[发明专利]图像分类模型的训练方法、装置、电子设备和存储介质

权利要求书

1.一种图像分类模型的训练方法，包括：

采用已标注图像集对图像分类模型进行训练，得到初始模型；其中，所述图像分类模型用于对待审核的图像进行分类；

迭代地执行以下更新操作，直至更新后的初始模型达到收敛条件：

采用所述初始模型从未标注图像中获得备选扩充图像；以及

根据所述备选扩充图像更新所述已标注图像集和所述初始模型；

其中，所述方法还包括在迭代地执行所述更新操作的过程中：

确定添加了所述备选扩充图像的已标注图像据集中针对标注类别的预测概率低于第一预定概率的目标图像；以及

周期性地采用所述目标图像更新所述已标注图像集，

其中，所述采用所述初始模型从未标注图像集中获得备选扩充图像包括：

采用所述初始模型对所述未标注图像集中的每个图像进行分类，得到针对所述每个图像的第二分类结果；以及

根据所述第二分类结果从所述未标注图像集中获取图像，得到所述备选扩充图像，所述备选扩充图像包括根据所述第二分类结果确定的预测类别；

其中，第二分类结果包括所述每个图像属于多个预定类别中每个预定类别的第二概率值；所述多个预定类别中包括正常类别和多个异常类别；所述备选扩充图像包括的预测类别通过以下方式确定：

响应于所述备选扩充图像属于所述多个异常类别的多个第二概率值的和小于第二概率阈值，确定所述备选扩充图像的预测类别为正常类别；以及

响应于所述多个第二概率值的和大于等于所述第二概率阈值，且所述多个第二概率值中存在大于等于第三概率阈值的概率值，确定所述备选扩充图像的预测类别为与大于等于所述第三概率阈值的概率值相对应的异常类别。

2.根据权利要求1所述的方法，其中，所述根据所述备选扩充图像更新所述已标注图像集和所述初始模型包括：

采用将所述备选扩充图像添加至所述已标注图像集获得的扩充图像集对所述初始模型进行训练，得到中间模型；

采用所述中间模型对所述扩充图像集中的每个图像进行分类，得到针对所述每个图像的第一分类结果；

从所述扩充图像集中剔除第一分类结果与标注类别的差异较大的第一预定数量个图像，得到更新后的已标注图像集；以及

采用更新后的所述已标注图像集对所述中间模型进行训练，以更新所述初始模型。

3. 根据权利要求2所述的方法，其中，所述第一分类结果包括所述每个图像属于多个预定类别中每个预定类别的第一概率值；从所述扩充图像集中剔除第一分类结果与标注类别的差异较大的第一预定数量个图像包括：

确定所述扩充图像集中针对标注类别的第一概率值较小的第一预定数量个图像，作为待剔除图像；以及

从所述扩充图像集中剔除所述待剔除图像。

4.根据权利要求1所述的方法，其中，所述根据所述第二分类结果从所述未标注图像集中获取图像，得到备选扩充图像包括：

根据所述第二分类结果，确定所述每个图像的预测类别；

统计所述未标注图像集中各图像的预测类别，得到分别对应所述多个预定类别的多个图像组，所述多个图像组中每个图像组包括的图像的预测类别为对应所述每个图像组的预定类别；以及

针对所述多个图像组中的每个图像组，从所述每个图像组中获取针对预测类别的概率值较大的第二预定数量个图像。

5. 根据权利要求1所述的方法，其中，所述周期性地采用所述目标图像更新所述已标注图像集包括：

每间隔预定迭代次数，将所述目标图像复制为第三预定数量份的图像；以及

将所述第三预定数量份的图像添加至所述已标注图像集。