[发明专利]图像分类模型的训练方法及图像分类方法

说明书

本发明提供一种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，第一图像为有标签图像；构建若干合集，每一合集包括一一对应的验证集和训练集，每一合集中，验证集为若干子集中的一个子集，训练集包括第二图像集和若干子集中的其余子集，第二图像集中的第二图像为无标签图像；将每一训练集分别输入若干对学生网络和教师网络，并获取相应的输出结果；根据输出结果更新学生网络的第一参数和教师网络的第二参数；将相对应的验证集中的第一图像输入学生网络并获取相应的验证结果，并根据验证结果选取最优学生网络；以及将若干最优学生网络作为图像分类模型。本发明技术方案有效解决了有标签图像数据量小导致图像分类模型准确度不高的问题。

技术领域

本发明涉及图像分类技术领域，尤其涉及一种图像分类模型的训练方法、图像分类方法以及计算机可读存储介质。

背景技术

近年来，随着大数据和深度学习技术的飞速发展，深度神经网络极大地推动了图像分类和检测领域的进步。因为深度神经网络可以更有效地从大量样本中学习图像特征，避免了传统图像分类算法中复杂的特征提取过程，实现了端到端的分类检测。现有的基于深度神经网络的图像分类算法包括有监督算法和无监督算法。其中，有监督算法利用标注数据进行训练，但是数据的标注需要耗费大量人力和时间；无监督算法利用无标注数据进行训练，但是训练得到的模型准确率不高。

发明内容

本发明提供了一种图像分类模型的训练方法、图像分类方法以及计算机可读存储介质，用于解决有标签图像数据量小导致图像分类模型准确度不高的问题。

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，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；

将每一所述训练集分别输入若干对学生网络和教师网络，并获取相应的输出结果；

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；

根据所述验证集选取相对应的学生网络在更新所述第一参数的过程中形成的最优学生网络；以及

将若干所述最优学生网络作为图像分类模型。

第二方面，本发明实施例提供一种图像分类方法，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上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。

第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序指令，所述程序指令可被处理器执行以实现如上所述的图像分类模型的训练方法。

上述图像分类模型的训练方法、图像分类方法以及计算机可读存储介质，将第一图像，即有标签图像分成若干个子集，再将第二图像，即无标签图像加入子集中形成若干训练集，分别用于训练若干对学生网络和教师网络。再利用与训练集相对应的验证集选取最优学生网络作为图像分类模型，通过半监督深度学习的方法，能够在有标签图像数量不多的情况下，利用数量更多的无标签图像，一起训练一个效果良好的图像分类模型，从而能够有效解决有标签图像数量小导致图像分类模型准确度不高的问题，有效提升图像分类模型的性能，增大分类预测的准确率。同时，最终得到的图像分类模型鲁棒性较好，能够适用于多种图像分类任务中。

附图说明