CN114169465A - 图像分类模型训练和图像分类方法、装置及相关设备 - Google Patents
图像分类模型训练和图像分类方法、装置及相关设备 Download PDFInfo
- Publication number
- CN114169465A CN114169465A CN202111584256.8A CN202111584256A CN114169465A CN 114169465 A CN114169465 A CN 114169465A CN 202111584256 A CN202111584256 A CN 202111584256A CN 114169465 A CN114169465 A CN 114169465A
- Authority
- CN
- China
- Prior art keywords
- image
- classification model
- type
- image classification
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 196
- 238000012549 training Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 70
- 210000002569 neuron Anatomy 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像分类模型训练和图像分类方法、装置、电子设备及可读存储介质，通过获取当前的标注了分类类型的图像样本，并将图像样本输入图像分类模型，由图像分类模型随机选取预设比例的神经元对图像样本的类型进行预测，预测得到图像样本的类型，并利用预测的图像样本的类型与图像样本标注的类型标签，计算得到损失值，基于损失值判断图像分类模型是否完成训练，若否则将损失值传递给图像分类模型，以供模型调整模型参数，若是则得到训练后的图像分类模型。在图像分类模型的训练过程中，每次训练均会随机选取预设比例的神经元对图像样本的类型进行预测，避免模型过度依赖于某些特定的神经元，从而一定程度上提升模型的预测准确性。
Description
技术领域
本申请涉及图像识别领域，尤其涉及一种图像分类模型的训练和图像分类方法、装置、电子设备及可读存储介质。
背景技术
随着互联网技术的发展，各类软件平台开始出现在人们的生活中。在软件平台发布之前，一般会采用自动化测试的方式，利用程序代替人工去验证程序功能。在自动化测试的过程中，可能会验证之前的功能是否正常、模拟多用户同时操作场景以及在不同浏览器版本运行，通过自动化测试发现的问题，一般会采用截图的方式保存问题页面，再由人工浏览截图的方式确定出现问题页面的类型，但是，在软件平台问题较多的情况下，仅仅通过人工去对问题页面截图进行判断，需要花费大量的人力，处理效率较低。为了提升处理效率，人们开始考虑利用神经网络模型来对截图进行处理，因此，亟需一种图像分类模型的训练方法，以便于提升图像分类模型对图像进行分类的准确性。
发明内容
有鉴于此，本申请提供了一种图像分类模型的训练和图像分类方法、装置、电子设备及可读存储介质，以便于一定程度上提升图像分类模型对图像进行分类的准确性。
为了实现上述目的，现提出的方案如下：
一种图像分类模型训练方法，包括：
获取当前的标注了分类类型的图像样本；
将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型；
利用预测的图像样本的类型与所述图像样本标注的类型标签，计算得到损失值；
基于所述损失值，判断图像分类模型是否完成训练；
若否，则将所述损失值传递给所述图像分类模型，以供所述图像分类模型基于所述损失值调整模型参数；
若是，则结束训练，得到训练后的图像分类模型。
可选的，在将所述图像样本输入图像分类模型之前，还包括：
对所述图像样本进行降采样处理，得到降采样图像样本；
所述将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述降采样图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述降采样图像样本的类型进行预测，确定所述图像样本的类型。
可选的，在将所述图像样本输入图像分类模型之前，还包括：
对所述图像样本进行灰度处理，得到灰度图像样本；
所述将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述灰度图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述灰度图像样本的类型进行预测，确定所述图像样本的类型。
一种图像分类方法，包括：
获取待检测图像；
将所述待检测图像输入利用如前述的图像分类模型训练方法得到的图像分类模型中，得到预测的所述待检测图像的类型。
一种图像分类模型训练装置，包括：
训练样本获取单元，用于获取当前的标注了分类类型的图像样本；
图像类型预测单元，用于将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型；
损失值计算单元，用于利用预测的图像样本的类型与所述图像样本标注的类型标签，计算得到损失值；
训练进度判断单元，用于基于所述损失值，判断图像分类模型是否完成训练，若否，则将所述损失值传递给所述图像分类模型，以供所述图像分类模型基于所述损失值调整模型参数，若是，则结束训练，得到训练后的图像分类模型。
可选的，还包括：
降采样单元，用于对所述图像样本进行降采样处理，得到降采样图像样本；
所述图像类型预测单元将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述降采样图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述降采样图像样本的类型进行预测，确定所述图像样本的类型。
