[发明专利]图片分类方法、图片模型训练方法及设备

权利要求书

1.一种图片分类方法，其中，该方法包括：

建立图片分类模型，所述图片分类模型包括待学习的参数w；

确定损失函数，所述损失函数包括超参n，所述损失函数用于弱化对已经分类正确的训练集中的第一图片的惩罚，加重对分类错误的训练集中的第一图片的惩罚；

将训练集中的第一图片输入所述图片分类模型，以得到第一类别判定输出，基于所述损失函数、第一图片的第一类别判定输出及所述第一图片对应的真实类别，对所述图片分类模型中的待学习的参数w的值进行调节；

将验证集中的第二图片输入所述图片分类模型，以得到第二类别判定输出，基于第二图片的第二类别判定输出及所述第二图片对应的真实类别，对所述损失函数中的超参n的值进行选择，得到目标图片分类模型；

基于所述目标图片分类模型对待分类的图片进行分类。

2.根据权利要求1所述的方法，其中，基于所述损失函数、第一图片的第一类别判定输出及所述第一图片对应的真实类别，对所述图片分类模型中的待学习的参数w的值进行调节，包括：

基于所述损失函数对第一图片的第一类别判定输出及所述第一图片对应的真实类别，计算第一图片的类别判定的损失值；

选取第一图片的类别判定的损失值中的最低值；

将所述第一图片的类别判定的损失值为所述最低值时对应的参数w的值，作为参数w的最终值。

3.根据权利要求1所述的方法，其中，基于第二图片的第二类别判定输出及所述第二图片对应的真实类别，对所述损失函数中的超参n的值进行选择，包括：

将第二图片的第二类别判定输出与所述第二图片的真实类别进行比较，得到第二图片的类别判定的准确度；

选取第二图片的类别判定的准确度中的最高值；

将所述第二图片的类别判定的准确度为所述最高值时对应的超参n的值，作为超参n的最终值。

4.根据权利要求1所述的方法，其中，所述损失函数的公式如下：

l＝exp(-yf)，

其中，v表示某张第一图片x的第一特征向量，T表示转置，y表示所述某张第一图片x的类别，p(y＝1|x)表示某张第一图片x的类别y属于1的概率，p(y＝-1|x)表示某张第一图片x的类别y属于-1的概率。

5.根据权利要求1所述的方法，其中，建立图片分类模型之前，还包括：

获取训练集和验证集，其中，所述训练集包括多张第一图片，和每张第一图片对应的真实类别，所述验证集包括多张第二图片，和每张第二图片对应的真实类别；

将训练集中的第一图片输入所述图片分类模型，以得到第一类别判定输出，包括：

将训练集中的第一图片输入所述图片分类模型，通过所述图片分类模型将所述训练集中的每张第一图片分别映射为对应的第一特征向量，并基于第一特征向量以得到第一类别判定输出；

将验证集中的第二图片输入所述图片分类模型，以得到第二类别判定输出，包括：

将验证集中的第二图片输入所述图片分类模型，通过所述图片分类模型将所述验证集中的每张第二图片分别映射为对应的第二特征向量，并基于所述第二特征向量得到第二类别判定输出。

6.根据权利要求5所述的方法，其中，通过所述图片分类模型将所述训练集中的每张第一图片分别映射为对应的第一特征向量，通过所述图片分类模型将所述验证集中的每张第二图片分别映射为对应的第二特征向量之前，还包括：

分别对每张第一图片和第二图片进行如下至少一项的预处理：

将第一图片和第二图片的大小调整到固定的尺寸图；

对第一图片和第二图片进行通道去均值处理。