[发明专利]图像分类模型的训练方法及图像分类方法

权利要求书

1.一种图像分类模型的训练方法，其特征在于，所述图像分类模型的训练方法包括：

将第一图像划分为若干子集，其中，所述第一图像为有标签图像；

构建若干合集，其中，所述若干合集的数量与所述若干子集的数量相同，每一所述合集包括一一对应的验证集和训练集，每一所述合集中，所述验证集为所述若干子集中的一个子集，所述训练集包括第二图像集和所述若干子集中的其余子集，所述第二图像集中的第二图像为无标签图像；

将若干所述训练集一一对应地输入若干对学生网络和教师网络，并获取相应的输出结果，其中，所述学生网络和教师网络的对数和所述训练集的数量相同；

根据所述输出结果更新所述学生网络的第一参数和所述教师网络的第二参数，对所述若干对学生网络和教师网络进行迭代训练直至训练结束；

每次所述学生网络的第一参数更新之后，将相对应的所述验证集中的第一图像输入所述学生网络并获取相应的验证结果，并根据所述验证结果选取最优学生网络；以及

将若干所述最优学生网络作为图像分类模型，其中，若干所述最优学生网络的数量与所述合集的数量相同。

2.如权利要求1所述的图像分类模型的训练方法，其特征在于，将若干所述训练集一一对应地输入若干对学生网络和教师网络，并获取相应的输出结果具体包括：

将同一所述训练集的每一第一图像输入所述学生网络并获取相应的第一学生结果；以及

将同一所述训练集的每一第二图像分别输入所述学生网络和所述教师网络并获取相对应的第二学生结果和第二教师结果。

3.如权利要求2所述的图像分类模型的训练方法，其特征在于，所述第一图像包括第一原始标签，根据所述输出结果更新所述学生网络的第一参数和所述教师网络的第二参数具体包括：

根据所述第一学生结果和所述第一原始标签构建第一损失；

根据所述第二学生结果和第二教师结果构建第二损失；以及

根据所述第一损失和所述第二损失更新所述学生网络的第一参数和所述教师网络的第二参数。

4.如权利要求3所述的图像分类模型的训练方法，其特征在于，根据所述第一学生结果和所述第一原始标签构建第一损失具体包括：

计算相对应的第一学生结果和第一原始标签的交叉熵；以及

将同一所述训练集所对应的所有交叉熵的平均值作为所述第一损失。

5.如权利要求3所述的图像分类模型的训练方法，其特征在于，根据所述第二学生结果和第二教师结果构建第二损失具体包括：

计算相对应的第二学生结果和第二教师结果的均方误差；以及

将同一所述训练集所对应的所有均方误差的平均值作为所述第二损失。

6.如权利要求3所述的图像分类模型的训练方法，其特征在于，根据所述第一损失和所述第二损失更新所述学生网络的第一参数和所述教师网络的第二参数具体包括：

利用所述第一损失和所述第二损失计算总损失；

利用梯度下降法根据所述总损失更新所述学生网络的第一参数；以及

利用滑动平均法根据所述学生网络的第一参数更新所述教师网络的第二参数。

7.如权利要求1所述的图像分类模型的训练方法，其特征在于，所述第一图像包括第一原始标签，根据所述验证结果选取最优学生网络具体包括：

根据所述验证结果和所述第一原始标签计算相对应的学生网络的准确率；以及

选取准确率最高的学生网络作为所述最优学生网络。

8.一种图像分类方法，其特征在于，所述图像分类方法包括：

将目标图像输入图像分类模型并获取分类结果，其中，所述图像分类模型由如权利要求1至7中任一项所述的图像分类模型的训练方法训练得到，所述图像分类模型包括若干子模型，将目标图像输入图像分类模型并获取分类结果具体包括：

将所述目标图像分别输入每一所述子模型并获取相应的子结果；以及

根据所述子结果得到所述分类结果。