[发明专利]图像分类方法、装置、设备及存储介质

权利要求书

1.一种图像分类方法，其特征在于，所述方法包括：

获取训练样本图像；

通过目标分类模型对所述训练样本图像进行处理，获得所述训练样本图像对应的输出值；

根据所述训练样本图像的输出值以及所述训练样本图像的标签值，获取第一损失函数值；

根据所述目标分类模型中至少两类全连接层的参数分别归一化后的内积，获取所述第二损失函数值；

基于所述第一损失函数值以及第二损失函数值对所述目标分类模型进行更新，以便更新后的所述目标分类模型对输入的目标图像进行分类处理。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一损失函数值以及第二损失函数值对所述目标分类模型进行更新，包括：

将第一损失函数值以及第二损失函数值进行加权，获得目标损失函数值；

根据所述目标损失函数值，对所述目标分类模型进行反向传播更新。

3.根据权利要求2所述的方法，其特征在于，所述根据所述目标分类模型中至少两类全连接层的参数分别归一化后的内积，获取所述第二损失函数值，包括：

获取2M类全连接层的参数，并将各类的全连接层的参数进行归一化处理，以构建2M类的全连接层分别对应的归一化向量；

选取M类的全连接层所对应的归一化向量，分别与剩余M类的全连接层所对应的归一化向量作内积，并将内积结果构建为内积矩阵；

将所述内积矩阵线性变换为目标矩阵；所述目标矩阵的列数为所述目标分类模型一个训练批次中的训练样本数；

将所述目标矩阵中的各个元素按列累加，并将累加结果确定为所述目标分类模型的一个训练批次中，与各个所述训练样本图像所对应的第二损失函数值。

4.根据权利要求1至3任一所述的方法，其特征在于，所述获取训练样本图像，包括：

获取目标样本图像；

对所述目标样本图像进行数据增强处理，获得所述训练样本图像；所述数据增强处理包括旋转、平移、裁剪、翻转、覆盖中的至少一个操作。

5.根据权利要求4所述的方法，其特征在于，所述对所述目标样本图像进行数据增强处理，获得所述训练样本图像，包括：

对所述目标样本图像进行数据增强处理，获得增强样本图像；

将所述增强样本图像转换至目标大小，并进行归一化处理，获得所述训练样本图像。

6.一种图像分类方法，其特征在于，所述方法包括：

获取目标图像；

通过目标分类模型对目标图像进行处理，获得所述目标图像的分类结果；

其中，所述目标分类模型是基于第一损失函数值以及第二损失函数值进行更新得到的；所述第一损失函数值是根据所述目标分类模型对训练样本图像进行处理得到的输出值，以及所述训练样本图像的标签值得到的；所述第二损失函数值是根据所述目标分类模型中至少两类全连接层的参数分别归一化后的内积得到的。

7.一种图像分类装置，其特征在于，所述装置包括：

样本获取模块，用于获取训练样本图像；

样本图像处理模块，用于通过目标分类模型对所述训练样本图像进行处理，获得所述训练样本图像对应的输出值；

第一损失函数值获取模块，用于根据所述训练样本图像的输出值以及所述训练样本图像的标签值，获取第一损失函数值；

第二损失函数值获取模块，用于根据所述目标分类模型中至少两类全连接层的参数分别归一化后的内积，获取所述第二损失函数值；

模型更新模块，用于基于所述第一损失函数值以及第二损失函数值对所述目标分类模型进行更新，以便更新后的所述目标分类模型对输入的目标图像进行分类处理。