[发明专利]图像分类方法、分类网络的训练方法和相关产品

说明书

本公开涉及计算机视觉技术领域，具体提供了一种图像分类方法、分类网络的训练方法和相关产品。分类网络的训练方法包括：基于样本数据对待训练的分类网络进行训练，得到训练后的分类网络；样本数据包括属于新类别的新样本数据和属于旧类别的历史样本数据；根据样本数据的特征得到训练后的分类网络中每个类别的中心特征；根据每个类别的中心特征，从属于每个类别的样本数据中确定预设数量的目标样本数据；基于每个类别对应的目标样本数据，对历史样本数据进行更新。本公开实施方式的训练方法缩短分类网络的训练时间，提高训练速度。

技术领域

本公开涉及计算机视觉技术领域，具体涉及一种图像分类方法、分类网络的训练方法和相关产品。

背景技术

深度神经网络在处理增量学习任务时具有灾难性遗忘的特点，会使得神经网络通过新数据训练时遗忘通过旧数据学习的内容。为了消除灾难性遗忘的缺陷，在网络训练时，需要将新样本数据和旧样本数据合并成新的数据集，进行完整的网络训练，导致整个训练过程耗时很长。

发明内容

本公开实施方式提供了一种分类网络的训练方法、装置，以及图像分类方法、装置、电子设备和存储介质。

第一方面，本公开实施方式提供了一种分类网络的训练方法，包括：

基于样本数据对待训练的分类网络进行训练，得到训练后的分类网络；所述样本数据包括属于新类别的新样本数据和属于旧类别的历史样本数据；

根据所述样本数据的特征得到训练后的分类网络中每个类别的中心特征；

根据每个类别的中心特征，从属于每个类别的样本数据中确定预设数量的目标样本数据；

基于每个类别对应的所述目标样本数据，对所述历史样本数据进行更新。

在一些实施方式中，所述基于样本数据对待训练的分类网络进行训练，包括：

将所述样本数据输入待训练的分类网络，得到待训练的分类网络输出的输出结果；

确定所述输出结果与所述样本数据的标签信息之间的差异；所述差异包括所述输出结果对应的蒸馏损失；

根据所述差异调整所述分类网络的网络参数，直至满足收敛条件。

在一些实施方式中，所述分类网络的训练过程包括多个轮次；所述确定所述输出结果与所述样本数据的标签信息之间的差异，包括：

对于同一个样本数据，获取待训练的分类网络输出的第一输出结果，和当前轮次训练的分类网络输出的第二输出结果；

根据所述第一输出结果和所述第二输出结果，确定所述样本数据的所述蒸馏损失；

基于所述蒸馏损失确定所述输出结果与所述样本数据的标签信息之间的差异。

在一些实施方式中，所述根据所述样本数据的特征得到训练后的分类网络中每个类别的中心特征，包括：

获取每个类别中包括的各个样本数据的特征；

根据每个类别中包括的各个样本数据的特征，得到该类别中所有样本数据的特征平均值；

将所述特征平均值确定为该类别的所述中心特征。

在一些实施方式中，所述根据每个类别的中心特征，从属于每个类别的样本数据中确定预设数量的目标样本数据，包括：

对于每一个所述类别，获取该类别包括的各个样本数据的特征；

根据各个样本数据的特征与该类别的所述中心特征，确定各个样本数据的特征与所述中心特征的相似度；

对各个样本数据的特征与所述中心特征的相似度由高到低排序，得到相似度序列；