[发明专利]图像分类模型的训练方法及计算机可读存储介质

说明书

本发明提供了一种图像分类模型的训练方法，包括：根据第一图像训练初始分类模型以得到中间分类模型，其中，第一图像为有标签图像；根据中间分类模型对第二图像进行聚类处理以得到若干聚类簇，其中，第二图像为无标签图像；计算每一聚类簇的中心点；根据聚类簇的中心点计算相应的伪标签；以及根据第一图像、第二图像、中心点以及伪标签训练中间分类模型以得到图像分类模型。此外，本发明还提供了一种计算机可读存储介质。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

本发明涉及计算机技术领域，尤其涉及一种图像分类模型的训练方法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：

根据第一图像训练初始分类模型以得到中间分类模型，其中，所述第一图像为有标签图像；

根据所述中间分类模型对第二图像进行聚类处理以得到若干聚类簇，其中，所述第二图像为无标签图像；

计算每一所述聚类簇的中心点；

根据所述聚类簇的中心点计算相应的伪标签；以及

根据所述第一图像、所述第二图像、所述中心点以及所述伪标签训练所述中间分类模型以得到图像分类模型。

第二方面，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及计算机可读存储介质，根据有标签的第一图像对初始分类模型进行有监督训练，得到中间分类模型。对无标签的第二图像进行聚类以得到若干聚类簇，并计算聚类簇的中心点和中心点的伪标签。根据第一图像和聚类后的第二图像对中间分类模型进行迭代训练，得到图像分类模型。根据半监督学习的思想，利用少量的第一图像和大量的第二图像，就能够训练得到准确率较高的图像分类模型，提高图像分类模型的性能，增大分类预测的准确率，从而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，极大降低了训练成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例提供的图像分类模型的训练方法的流程图。

图2为本发明实施例提供的图像分类模型的训练方法的第一子流程图。

图3为本发明实施例提供的图像分类模型的训练方法的第二子流程图。

图4为本发明实施例提供的图像分类模型的训练方法的第三子流程图。

图5为本发明实施例提供的终端的内部结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式