[发明专利]图片集的分类方法和装置

权利要求书

1.一种图片集的分类方法，其特征在于，包括：

从待分类图片集中获取第一图片集，其中，所述第一图片集的图片类型已知，且所述图片类型的数量为预设数量；

从预设分类模型中选择与所述预设数量匹配的目标模型，其中，所述目标模型为所述预设分类模型中按类型数量划分的一个分支网络；

通过所述第一图片集对所述目标模型的模型参数进行更新；

使用更新了模型参数的目标模型对第二图片集进行分类，得到所述第二图片集的分类结果，其中，所述第二图片集为所述待分类图片集中去除所述第一图片集后剩余的部分或全部图片集合。

2.根据权利要求1所述的方法，其特征在于，所述预设分类模型基于如下方法获得：

获取样本图片集，其中，所述样本图片集包括训练集和测试集；

基于神经网络模型训练所述训练集和所述测试集，得到所述预设分类模型。

3.根据权利要求2所述的方法，其特征在于，所述神经网络模型包括主干网络和多个分支网络，所述训练集包括至少一组训练子集和测试子集，其中，所述主干网络用于对所述训练集和所述测试集进行降维处理，提取出低维特征，多个所述分支网络基于所述低维特征，分别对指定类型数量的训练子集和测试子集进行训练。

4.根据权利要求3所述的方法，其特征在于，基于神经网络模型训练所述训练集和所述测试集，得到所述预设分类模型，包括：

获取每个所述分支网络的损失函数；

基于所述损失函数，确定所述神经网络模型的平均损失函数；

根据所述平均损失函数，确定所述神经网络模型中每层网络参数的梯度值；

基于所述梯度值，更新所述网络参数，得到更新后的神经网络模型；

在所述神经网络模型训练所述训练集达到第一预定次数，且迭代处理所述测试集达到第二预定次数的情况下，得到所述预设分类模型。

5.根据权利要求4所述的方法，其特征在于，所述损失函数基于如下方法获取：

将所述训练子集输入至类型数量匹配的分支网络，进行前向推理，得到初始损失函数；

根据所述初始损失函数，确定所述分支网络中每层网络参数的梯度值；

基于所述梯度值，更新所述网络参数，得到更新后的分支网络；

重复上述步骤，在所述分支网络训练所述训练子集达到第三预定次数后，将所述测试子集输入至更新后的分支网络，进行前向推理，获得所述损失函数。

6.一种图片集的分类装置，其特征在于，包括：

第一获取模块，用于从待分类图片集中获取第一图片集，其中，所述第一图片集的图片类型已知，且所述图片类型的数量为预设数量；

选择模块，用于从预设分类模型中选择与所述预设数量匹配的目标模型，其中，所述目标模型为所述预设分类模型中按类型数量划分的一个分支网络；

更新模块，用于通过所述第一图片集对所述目标模型的模型参数进行更新；

分类模块，用于使用更新了模型参数的目标模型对第二图片集进行分类，得到所述第二图片集的分类结果，其中，所述第二图片集为所述待分类图片集中去除所述第一图片集后剩余的部分或全部图片集合。

7.根据权利要求6所述的装置，其特征在于，所述预设分类模型包括：

第二获取模块，用于获取样本图片集，其中，所述样本图片集包括训练集和测试集；

训练模块，用于基于神经网络模型训练所述训练集和所述测试集，得到所述预设分类模型。

8.根据权利要求7所述的装置，其特征在于，所述神经网络模型包括主干网络和多个分支网络，所述训练集包括至少一组训练子集和测试子集，其中，所述主干网络用于对所述训练集和所述测试集进行降维处理，提取出低维特征，多个所述分支网络基于所述低维特征，分别对指定类型数量的训练子集和测试子集进行训练。