[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

说明书

本公开涉及一种神经网络训练方法及装置以及图像处理方法及装置。该训练方法包括：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。本公开实施例可通过初始和校正类别标签共同监督神经网络的训练过程，简化训练过程和网络结构。

技术领域

本公开涉及计算机技术领域，尤其涉及一种神经网络训练方法及装置以及图像处理方法及装置。

背景技术

随着人工智能技术的不断发展，机器学习(尤其是深度学习)在计算机视觉等多个领域都取得了很好的效果。目前的机器学习(深度学习)对大规模的精确标注的数据集有着很强的依赖，但是要采集大规模的精确标注的数据集是非常费时而且花费巨大的。机器学习的新的分支寻求在不精确标注的‘噪声数据’的条件下对网络进行训练，来提高网络的泛化能力，来降低收集所需数据的成本。

在相关技术中，通常需要预先假定标签的噪声分布，加入额外的监督数据，或设计辅助网络等方式，实现无准确标注的噪声数据集上的网络训练，训练过程复杂，给真实的噪声数据集上的训练和应用带来了很大的困难。

发明内容

本公开提出了一种神经网络训练及图像处理技术方案。

根据本公开的一方面，提供了一种神经网络训练方法，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。

在一种可能的实现方式中，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，其中，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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；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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。