[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

说明书

本发明实施例公开了一种图像分类模型的训练方法、图像分类方法、装置和设备，通过从训练集中抽取至少一个第一支持集和第一查询集形成至少一个样本任务，将该样本任务输入至图像分类模型的编码器模块进行特征提取，获取对应的第一样本特征向量，生成第一支持集和第一查询集中的样本的学习标签，将各第一样本特征向量以及对应的元学习标签输入至图像分类模型的情节学习模块，确定第一损失，将各样本特征向量以及对应的类别标签输入至分类模块，确定第二损失，根据第一损失和第二损失调节编码器模块、情节学习模块和分类模块的参数，以确定图像分类模型，由此，可以提高图像分类模型的鲁棒性和分类准确率。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种图像分类模型的训练方法、图像分类方法、装置和设备。

背景技术

机器学习在大量数据和大规模训练的基础上，通过模拟或实现人类的学习行为来获取新的知识或技能。但在很多应用场景中，可能会存在数据不足的问题，在标注数据较少的情况下，神经网络通常容易过拟合，这使得机器学习的应用和效果受到了限制。为了解决这一问题，近年来提出了FSL(Few Shot Learning，小样本学习)。利用先验知识，FSL可以快速地泛化到只包含少量有监督信息的样本的新任务中。

目前小样本学习研究主要在同一个数据集上进行训练和测试，比如将mini-ImageNet数据集进行划分，分别用来训练、验证和测试，训练集和测试集遵循相同的数据分布。而在实际生活中能获得的有标签的训练集和无标签的测试集通常来自不同的数据分布，因此这极大地限制了小样本学习的应用。

发明内容

有鉴于此，本发明实施例提供了一种图像分类模型的训练方法、装置、电子设备和存储介质，以提高图像分类模型的泛化能力和分类准确率。

第一方面，本发明实施例提供一种图像分类模型的训练方法，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。

可选的，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。

可选的，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；