[发明专利]分类模型训练方法、图像分类方法、装置及电子设备

权利要求书

1.一种分类模型训练方法，包括：

通过目标神经网络模型中的第一特征提取网络获取样本图像的第一图像特征，所述目标神经网络模型用于对图像进行分类；

通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述样本图像的第一分类信息，以及通过第一损失函数计算所述第一分类信息与所述样本图像的预设标签对应的第一损失值；

通过第二特征提取网络获取所述样本图像的第二图像特征；

通过第二预测网络，利用所述第二图像特征预测所述样本图像的第二分类信息，以及通过第二损失函数计算所述第一分类信息与所述第二分类信息对应的第二损失值；

基于损失值集，对所述第一特征提取网络中的参数进行更新，所述损失值集包括所述第一损失值和所述第二损失值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述样本图像进行N次图像增广操作，得到所述样本图像的N个增广图像，N为大于1的整数；

其中，所述第一图像特征为所述第一特征提取网络对所述N个增广图像中的第一增广图像进行特征提取得到的图像特征；

所述第二图像特征为所述第二特征提取网络对所述第一增广图像进行特征提取得到的图像特征。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

通过所述第一特征提取网络对所述N个增广图像中的第二增广图像进行特征提取，得到第三图像特征；

通过对比损失函数计算所述第一图像特征与所述第三图像特征对应的第三损失值；

所述损失值集还包括所述第三损失值。

4.根据权利要求1至3中任一项所述的方法，所述方法还包括：

基于所述第一特征提取网络中的参数，对所述第二特征提取网络中的参数进行更新。

5.根据权利要求4所述的方法，其特征在于，所述第一特征提取网络中的参数包括第一参数，所述第二特征提取网络中的参数包括第二参数，其中，所述基于所述第一特征提取网络中的参数，对所述第二特征提取网络中的参数进行更新，包括：

按照所述第一参数和所述第二参数的预设映射关系，对所述第二参数进行更新；

其中，所述预设映射关系中所述第二参数等于第一重权积与第二重权积的和，所述第一重权积为所述第二参数与第一预设权重的积，所述第二重权积等于所述第一参数与第二预设权重的积，且所述第二预设权重等于1减所述第一预设权重的差值。

6.根据权利要求1至3中任一项所述的方法，所述第一特征提取网络为所述目标神经网络模型在第一时间的特征提取网络，所述第一预测网络为所述目标神经网络模型在所述第一时间的预测网络，所述第二特征提取网络为所述目标神经网络模型在第二时间的特征提取网络，所述第二预测网络为所述目标神经网络模型在所述第二时间的预测网络，所述第一时间晚于所述第二时间。

7.根据权利要求6所述的方法，所述第一预测网络包括全局平均池化GAP层和归一化指数函数层，所述第二预测网络包括GAP层和归一化指数函数层，且所述第一预测网络和所述第二预测网络包括的GAP层和归一化指数函数层相同。

8.根据权利要求1至3中任一项所述的方法，所述对图像进行分类包括对图像进行活体检测，且所述目标神经网络模型用于通过所述第一特征提取网络和所述第一预测网络，对图像进行活体检测。

9.一种图像分类方法，包括：

通过目标神经网络模型中的第一特征提取网络获取待分类图像的第一图像特征；

通过所述目标神经网络模型的第一预测网络，利用所述第一图像特征预测所述待分类图像的分类信息；

其中，所述第一特征提取网络的参数是基于损失值集进行更新的参数，所述损失值集包括第一损失值和第二损失值，所述第一损失值为所述第一预测网络预测的样本图像的第一分类信息与所述样本图像的预设标签对应的损失值，所述第二损失值为所述第一分类信息与第二分类信息对应的损失值，所述第二分类信息为第二预测网络预测的所述样本图像的分类信息。