[发明专利]图像分类模型训练方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种图像分类模型训练方法，其特征在于，用于图像分类，所述方法包括：

选取预设数目的图像样本，形成训练数据集，其中，每个所述图像样本对应一个分类标签以及一个图像语义特征；

将所述训练数据集中的图像样本输入预设的图像分类模型中，得到所述图像分类模型输出的所述训练数据集中各图像样本的分类结果；

以最小化联合损失函数为目标，调整所述图像分类模型的模型参数；

其中，所述联合损失函数基于第一损失函数、第二损失函数和对应的损失函数加权因子确定，所述第一损失函数用于计算所述分类标签与所述图像分类模型输出的所述训练数据集中各图像样本对应的分类结果之间的损失，所述第二损失函数用于计算所述图像语义特征与所述图像分类模型输出的所述训练数据集中各图像样本对应的分类结果之间的图像语义特征损失。

2.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述联合损失函数loss_total为：

loss_total＝loss_softmax+λloss_center

其中，loss_softmax表示第一损失函数，loss_center为第二损失函数，λ为加权因子，

3.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述第二损失函数loss_center为：

其中，#Batch为训练数据集，B为训练数据集中的图像样本的数量，k＝1,2,3,…,B，feature_k为所述图像分类模型输出的所述训练数据集中的第k个图像样本对应的分类结果，center_feature_ck为所述训练数据集中的第k个图像样本对应的图像语义特征。

4.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述模型参数包括中心语义特征，所述以最小化联合损失函数为目标，调整所述图像分类模型的模型参数的步骤，包括：

在所述联合损失函数的损失值未满足最小化需求时，基于所述图像分类模型输出的所述训练数据集中各图像样本对应的分类结果，对所述图像分类模型中的中心语义特征进行更新；

基于更新后的中心语义特征再次执行所述将所述训练数据集中的图像样本输入图像分类模型中，得到所述图像分类模型输出的所述训练数据集中各图像样本的分类结果的步骤，直到基于所述图像分类模型输出的当前分类结果，计算得到的联合损失函数的损失值满足所述最小化需求。

5.根据权利要求4所述的图像分类模型训练方法，其特征在于，所述更新后的中心语义特征center_feature_i为：

其中，表示第i个图像样本对应的更新前的中心语义特征，为训练数据集，feature_k表示所述训练数据集中的第k个图像样本对应的分类结果，α为超参数，B为所述训练数据集中的图像样本的数量，k＝1,2,3,…,B。

6.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述以最小化联合损失函数为目标，调整所述图像分类模型的模型参数之后，所述方法还包括：

在对所述图像分类模型的模型参数进行预设次数的调整后，利用预设评价函数和选取的测试样本，对训练后的图像分类模型输出的分类结果的准确性进行检测，其中，所述测试样本对应一个分类标签以及一个图像语义特征；

在经过预设次数的检测后得到的检测指标未得到提升，停止对所述图像分类模型的训练，得到目标图像分类模型。