[发明专利]一种图像分类模型的训练方法及相关设备

说明书

本发明实施例公开了一种图像分类模型的训练方法及相关设备，所述方法包括：获取训练图像集；将相关训练图像输入图像分类学习模型，得到相关训练图像针对各个所述目标类别的预测分类概率，并将无关训练图像输入所述图像分类学习模型，得到无关训练图像针对各个目标类别的预测分类概率；确定目标类别在所述相关训练图像下的真实概率分布与预测概率分布之间的概率分布差异度；确定相关训练图像的预测分类不确定度，并确定无关训练图像的预测分类不确定度；根据概率分布差异度、相关训练图像的预测分类不确定度以及无关训练图像的预测分类不确定度，调节图像分类学习模型的当前模型参数。通过本发明实施例可以提高图像分类模型的泛化能力。

技术领域

本申请涉及机器学习领域，尤其涉及一种图像分类模型的训练方法及相关设备。

背景技术

随着人工智能领域的发展，越来越多的工作可以通过计算机实现，其中图像分类就是计算机通过提取图像的特征，根据图像的特征将图像划分为若干图像归类中的某一类，代替人类通过视觉进行判读归类的技术。目前存在许多用于图像分类的算法，比如KNN(K近邻分类器)、SVM(支持向量机)、CNN(卷积神经网络)等，CNN由于不需要人工进行预处理以及额外的特征提取等操作，成为图像分类领域的主流方法。

在通过基于CNN的图像分类模型进行图像分类过程中，图像分类模型提取输入图像的图像特征，进而根据图像特征计算输入图像为每一种预设类别的预测概率，进而将最大的预测概率对应的类别确定为输入对象的归类。例如，图像分类模型进行分类的预设类别有两种，分别为猫和狗，即任何图像输入图像分类模型后，图像分类模型均会计算该图像是猫和狗的预测概率，进而输出相对较高的预测概率对应的类别(猫和狗中的一种)。在一些情况下，将猫或狗的图像输入图像分类模型可以输出准确的归类，在另一些情况下，将猫或狗以外的图像输入图像分类模型后，依然输出猫或狗其中的一种归类，且模型内部对应的预测概率较高，如0.8或0.8以上，也就是说图像分类模型较为肯定地将猫和狗以外的图像地误判为了猫或狗，说明当前的图像分类模型的训练方法使得图像分类模型不能对不属于预设类别的输入图像进行合理预测，进而使得图像分类模型的泛化能力较弱。

发明内容

本申请提供一种图像分类模型的训练方法及相关设备，通过本发明可以提高图像分类模型的泛化能力。

本发明实施例一方面提供了一种图像分类模型的训练方法，包括：

获取训练图像集，所述训练图像集包括不同目标类别下的相关训练图像，以及不属于所述目标类别的无关训练图像，所述相关训练图像携带各自的目标类别对应的类别标签；

将所述相关训练图像输入图像分类学习模型，得到所述相关训练图像针对各个所述目标类别的预测分类概率，并将所述无关训练图像输入所述图像分类学习模型，得到所述无关训练图像针对各个所述目标类别的预测分类概率；

根据所述相关训练图像的目标类别对应的类别标签、所述相关训练图像针对各个所述目标类别的预测分类概率，确定所述目标类别在所述相关训练图像下的真实概率分布与预测概率分布之间的概率分布差异度；

根据所述相关训练图像针对各个所述目标类别的预测分类概率，确定所述相关训练图像的预测分类不确定度，并根据所述无关训练图像针对各个所述目标类别的预测分类概率，确定所述无关训练图像的预测分类不确定度；

根据所述概率分布差异度、所述相关训练图像的预测分类不确定度以及所述无关训练图像的预测分类不确定度，调节所述图像分类学习模型的当前模型参数，使得通过调节后的图像分类学习模型确定出的概率分布差异度、确定出的所述相关训练图像的预测分类不确定度以及确定出的所述无关训练图像的预测分类不确定度满足预设的调节结果条件。

其中，所述根据所述相关训练图像的目标类别对应的类别标签、所述相关训练图像针对各个所述目标类别的预测分类概率，确定所述目标类别在所述相关训练图像下的真实概率分布与预测概率分布之间的概率分布差异度包括：