[发明专利]一种细粒度图像分类模型处理方法和装置

说明书

本发明实施例提供了涉及图像分类技术领域的一种细粒度图像分类模型处理方法，包括：根据获取的数据集生成包含至少两个样本的第一数据；根据预设规则处理所述第一数据的样本排序得到至少两组第二数据；根据预制规则提取所述第二数据的样本形成样本对；通过预置欧拉模型处理所述样本对获得数据损失值；根据所述数据损失值处理预置的第一细粒度图像分类模型获得第二细粒度图像分类模型。本发明能够实现缩小类间距并增大类内距，使得细粒度图像分类模型能够提升细粒度图像分类的性能。

技术领域

本发明涉及图像分类技术领域，特别是涉及一种细粒度图像分类模型处理方法和一种细粒度图像分类模型处理装置。

背景技术

作为计算机视觉中一个经典、基本且具有挑战性的问题，细粒度图像分类一直是数十年来研究的活跃领域。细粒度图像分类的目标是检索和识别出在同一个大类(即元类别)下不同子类的图像。例如，不同属类的动物/植物，不同型号的汽车，不同种类的零售产品等。

中国专利公开号为CN109800754A的一种基于卷积神经网络的古字体分类方法，涉及基于分类任务的目标函数将中心损失函数与传统的交叉熵损失函数配合使用，增大类间距离并减小类内距离，在一定程度上提高了特征的分辨能力，通过预先定义好的网络模型对预处理后的图像进行训练，利用混淆矩阵对分类结果准确率进行评估。

但是，上述专利公开的技术方案中系统运算量较大，并且提高的分类结果准确率较低。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种细粒度图像分类模型处理方法和相应的一种细粒度图像分类模型处理装置。

为了解决上述问题，本发明实施例公开了一种细粒度图像分类模型处理方法，包括：

根据获取的数据集生成包含至少两个样本的第一数据；

根据预设规则处理所述第一数据的样本排序得到至少两组第二数据；

根据预制规则提取所述第二数据的样本形成样本对；

通过预置欧拉模型处理所述样本对获得数据损失值；

根据所述数据损失值处理预置的第一细粒度图像分类模型获得第二细粒度图像分类模型。

可选地，根据预制规则提取所述第二数据的样本形成样本对包括：

获取两组所述第二数据中相同序列的样本组成多个样本对。

可选地，所述通过预置欧拉模型处理所述样本对获得数据损失值包括：

通过预设置孪生欧拉模块对所述样本对进行计算，得到样本损失值；

对所述样本损失值进行求和，得到数据损失值。

可选地，所述通过预设置孪生欧拉模块对所述样本对进行计算，得到样本损失值包括：

当所述样本对中的样本类别相同时，根据预设置交叉熵损失函数和欧拉混淆项分别得出交叉熵损失和欧拉损失；

根据所述交叉熵损失和所述欧拉损失得到样本损失值。

可选地，所述根据所述交叉熵损失和所述欧拉损失得到样本损失值包括：

对所述欧拉损失进行附加权重后，与所述交叉熵损失进行求和，得到样本损失值。

本发明实施例还公开了一种细粒度图像分类模型处理装置，包括：

生成模块，用于根据获取的数据集生成包含至少两个样本的第一数据；

变序模块，用于根据预设规则处理所述第一数据的样本排序得到至少两组第二数据；