[发明专利]神经网络训练及分类方法、装置、电子设备及存储介质

说明书

本公开提供了一种神经网络训练及分类方法、装置、电子设备及存储介质，其中，本公开首先获取多张样本图像；之后，基于每张样本图像对应的第一视觉特征，分别确定每张样本图像的结构化描述信息；之后，将所述多张样本图像输入待训练的目标神经网络，经过所述待训练的目标神经网络对所述多张样本图像进行处理，分别得到每张样本图像对应的预测视觉特征；最后，基于所述预测视觉特征和所述结构化描述信息，生成第一训练损失，并利用所述第一训练损失对所述待训练的目标神经网络进行训练，直到满足预设训练条件，得到训练好的目标神经网络。

技术领域

本公开涉及深度学习和图像处理技术领域，具体而言，涉及一种神经网络训练及分类方法、装置、电子设备及存储介质。

背景技术

图像分类是最常见的计算机视觉任务，尽管卷积神经网络在大规模图像分类数据集上的性能已经超过了人类，但是随着数据集规模的缩小，这些神经网络模型的性能也会随之产生剧烈的下降。然而标注一个大规模图像分类数据集需要高成本的人力、物力投入，这对于一般的个人和机构而言可能很难负担，因此如何在少样本的前提下，提升对神经网络网络的训练能力，使得训练得到的神经网络具有较高的性能是目前亟需解决的技术问题。

发明内容

本公开实施例至少提供一种神经网络训练及分类方法、装置、电子设备及存储介质。

第一方面，本公开实施例提供了一种神经网络训练方法，包括：

获取多张样本图像；

针对所述多张样本图像中的每张样本图像，基于所述样本图像对应的第一视觉特征，确定所述样本图像的结构化描述信息；

将所述多张样本图像输入待训练的目标神经网络，经过所述待训练的目标神经网络对所述多张样本图像进行处理，分别得到每张样本图像对应的预测视觉特征；

基于所述预测视觉特征和所述结构化描述信息，生成第一训练损失，并利用所述第一训练损失对所述待训练的目标神经网络进行训练，直到满足预设训练条件，得到训练好的目标神经网络。

本方面，样本图像对应的第一视觉特征能够用于表征样本图像的较为准确的特征，其可以是利用训练好的神经网络对样本图像进行处理得到的，因此利用第一视觉特征既能够较为准确地确定样本图像的结构化描述信息，还能够实现对预测视觉特征的语义信息进行监督，使目标神经网络能够学习到一些高层抽象的语义信息；后续在常规训练的基础上，结合该结构化描述信息和预测视觉特征对目标神经网络进行训练，不仅能够保证训练精度，并且能够减少需要的样本图像的数量，减少在训练数据集上人力资源和物力的投入。

在一种可能的实施方式中，所述基于所述样本图像对应的第一视觉特征，确定所述样本图像的结构化描述信息，包括：

确定所述样本图像的第一视觉特征；

基于所述样本图像对应的第一视觉特征，确定所述样本图像的属性信息；

基于所述样本图像的属性信息，确定所述样本图像的结构化描述信息。

该实施方式，由于第一视觉特征能够用于表征样本图像的较为准确的特征，因此利用第一视觉特征能够较为准确地确定样本图像的属性信息以及样本图像的结构化描述信息。

在一种可能的实施方式中，基于所述样本图像对应的第一视觉特征，确定所述样本图像的属性信息，包括：

获取至少一个预设属性类别，以及每个预设属性类别对应的至少一个有效属性值；

针对每个预设属性类别，分别确定所述预设属性类别对应的每个有效属性值与所述样本图像对应的第一视觉特征的相似度信息，并基于确定的所述相似度信息，确定所述样本图像对应于所述预设属性类别的目标属性值；

基于每个预设属性类别对应的目标属性值，确定所述样本图像的属性信息。