[发明专利]训练多标签分类模型的方法及相关产品

说明书

本发明涉及一种训练多标签分类模型的方法，包括：获取待作为多标签分类模型的训练样本的第一图片集，其中所述多标签分类模型是基于第二图片集预训练好的基础模型，所述第二图片集中的图片具有N个类别标签，所述第一图片集中的图片具有M个类别标签且缺失N‑M个类别标注；基于所述第一图片集和所述第二图片集创建新图片集，其中所述新图片集中缺失部分类别标注的图片配置有基于所述多标签分类模型所确定的N‑M个软标签，以基于所述软标签标注图片所缺失的类别；以及基于新图片集对多标签分类模型进行微调训练。通过本发明的方案，能够有效利用缺失标签的数据资源提升多标签分类模型的性能。另外，本发明还提出了一种设备及计算机可读存储介质。

技术领域

本发明一般地涉及图片处理技术领域。更具体地，本发明涉及一种训练多标签分类模型的方法、执行前述方法的设备及计算机可读存储介质。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。

现如今，基于深度学习（目前主要是卷积神经网络和transformer系列）的多标签分类模型已经越来越多地在实际应用场景得到了应用。但是在实际应用中（例如图像类别识别过程中），往往会遇到数据增量学习的问题。具体而言，某个针对图像分类的多标签分类任务的模型在开发初期，数据资源有限，使用该有限的数据资源通过监督学习训练得到了一个基础的多标签分类模型。一段时间后，可能从某处（比如某个公开数据集）获得新的带标注的数据集，以基于该新的数据集继续训练模型。但是该新数据集的类别系统与该任务所需要的类别系统并不完全一样，比如该新数据集的类别系统是该任务所需要的类别系统的一个真子集。也即在新数据集里，只标注了一部分类别，针对其他类别，即便新数据集的图片中存在这些类别的数据，也并不带有相应标签。换而言之，新数据集中图片缺少部分类别标注。针对这类缺失类别标注的新数据集，若直接采用该新数据集来训练多标签分类模型，会导致模型损失对不带有标注的那部分类别的识别能力，从而影响多标签分类模型的性能。因此，如何能够有效利用缺失标签的数据资源提升多标签分类模型的性能成为亟待解决的技术问题。

发明内容

为了至少解决上述背景技术部分所描述的技术问题，本发明提出了一种训练多标签分类模型的方案。利用本发明的方案，可以提高多标签分类模型对带有标签的类别的识别能力，同时不遗忘对不带有标签的类别的识别能力，从而有效提高多标签分类模型的整体性能。

鉴于此，本发明在如下的多个方面提供解决方案。

本发明的第一方面提供了一种训练多标签分类模型的方法，包括：获取待作为多标签分类模型的训练样本的第一图片集，其中所述多标签分类模型是基于第二图片集预训练好的基础模型，所述第二图片集中的图片具有N个类别标签，所述第一图片集中的图片具有M个类别标签且缺失N-M个类别标注，其中M＜N；基于所述第一图片集和所述第二图片集创建新图片集，其中所述新图片集中缺失部分类别标注的图片配置有基于所述多标签分类模型所确定的N-M个软标签，以基于所述软标签标注图片所缺失的类别；以及基于所述新图片集对所述多标签分类模型进行微调训练。

在一个实施例中，基于所述第一图片集和所述第二图片集创建新图片集包括：对所述第一图片集和所述第二图片集进行合并处理，以得到所述新图片集，其中所述新图片集中的图片包括所述第一图片集中的所有图片和所述第二图片集中的所有图片。

在一个实施例中，还包括：基于所述新图片集中图片的来源确定作为训练样本的图片具有的类别标签。