[发明专利]图像分类方法、装置、设备及存储介质

说明书

本申请是关于一种图像分类方法、装置、设备及存储介质，具体涉及图像识别领域。所述方法包括：获取训练样本图像；通过目标分类模型对训练样本图像进行处理，获得训练样本图像对应的输出值根据训练样本图像的输出值以及训练样本图像的标签值，获取第一损失函数值；根据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，获取第二损失函数值；基于第一损失函数值以及第二损失函数值对目标分类模型进行更新，以便更新后的目标分类模型对输入的目标图像进行分类处理。上述方案提高了不同全连接层的参数的区分度，从而提高了不同全连接层对训练样本图像进行特征提取时的区分度，提高了图像分类的准确性。

技术领域

本发明涉及图像识别领域，具体涉及一种图像分类方法、装置、设备及存储介质。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。

现阶段在对图像进行分类时，通常采用深度学习模型进行数据处理，即通过训练好的深度学习模型对输入的图像进行数据处理，并根据处理结果确定输入的图像所对应的类型。而在深度学习模型的训练过程中，在有监督信息的训练数据中可以给定不同类别的图像特定的类别号，一般使用0～N编号，在训练过程中这些编号作为监督训练的label(标签)，并通过损失函数对深度学习模型的全连接层FC的输出值与标签值进行计算，再通过损失函数值对模型参数进行更新，以实现对全连接层的输出的约束。

上述方案中，通过分类损失函数直接对FC的输出结果进行约束训练处的深度学习模型，对图像进行提取时的特征空间不够分散，分类精度较低。

发明内容

本申请提供了一种图像分类方法、装置、设备及存储介质，提高了图像分类的准确性，该技术方案如下。

一方面，提供了一种图像分类方法，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。

又一方面，提供了图像分类方法，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。

再一方面，提供了一种图像分类装置，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；