[发明专利]一种基于持续学习的图像分类方法及图像分类装置

权利要求书

1.一种基于持续学习的图像分类方法，其特征在于，所述方法包括：

将待分类的目标图像输入预先训练好的图像分类模型，确定所述目标图像的图像类别；其中，所述图像分类模型通过以下步骤被训练得到：

依次获取持续学习条件下的多个模型训练任务；

依次按照每个模型训练任务对初始图像分类模型进行多轮训练，得到训练好的所述图像分类模型；其中，针对任意一个模型训练任务，在按照该模型训练任务对所述初始图像分类模型进行多轮训练中的每轮训练的过程中：

判断该模型训练任务在该轮训练时初始图像分类模型中每一层对应的投影矩阵的任务信息是否已进入预设可信区域；其中，每一层对应的初始投影矩阵为矩阵规模与所述初始图像分类模型的模型参数规模相同的单位矩阵；投影矩阵用于在反向传播时更新所述初始图像分类模型的模型参数；

若在该轮训练时所述初始图像分类模型中该层对应的投影矩阵的任务信息已进入预设可信区域，则按照第一预定方式，根据经前一轮训练得到的所述初始图像分类模型中该层对应的投影矩阵，确定该轮训练得到的该层对应的投影矩阵。

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：

若在该轮训练时所述初始图像分类模型中该层对应的投影矩阵的任务信息未进入预设可信区域，则按照第二预定方式，根据经前一轮训练得到的所述初始图像分类模型中该层对应的投影矩阵，确定该轮训练得到的该层对应的投影矩阵。

3.根据权利要求1所述的方法，其特征在于，每个模型训练任务包括该模型训练任务对应的预设总训练轮数和预设轮数阈值；所述判断该模型训练任务在该轮训练时初始图像分类模型中每一层对应的投影矩阵的任务信息是否已进入预设可信区域，包括：

获取该模型训练任务在该轮训练时每一层对应的投影矩阵的任务信息；所述任务信息包括该轮训练时对应的训练轮数；

若所述该轮训练时对应的训练轮数与所述预设总训练轮数之间的差值小于所述预设轮数阈值，则判断该模型训练任务在该轮训练时每一层对应的投影矩阵的任务信息均已进入预设可信区域。

4.根据权利要求1所述的方法，其特征在于，每个模型训练任务包括该模型训练任务对应的预设损失值阈值或该模型训练任务中每一层对应的预设梯度阈值；所述判断该模型训练任务在该轮训练时初始图像分类模型中每一层对应的投影矩阵的任务信息是否已进入预设可信区域，包括：

获取该模型训练任务在该轮训练时每一层对应的投影矩阵的任务信息；所述任务信息包括该轮训练时对应的损失值或者通过反向传播得到的每一层的梯度矩阵；

若所述该轮训练时对应的损失值小于所述预设损失值阈值，则判断该模型训练任务在该轮训练时每一层对应的投影矩阵的任务信息均已进入预设可信区域；

或者，若每一层的梯度矩阵中每个元素的绝对值之和小于该层对应的预设梯度阈值，则判断该模型训练任务在该轮训练时该层对应的投影矩阵的任务信息已进入预设可信区域。

5.根据权利要求2所述的方法，其特征在于，每个模型训练任务包括该模型训练任务中每一层对应的梯度范数的比值阈值；所述判断该模型训练任务在该轮训练时初始图像分类模型中每一层对应的投影矩阵的任务信息是否已进入预设可信区域，包括：

针对所述初始图像分类模型中每一层对应的投影矩阵，获取该模型训练任务在该轮训练时该层对应的投影矩阵的任务信息；所述任务信息包括该轮训练中该层对应的第一范数和第二范数的比值；所述第一范数为投影后该层对应的投影矩阵与当前梯度之积的范数；所述第二范数为所述当前梯度的范数；

若所述比值小于该层对应的梯度范数的比值阈值，则判断该模型训练任务在该轮训练时该层对应的投影矩阵的任务信息已进入预设可信区域。