的方法，其特征在于，所述根据第i状态的预测分类结果、所述目标图像的初始类别标签及第i状态的校正类别标签，确定所述神经网络的第i状态的总体损失，包括：

根据所述第i状态的预测分类结果以及所述目标图像的初始类别标签，确定所述神经网络的第i状态的第一损失；

根据所述第i状态的预测分类结果以及所述目标图像的第i状态的校正类别标签，确定所述神经网络的第i状态的第二损失；

根据所述第i状态的第一损失和所述第i状态的第二损失，确定所述神经网络的第i状态的总体损失。