[发明专利]图像分类方法、图像分类装置、计算机设备、存储介质

权利要求书

1.一种图像分类方法，其特征在于，所述图像分类方法包括：

获取原始图像数据；其中，所述原始图像数据是无标注的图像数据，所述原始图像数据包括N个第一图像，N为正整数；

根据预设的目标图像风格对所述原始图像数据进行图像风格转换，得到初步图像数据；其中，所述初步图像数据包括N对第二图像，对每一所述第一图像进行图像风格转换得到一对所述第二图像；

通过预设的编码器对所述初步图像数据进行特征提取，得到N对图像特征向量；其中，对每一对所述第二图像进行特征提取得到一对所述图像特征向量；

将所述N对图像特征向量投影到同一空间，得到N对图像表征；

根据所述N对图像表征对预设的本地对比学习模型进行训练，得到本地模型参数；

将所述本地模型参数发送给服务器端进行整合处理，得到目标分类模型；

根据所述目标分类模型对目标图像数据进行分类。

2.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述N对图像表征对预设的本地对比学习模型进行训练，得到本地模型参数，包括：

根据所述N对图像表征构建目标损失函数，将所述目标损失函数作为所述本地对比学习模型的损失函数；

根据所述目标损失函数对所述本地对比学习模型进行训练，得到所述本地模型参数。

3.根据权利要求2所述的图像分类方法，其特征在于，所述根据所述目标损失函数对所述本地对比学习模型进行训练，得到所述本地模型参数，包括：

根据所述目标损失函数计算所述本地对比学习模型在第t-1轮模型训练中的第一损失值；其中，t为大于2的正整数；

根据所述目标损失函数计算所述本地对比学习模型在第t轮模型训练中的第二损失值；

比较所述第二损失值与所述第一损失值之间的大小关系；

若所述第二损失值小于所述第一损失值，则获取所述本地对比学习模型在第t轮模型训练中得到的模型参数，作为所述本地模型参数。

4.根据权利要求1至3任一项所述的图像分类方法，其特征在于，所述根据所述N对图像表征对预设的本地对比学习模型进行训练，得到本地模型参数之后，所述方法还包括：

获取所述服务器端对所述目标分类模型进行验证得到的指标评估数据；

根据所述指标评估数据从所述服务器端下载当前分类模型；其中，所述当前分类模型是所述服务器端更新所述目标分类模型得到的模型；

根据所述当前分类模型更新所述本地对比学习模型。

5.一种图像分类方法，其特征在于，所述图像分类方法包括：

获取至少两个客户端发送的本地模型参数；其中，所述本地模型参数是根据如权利要求1至4任一项所述的方法得到；

将所述本地模型参数进行整合处理，得到全局模型参数；

根据所述全局模型参数构建所述目标分类模型；

将所述目标分类模型发送给所述客户端；其中，所述目标分类模型用于所述客户端对目标图像数据进行分类。

6.根据权利要求5所述的图像分类方法，其特征在于，所述根据所述全局模型参数构建所述目标分类模型之后，所述方法还包括：

获取验证图像数据；其中，所述验证图像数据是标注的图像数据；

根据所述验证图像数据对所述目标分类模型进行验证，得到指标评估数据；

根据所述指标评估数据更新所述目标分类模型，得到当前分类模型；

将所述指标评估数据发送给所述客户端；其中，所述指标评估数据用于所述客户端进行模型更新。