[发明专利]图像分类模型的训练方法、图像分类方法、装置和设备

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：

从训练集中抽取至少一个第一支持集和第一查询集，所述第一支持集和对应的第一查询集形成一个样本任务，所述训练集包括多种类别的图像样本，所述第一支持集和第一查询集中的样本具有类别标签；

将所述样本任务的第一支持集和第一查询集输入至所述图像分类模型的编码器模块进行特征提取，以获取所述样本任务的第一支持集和第一查询集对应的第一样本特征向量；

生成所述样本任务的第一支持集和第一查询集中的样本的学习标签；

将各所述第一样本特征向量以及对应的元学习标签输入至所述图像分类模型的情节学习模块，以确定第一损失；

将各所述第一样本特征向量以及对应的类别标签输入至分类模块，以确定第二损失；

根据第一损失和第二损失调节所述编码器模块、情节学习模块和分类模块的参数，以确定所述图像分类模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从测试集中抽取至少一个第二支持集和第二查询集，所述第二支持集中的样本具有类别标签；

将所述第二支持集输入至所述编码器模块进行特征提取，以获取所述第二支持集对应的第二样本特征向量；

将所述第二支持集对应的各所述第二样本特征向量以及所述第二支持集对应的类别标签输入至所述分类模块中进行处理，以确定第三损失；

根据所述第三损失更新所述编码器模块和所述分类模块的参数，以更新所述图像分类模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将所述第二支持集和第二查询集输入至更新后的编码器模块进行特征提取，以获取所述第二支持集和第二查询集对应的第三样本特征向量；

将所述各第三样本特征向量输入至所述图像分类模型的情节学习模块，以确定第二查询集中的样本的类别预测标签；

根据第二查询集中的样本的类别预测标签确定更新后的所述图像分类模型的准确率。

4.一种图像分类方法，其特征在于，所述方法包括：

获取待分类图像；

将所述待分类图像输入至预先训练的图像分类模型的编码器模块进行特征提取，获取所述待分类图像的特征向量；

将所述待分类图像的特征向量输入至所述图像分类模型的情节学习模块和/或分类模块进行处理，以确定所述待分类图像的类别；

其中，所述图像分类模型通过所述情节学习模块和分类模块监督训练获得，以能够更好地拟合数据。

5.根据权利要求4所述的方法，其特征在于，将所述待分类图像的特征向量输入至所述图像分类模型的情节学习模块进行处理，以确定所述待分类图像的类别包括：

将所述待分类图像的特征向量输入至所述情节学习模块进行处理，确定待分类图像属于各类别的第一概率集合；

将所述第一概率集合中最大的第一概率对应的类别确定为所述待分类图像的类别。

6.根据权利要求4所述的方法，其特征在于，将所述待分类图像的特征向量输入至所述图像分类模型的分类模块进行处理，以确定所述待分类图像的类别包括：

将所述待分类图像的特征向量输入至所述分类模块进行处理，确定待分类图像属于各类别的第二概率集合；

将所述第二概率集合中最大的第二概率对应的类别确定为所述待分类图像的类别。

7.根据权利要求4所述的方法，其特征在于，将所述待分类图像的特征向量输入至所述图像分类模型的情节学习模块和/或分类模块进行处理，以确定所述待分类图像的类别包括：

将所述待分类图像的特征向量输入至所述情节学习模块进行处理，确定待分类图像属于各类别的第一概率集合；

将所述待分类图像的特征向量输入至所述分类模块进行处理，确定待分类图像属于各类别的第二概率集合；

根据所述第一概率集合和所述第二概率集合确定所述待分类图像的类别。