[发明专利]分类模型训练方法、装置、设备以及存储介质

权利要求书

1.一种分类模型训练方法，其特征在于，所述方法包括：

获取第一训练样本集和第二训练样本集，所述第一训练样本集和所述第二训练样本集包括多个图像集合，每一所述图像集合包括一个预设类型的至少一个样本图像；

将待预测图像和所述第一训练样本集中的各样本图像输入初始模型，得到所述待预测图像属于各所述预设类型的第一预测概率，所述待预测图像为所述第二训练样本集中的任一图像；

基于所述待预测图像对应的目标预设类型，确定所述待预测图像属于各所述预设类型的第一实际概率，基于各所述第一预测概率和各所述第一实际概率确定总训练损失；

基于所述第一训练样本集和所述第二训练样本集对所述初始模型进行迭代训练，直至所述总训练损失符合训练结束条件时停止训练，并将停止训练时的模型确定为分类模型。

2.根据权利要求1所述的方法，其特征在于，所述待预测图像属于各所述预设类型的第一概率是基于以下方式确定的：

确定所述待预测图像的第一初始图像特征、以及所述第一训练样本集中各样本图像的第二初始图像特征；

基于每一所述预设类型对应的各样本图像的第二初始图像特征，确定每一所述预设类型对应的初始类型特征；

确定所述待预测图像对应于每一所述预设类型的特征对，所述待预测图像对应于每一所述预设类型的特征对，包括基于所述第一初始图像特征和该预设类型对应的初始类型特征对所述第一初始图像特征进行注意力增强后的目标图像特征、以及对该预设类型对应的初始类型特征进行注意力增强后的目标类型特征；

基于所述待预测图像对应于每一所述预设类型的特征对，确定所述待预测图像属于每一所述预设类型的第一预测概率。

3.根据权利要求2所述的方法，其特征在于，对于每一所述预设类型，确定所述待预测图像对应于该所述预设类型的特征对，包括：

确定该预设类型对应的初始类型特征和所述第一初始图像特征对应的互相关矩阵；

基于该预设类型对应的初始类型特征、所述第一初始图像特征和所述互相关矩阵，确定第一注意力特征和第二注意力特征；

基于该预设类型对应的初始类型特征和所述第一注意力特征，确定该预设类型对应的目标类型特征；

基于所述第一初始图像特征和所述第二注意力特征，确定所述待预测图像的目标图像特征。

4.根据权利要求3所述的方法，其特征在于，对于每一所述预设类型，所述确定该预设类型对应的初始类型特征和所述第一初始图像特征对应的互相关矩阵包括：

确定该预设类型对应的初始类型特征相较于所述第一初始图像特征的第一互相关子矩阵；

确定所述第一初始图像特征相较于该预设类型的初始类型特征的第二互相关子矩阵；

基于所述第一互相关子矩阵、所述第二互相关子矩阵和单位矩阵，确定该预设类型对应的初始类型特征和所述第一初始图像特征对应的互相关矩阵。

5.根据权利要求2所述的方法，其特征在于，对于所述第二训练样本集中的每一所述图像集合，该图像集合还包括该图像集合中每一样本图像对应于至少一个预设旋转角度的旋转图像；所述方法还包括：

基于所述待预测图像对应于所述目标预设类型的特征对，确定所述待预测图像对应于各所述预设旋转角度的第二预测概率；

所述基于各所述第一预测概率和各所述第一实际概率确定总训练损失，包括：

基于各所述第一预测概率和各所述第一实际概率确定第一训练损失；

基于所述待预测图像对应的目标旋转角度，确定所述待预测图像属于各所述预设旋转角度的第二实际概率；

基于各所述第二预测概率和各所述第二实际概率，确定第二训练损失；

基于所述第一训练损失和所述第二训练损失，确定总训练损失。