[发明专利]用于训练用于图像分类的模型的方法和设备

权利要求书

1.一种用于图像分类的模型的训练方法，包括：

接收基础任务的基础类的第一图像样本集；

基于第一图像样本集训练模型，以从训练后的模型获得针对基础任务的基础类的基础分类权重；

顺序地接收多个新任务；以及

在接收到所述多个新任务中的任意一个新任务时：

接收所述任意一个新任务的新类的第二图像样本集，

基于基础分类权重、针对所述多个新任务中的先前接收到的一个或多个其他新任务的新类的一个或多个其他新分类权重、第一图像样本集和第二图像样本集中的一个或多个来训练权重生成器，以获得针对所述任意一个新任务的新类的新分类权重，以及

利用针对所述任意一个新任务的新类的新分类权重来更新所述模型。

2.根据权利要求1所述的训练方法，还包括：使用从基础类选择的随机数量的基础类和从基础类选择的假的新类的假的新任务、或者使用从基础类选择的假的新类的固定数量的假的新任务，来训练权重生成器。

3.根据权利要求2所述的训练方法，其中，训练权重生成器的步骤包括：使用从用于训练权重生成器的类的图像样本集中随机选择的样本来确定平均交叉熵损失。

4.根据权利要求1所述的训练方法，其中，使用更新后的模型将所述任意一个新任务的第二图像样本集中的第一样本集分类到新类中。

5.根据权利要求1所述的训练方法，其中，基于第一图像样本集训练模型的步骤包括：从第一图像样本集提取特征，并基于提取的特征训练所述模型。

6.根据权利要求1所述的训练方法，其中，训练权重生成器的步骤包括：

从所述任意一个新任务的第二图像样本集中的第二样本集提取特征；以及

通过权重生成器使用提取的特征、基础分类权重和所述一个或多个其他新分类权重来生成新分类权重。

7.根据权利要求6所述的训练方法，其中，所述一个或多个其他新任务的数量小于或等于三。

8.根据权利要求1所述的训练方法，其中，训练权重生成器的步骤包括：

从所述任意一个新任务的第二图像样本集中的第二样本集提取特征；以及

通过权重生成器使用针对从基础类和所述一个或多个其他新任务的新类选择的类的分类权重和提取的特征来生成新分类权重。

9.根据权利要求8所述的训练方法，其中，对于每个新任务，针对用于生成新分类权重的分类权重选择随机数量的类。

10.根据权利要求1至9中的任一项所述的训练方法，其中，权重生成器是双向注意力权重生成器或自注意力权重生成器。

11.一种训练用于图像分类的模型的用户设备，包括：

处理器；以及

存储指令的非暂时性计算机可读存储介质，所述指令在被执行时，使得处理器：

接收基础任务的基础类的第一图像样本集；

基于第一图像样本集训练模型，以从训练后的模型获得针对基础任务的基础类的基础分类权重；

顺序地接收多个新任务；以及

在接收到所述多个新的任务中的任意一个新任务时：

接收所述任意一个新任务的新类的第二图像样本集，

基于基础分类权重、针对所述多个新任务中的先前接收到的一个或多个其他新任务的新类的一个或多个其他新分类权重、第一图像样本集和第二图像样本集中的一个或多个来训练权重生成器，以获得针对所述任意一个新任务的新类的新分类权重，以及

利用针对所述任意一个新任务的新类的新分类权重来更新所述模型。

12.根据权利要求11所述的用户设备，其中，处理器还被配置为：使用从基础类选择的随机数量的基础类和假的新类的假的新任务或者使用从基础类选择的固定数量的假的新类的假的新任务，来训练权重生成器。