[发明专利]神经网络训练方法、图像处理方法及装置

说明书

本公开提供了神经网络训练方法、图像处理方法及装置。其中神经网络训练方法包括：获取总训练集，总训练集包括多个类别的训练数据，其中每个类别包括一个或多个训练数据；基于每个类别包括的训练数据的数量，得到头部训练集，其中，头部训练集中的任一类别包括的训练数据的数量多于非头部训练集中的任一类别包括的训练数据的数量；基于头部训练集的训练数据和第一损失函数调整神经网络的参数，以及基于总训练集的训练数据和第二损失函数调整神经网络的参数，以完成对神经网络的训练。通过训练集中类别的训练数据数量，采用多种训练方法，使提高训练质量，保证训练后神经网络的分类准确性。

技术领域

本发明一般地涉及图像识别技术领域，特别是涉及一种神经网络训练方法、图像处理方法及装置，以及电子设备和计算机可读存储介质。

背景技术

目前神经网络训练过程中使用的训练集，包括多个类别的训练数据，为了保证训练质量以及分类效果，往往会加大训练集的规模，以包含更多的类别，而在规模增加的同时，训练集的存在长尾问题，即：训练集中一部分类别包括很多训练数据(头部数据)，同时有很多类别中仅包含很少的训练数据(尾部数据)。

如果采用分类损失函数对神经网络训练，在这种数据集上，由于类数过多，分类损失函数的实现会对计算资源造成很大负担，同时，通过随机采样，训练数据多的类别通过更容易被采样，使得训练后的神经网络倾向于将样本预测为头部数据；尾部数据会因为数据量少且噪声影响大的缘故反而对分类器的训练无法造成影响或造成负面影响。

如果采用三元组损失函数(Triplet loss)对神经网络训练，虽然三元组损失函数的部署不会受训练集规模影响，然而其精度不足。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种神经网络训练方法、图像处理方法及装置，以及电子设备和计算机可读存储介质。

根据本公开实施例的第一方面，提供一种神经网络训练方法，包括：获取总训练集，总训练集包括多个类别的训练数据，其中每个类别包括一个或多个训练数据；基于每个类别包括的训练数据的数量，得到头部训练集，其中，头部训练集中的任一类别包括的训练数据的数量多于非头部训练集中的任一类别包括的训练数据的数量；基于头部训练集的训练数据和第一损失函数调整神经网络的参数，以及基于总训练集的训练数据和第二损失函数调整神经网络的参数，以完成对神经网络的训练。

在一例中，基于头部训练集的训练数据和第一损失函数调整神经网络的参数，包括：对头部训练集中的训练数据进行随机采样或PK采样得到第一子训练集；通过神经网络对第一子训练集中的训练数据进行特征提取，得到所第一述输出结果；基于第一输出结果和第一损失函数，调整神经网络的参数，其中第一损失函数为分类损失函数。

在一例中，基于总训练集的训练数据和第二损失函数调整所述神经网络的参数，包括：对总训练集中的训练数据进行PK采样得到第二子训练集；通过神经网络对第二子训练集中的训练数据进行特征提取，得到第二输出结果；基于第二输出结果和第二损失函数，调整神经网络的参数，其中第二损失函数为三元组损失函数。

在一例中，基于每个类别包括的训练数据的数量，得到头部训练集，包括：将训练数据的数量大于预设阈值的类别，划分到头部训练集。

在一例中，基于每个类别包括的训练数据的数量，得到头部训练集，包括：根据预设比例或预设数量，将训练数据的数量最多的若干个类别，划分到头部训练集。

根据本公开实施例的第二方面，提供一种图像处理方法，包括：获取图像；通过神经网络进行图像识别，得到图像的分类结果，其中神经网络通过第一方面的神经网络训练方法训练得到。