[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

说明书

本公开提供了一种图像分类模型的训练方法、装置、电子设备和存储介质，涉及人工智能领域，具体涉及深度学习领域和图像处理领域，可应用于异常图像的检测场景等。图像分类模型的训练方法包括：采用已标注数据集对图像分类模型进行训练，得到初始模型；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：采用初始模型从未标注数据中获得备选扩充数据；以及根据备选扩充数据更新已标注数据集和初始模型；其中，图像分类模型的训练方法还包括在在迭代地执行更新操作的过程中：确定针对标注类别的预测概率低于第一预定概率的目标数据；以及周期性地采用目标数据更新已标注数据集。

技术领域

本公开涉及人工智能技术领域，具体涉及深度学习领域和图像处理领域，可应用于异常图像的检测场景等。

背景技术

随着计算机技术和网络技术的发展，深度学习技术在众多领域得到了广泛应用。目前，通常采用深度学习模型来对图像进行分类，以此例如可以实现对异常图像的检测。

发明内容

基于此，本公开提供了一种提高精度的图像分类模型的训练方法、装置、设备和存储介质。

根据本公开的一个方面，提供了一种图像分类模型的训练方法，包括：采用已标注数据集对图像分类模型进行训练，得到初始模型；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：采用初始模型从未标注数据中获得备选扩充数据；以及根据备选扩充数据更新已标注数据集和初始模型；其中，该训练方法还包括在迭代地执行更新操作的过程中：确定针对标注类别的预测概率低于第一预定概率的目标数据；以及周期性地采用目标数据更新已标注数据集。

根据本公开的另一个方面，提供了一种图像分类模型的训练装置，包括：训练模块，用于采用已标注数据集对图像分类模型进行训练，得到初始模型；第一更新模块，用于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：采用初始模型从未标注数据中获得备选扩充数据；根据备选扩充数据更新已标注数据集和初始模型；其中，该训练装置还包括第二更新模块，用于在第一更新模块迭代地执行更新操作的过程中：确定针对标注类别的预测概率低于第一预定概率的目标数据；以及周期性地采用目标数据更新已标注数据集。

根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的图像分类模型的训练方法。

根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的图像分类模型的训练方法。

根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现本公开提供的图像分类模型的训练方法中的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的图像分类模型的训练方法和装置的应用场景示意图；

图2是根据本公开实施例的图像分类模型的训练方法的流程示意图；

图3是根据本公开实施例的从未标注数据集中获得备选扩充数据的原理示意图；

图4是根据本公开实施例的根据备选扩充数据更新已标注数据集和初始模型的原理示意图；

图5是根据本公开实施例的图像分类模型的训练装置的结构框图；以及

图6是用来实施本公开实施例的图像分类模型的训练方法的电子设备的框图。

具体实施方式