[发明专利]图像分类模型的训练方法、装置、计算机设备和存储介质

权利要求书

1.一种图像分类模型的训练方法，其特征在于，所述方法包括：

获取训练图像和所述训练图像对应的标签；

将所述训练图像输入图像分类模型的分类网络，得到所述训练图像对应各类别的第一概率；

将所述训练图像输入图像分类模型的特征嵌入网络，得到所述训练图像对应的表征向量；

获取各类别的初始表征权重向量，确定所述训练图像对应的表征向量和所述各类别的初始表征权重向量之间的初始距离；

根据所述初始距离确定所述训练图像对应各类别的第二概率；

根据所述训练图像对应的标签和所述第二概率构建第三损失函数；

通过所述第三损失函数训练图像分类模型的特征嵌入网络，满足训练停止条件时得到各类别对应的目标表征权重向量；

根据所述各类别的目标表征权重向量确定所述各类别之间的关联概率；

根据所述训练图像对应的标签和所述第一概率构建第一损失函数，以及，根据所述第一概率和所述各类别之间的关联概率构建第二损失函数；

根据所述第一损失函数和所述第二损失函数构建目标损失函数，基于所述目标损失函数对所述图像分类模型进行训练，当满足预设条件时停止训练，得到训练好的图像分类模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述各类别的目标表征权重向量确定所述各类别之间的关联概率，包括：

确定所述各类别的目标表征权重向量相互之间的目标距离；

根据所述目标距离确定所述各类别之间的关联概率。

3.根据权利要求2所述的方法，其特征在于，所述根据所述目标距离确定所述各类别之间的关联概率，包括：

将所述各类别的目标表征权重向量相互之间的目标距离进行归一化处理，得到所述各类别之间的关联概率。

4.根据权利要求1所述的方法，其特征在于，所述将所述训练图像输入图像分类模型的特征嵌入网络，得到所述训练图像对应的表征向量，包括：

通过所述图像分类模型的分类网络将所述训练图像转化为对应的第一特征向量；

基于所述图像分类模型中特征嵌入网络的初始权重对所述第一特征向量进行处理，得到所述训练图像对应的表征向量。

5.根据权利要求4所述的方法，其特征在于，所述通过所述图像分类模型的分类网络将所述训练图像转化为对应的第一特征向量，包括：

获取所述图像分类模型的分类网络中的特征提取层的第一权重；

通过所述特征提取层的第一权重对所述训练图像进行特征提取，得到所述训练图像对应的第一特征向量。

6.根据权利要求5所述的方法，其特征在于，所述获取所述图像分类模型的分类网络中的特征提取层的第一权重，包括：

根据所述训练图像对应的标签和所述第一概率构建第一损失函数；

基于所述第一损失函数对所述图像分类模型的分类网络进行训练，满足训练停止条件时停止训练，得到特征提取层对应的第一权重，所述特征提取层对应的第一权重为训练好的分类网络中的权重参数。

7.根据权利要求1所述的方法，其特征在于，所述基于所述目标损失函数对所述图像分类模型进行训练，当满足预设条件时停止训练，得到训练好的图像分类模型，包括：

通过所述目标损失函数训练图像分类模型，并调整分类网络中的特征提取层的权重参数和全连接层的权重参数；

当满足预设条件时停止训练，得到所述分类网络中的特征提取层的目标权重和全连接层的目标权重；所述特征提取层的目标权重和全连接层的目标权重为训练好的图像分类模型中的参数。