[发明专利]图像分类模型的训练方法、图像分类方法及装置

权利要求书

1.一种图像分类模型的训练方法，包括：

获取多个目标样本图像，其中，所述多个目标样本图像中的每个目标样本图像均包括至少一个样本对象以及所述至少一个样本对象的类别信息；

对与所述多个目标样本图像对应的所述至少一个样本对象进行处理，得到训练样本数据集，其中，所述训练样本数据集中的训练样本数据包括与所述多个目标样本图像对应的所述至少一个样本对象的空间维度信息和光谱维度信息；以及

利用所述训练样本数据集，训练所述图像分类模型，得到经训练的图像分类模型。

2.根据权利要求1所述的方法，其中，所述空间维度信息包括高度信息和宽度信息；

所述对与所述多个目标样本图像对应的所述至少一个样本对象进行处理，得到训练样本数据集包括：

根据与所述多个目标样本图像对应的所述至少一个样本对象的高度信息和宽度信息，确定第一训练样本数据集；

根据与所述多个目标样本图像对应的所述至少一个样本对象的高度信息和光谱维度信息，确定第二训练样本数据集；以及

根据与所述多个目标样本图像对应的所述至少一个样本对象的宽度信息和光谱维度信息，确定第三训练样本数据集；

所述利用所述训练样本数据集，训练所述图像分类模型，得到经训练的图像分类模型包括：

利用所述第一训练样本数据集、所述第二训练样本数据集和所述第三训练样本数据集，训练所述图像分类模型，得到经训练的图像分类模型。

3.根据权利要求2所述的方法，其中，所述图像分类模型包括第一网络支路、第二网络支路和第三网络支路；

所述利用所述第一训练样本数据集、所述第二训练样本数据集和所述第三训练样本数据集，训练所述图像分类模型，得到经训练的图像分类模型包括：

利用所述第一训练样本数据集训练所述第一网络支路，得到经训练的第一网络支路，其中，所述第一网络支路包括第一池化层、第一卷积层、第二卷积层和第三卷积层，所述第一池化层包括第一平均池化层和第一最大池化层；

利用所述第二训练样本数据集训练所述第二网络支路，得到经训练的第二网络支路，其中，所述第二网络支路包括第二池化层、第四卷积层、第五卷积层和第六卷积层，所述第二池化层包括第二平均池化层和第二最大池化层；以及

利用所述第三训练样本数据集训练所述第三网络支路，得到经训练的第三网络支路，其中，所述第三网络支路包括第三池化层、第七卷积层、第八卷积层和第九卷积层，所述第三池化层包括第三平均池化层和第三最大池化层。

4.根据权利要求3所述的方法，其中，所述利用所述训练样本数据集，训练所述图像分类模型，得到经训练的图像分类模型包括：

将所述训练样本数据集输入至所述图像分类模型，输出与所述至少一个样本对象对应的预测分类结果；

将与所述至少一个样本对象对应的所述预测分类结果和所述类别信息输入至损失函数，输出损失结果；

根据所述损失结果调整所述图像分类模型的网络参数，直至所述损失函数或迭代次数满足预设条件；以及

将所述损失函数或迭代次数满足预设条件时得到的模型作为所述经训练的图像分类模型。

5.根据权利要求4所述的方法，其中，所述将所述训练样本数据集输入至所述图像分类模型，输出与所述至少一个样本对象对应的预测分类结果包括：

将所述第一训练样本数据集输入至所述第一网络支路，输出第一预测分类结果；

将所述第二训练样本数据集输入至所述第二网络支路，输出第二预测分类结果；

将所述第三训练样本数据集输入至所述第三网络支路，输出第三预测分类结果；以及

根据所述第一预测分类结果、所述第二预测分类结果和所述第三预测分类结果，确定所述预测分类结果。

6.根据权利要求1至5中任一项所述的方法，还包括，在所述对与所述多个目标样本图像对应的所述至少一个样本对象进行处理，得到训练样本数据集之前：

对所述多个目标样本图像中的所述每个目标样本图像进行特征提取，得到与所述多个目标样本图像对应的所述至少一个样本对象的所述空间维度信息和所述光谱维度信息。