[发明专利]图像分类模型的训练方法及装置

说明书

本发明提供了一种图像分类模型的训练方法及装置；方法包括：获取包括噪声图像样本的图像样本集所对应至少两个类别的类中心特征、以及图像样本集中各图像样本的特征，图像样本标注有原类别标签；确定至少两个类别的类中心特征与各图像样本的特征的相似度；针对各图像样本，将对应最大相似度的类中心特征所归属的类别，作为相应图像样本的新类别标签进行样本标注，得到标注有原类别标签及新类别标签的目标图像样本；基于原类别标签、新类别标签以及确定的相似度，构建图像分类模型的损失函数；基于损失函数，采用目标图像样本训练图像分类模型。通过本发明，能够提高训练得到的图像分类模型的预测准确度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种图像分类模型的训练方法及装置。

背景技术

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术，人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中，机器学习(ML，Machine Learning)是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习和归纳学习等技术。

图像的分类与识别是人工智能的重要应用分支，为实现图像的分类，通常需要通过图像样本集，对图像分类模型进行训练。由于标注人员的失误、概念不清等原因，图像样本集通常包括噪声图像样本，而基于包括噪声图像样本的图像数据集训练得到的图像分类模型的分类预测性能较低。

发明内容

本发明实施例提供一种图像分类模型的训练方法及装置，能够对噪声图像样本的标签进行修正，提高训练得到的图像分类模型的预测准确度。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种图像分类模型的训练方法，包括：

获取包括噪声图像样本的图像样本集所对应至少两个类别的类中心特征、以及所述图像样本集中各图像样本的特征，所述图像样本标注有原类别标签；

确定所述至少两个类别的类中心特征与各所述图像样本的特征的相似度；

针对各所述图像样本，将对应最大相似度的类中心特征所归属的类别，作为相应图像样本的新类别标签进行样本标注，得到标注有所述原类别标签及所述新类别标签的目标图像样本；

基于所述原类别标签、所述新类别标签以及确定的所述相似度，构建所述图像分类模型的损失函数；

基于所述损失函数，采用所述目标图像样本训练所述图像分类模型。

本发明实施例提供一种图像分类模型的训练装置，包括：

获取模块，用于获取包括噪声图像样本的图像样本集所对应至少两个类别的类中心特征、以及所述图像样本集中各图像样本的特征，所述图像样本标注有原类别标签；

确定模块，用于确定所述至少两个类别的类中心特征与各所述图像样本的特征的相似度；

标注模块，用于针对各所述图像样本，将对应最大相似度的类中心特征所归属的类别，作为相应图像样本的新类别标签进行样本标注，得到标注有所述原类别标签及所述新类别标签的目标图像样本；

构建模块，用于基于所述原类别标签、所述新类别标签以及确定的所述相似度，构建所述图像分类模型的损失函数；

训练模块，用于基于所述损失函数，采用所述目标图像样本训练所述图像分类模型。

上述方案中，所述训练模块，还用于通过所述图像样本集，对所述图像分类模型进行第一阶段的训练，直至确定所述第一阶段的训练完成；