[发明专利]一种图像分类模型训练方法及装置

说明书

本发明提供了一种图像分类模型训练方法及装置。该方法通过综合考虑不同类别的训练图像的全局特征和局部特征，对每张训练图像进行分类，可以提高图像分类的准确率，以及，可以降低训练图像的边缘数据对于图像分类模型的模型训练效果的影响，从而可以提高模型的训练效果，进而可以实现基于少量数据便可以训练得到分类效果较好的图像分类模型。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种图像分类模型训练方法及装置。

背景技术

近年来人工智能的发展给人们的生活带来了极大的便利，图像分类作为其中的重点研究领域得到了极大的关注和发展，但是图像分类模型的训练往往离不开足够的标注数据，一方面，对于大量无标签数据人工进行标注十分的耗费人力物力，另外一方面，对于医疗图像和安防等领域来说，获取足量的训练数据并不是容易的事情，这些问题阻碍了少量数据条件下图像分类任务的发展。目前，亟需一种可以基于少量数据便可以训练得到分类效果较好的图像分类模型的方法。

发明内容

有鉴于此，本发明实施例提供了一种图像分类模型训练方法、装置、计算机设备及计算机可读存储介质，以实现通过综合考虑不同类别的训练图像的全局特征和局部特征，对每张训练图像进行分类，可以提高图像分类的准确率，以及，可以降低训练图像的边缘数据对于图像分类模型的模型训练效果的影响，从而可以提高模型的训练效果，进而可以实现基于少量数据便可以训练得到分类效果较好的图像分类模型。

本发明实施例的第一方面，提供了一种图像分类模型训练方法，所述方法包括：

获取训练样本图像集，其中，所述训练样本图像集包括N个类别的训练图像；

将所述训练样本图像集输入图像分类模型中的卷积神经网络，得到所述训练样本图像集中每张训练图像的全局特征；

将所述训练样本图像集中每张训练图像的全局特征输入所述图像分类模型中的局部特征生成模块，得到所述训练样本图像集中每张训练图像的局部特征；

将所述训练样本图像集中每张训练图像的全局特征和局部特征输入所述图像分类模型中的类别描述生成模块，得到所述训练样本图像集中每张训练图像的预测类别；

根据所述训练样本图像集中每张训练图像的预测类别和真实类别，对所述图像分类模型的模型参数进行调整，直至所述图像分类模型满足网络收敛条件。

本发明实施例的第二方面，提供了一种图像分类模型训练装置，所述装置包括：

数据获取单元，用于获取训练样本图像集，其中，所述训练样本图像集包括N个类别的训练图像；

第一确定单元，用于将所述训练样本图像集输入图像分类模型中的卷积神经网络，得到所述训练样本图像集中每张训练图像的全局特征；

第二确定单元，用于将所述训练样本图像集中每张训练图像的全局特征输入所述图像分类模型中的局部特征生成模块，得到所述训练样本图像集中每张训练图像的局部特征；

第三确定单元，用于将所述训练样本图像集中每张训练图像的全局特征和局部特征输入所述图像分类模型中的类别描述生成模块，得到所述训练样本图像集中每张训练图像的预测类别；

模型调整单元，用于根据所述训练样本图像集中每张训练图像的预测类别和真实类别，对所述图像分类模型的模型参数进行调整，直至所述图像分类模型满足网络收敛条件。

本发明实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。