可选的，还包括：
灰度处理单元，用于对所述图像样本进行灰度处理，得到灰度图像样本；
所述图像类型预测单元所述将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述灰度图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述灰度图像样本的类型进行预测，确定所述图像样本的类型。
一种图像分类装置，包括：
图像获取单元，用于获取待检测图像；
图像分类单元，用于将所述待检测图像输入利用如前述的图像分类模型训练方法得到的图像分类模型中，得到预测的所述待检测图像的类型。
一种电子设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如前述的图像分类模型训练方法或前述的图像分类方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如前述的图像分类模型训练方法或前述的图像分类方法的各个步骤。
从上述的技术方案可以看出，本申请实施例提供的一种图像分类模型训练和图像分类方法、装置、电子设备及可读存储介质，通过获取当前的标注了分类类型的图像样本，并将图像样本输入图像分类模型，由图像分类模型随机选取预设比例的神经元对图像样本的类型进行预测，得到预测的图像样本的类型，并利用预测的图像样本的类型与图像样本标注的类型标签，计算得到损失值，基于损失值判断图像分类模型是否完成训练，若否，则将损失值传递给图像分类模型，以供图像分类模型基于损失值调整模型参数，若是，则结束训练，得到训练后的图像分类模型。
进一步的，在图像分类模型的训练过程中，每次训练均会随机选取预设比例的神经元对图像样本的类型进行预测，从而使得每次训练时都可以选择一部分神经元进行学习，进而避免图像分类模型过度依赖于某些特定的神经元，使得当图像中这些特定的神经元所识别的特征不明显时，导致预测的结果不准确，通过本申请在每次训练中均随机选择预设比例的神经元对图像的类型进行预测，可以一定程度上提升模型的预测准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种图像分类模型训练方法流程图；
图2为本申请实施例提供的一种图像分类方法流程图；
图3为本申请实施例提供的一种图像分类模型训练装置结构示意图；
图4为本申请实施例公开的一种电子设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种图像分类模型训练方法流程图，参考图1所示，该方法可以包括：
步骤S100、获取当前的标注了分类类型的图像样本。
具体的，对图像样本的类型进行标注的方式，可以预先根据需求建立数据集，在数据集中存储若干个图像的类型，且数据集中的每个图像类型均对应一个标签，通过给每张图像样本分配一个标签，即实现对图像样本的打标签。其中，标签可以是数字标签、文字标签、符号标签以及用户根据实际需求定义的其他标签。图像样本可以包括同一个页面截取的不同图像，需要保证每一张图像中的截取的位置不同，比如，每个页面截取30张图像，且保证每一张图像中包含的数据内容不同，截取的位置不同。
步骤S101、将图像样本输入图像分类模型，得到预测的图像样本的类型。
具体的，将图像样本输入图像分类模型中，由图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，可以得到预测的图像样本的类型。
在图像分类模型的训练过程中，每次训练均会随机选取预设比例的神经元对图像的类型进行预测，从而使得每次训练时都可以选择一部分神经元进行学习，进而避免图像分类模型过度依赖于某些特定的神经元，使得当图像中这些特定的神经元所识别的特征不明显时，导致预测的结果不准确，通过本申请在每次训练中均随机选择预设比例的神经元对图像的类型进行预测，可以一定程度上提升模型的预测准确性。
步骤S102、利用预测的图像样本的类型与图像样本标注的类型标签，计算得到损失值。
具体的，在上述步骤中，可以得到预测的图像样本的类型，利用预测的图像样本的类型与图像样本标注的类型标签，结合损失函数，可以计算得到损失值。
步骤S103、基于损失值，判断图像分类模型是否完成训练。
具体的，通过对上述步骤中计算得到的损失值进行判断，比如损失值的变化趋于平缓时，可以确定图像分类模型是否训练完成。若否，则执行步骤S104，若是，则执行步骤S105。
步骤S104、将损失值传递给图像分类模型。
具体的，在判断图像分类模型训练未完成时，可以将计算得到的损失值反向传递给图像分类模型，以供图像分类模型基于损失值调整模型参数，从而使得图像分类模型的预测更加准确。
在将损失值传递给图像分类模型之后，由于基于损失值判断图像分类模型尚未完成训练，所以可以返回执行步骤S100、获取当前的标注了分类类型的图像样本，继续下一轮对图像分类模型的训练。其中，返回执行获取当前的标注了分类类型的图像样本时，获取的图像样本可以与上一轮训练的图像样本完全一致，也可以与上一轮训练的图像样本完全不一致，还可以与上一轮训练的图像样本部分一致。
在每一轮训练中，将图像样本输入图像分类模型，图像分类模型均会随机选取预设比例的神经元对图像样本的类型进行预测，从而使得每次训练时都可以选择一部分神经元进行学习，进而避免图像分类模型过度依赖于某些特定的神经元，使得当图像中这些特定的神经元所识别的特征不明显时，导致预测的结果不准确。
步骤S105、结束训练，得到训练后的图像分类模型。
具体的，在判断图像分类模型训练完成时，可以结束训练，得到训练后的图像分类模型。
在上述实施例中，提供了一种图像分类模型训练和图像分类方法，通过获取当前的标注了分类类型的图像样本，并将图像样本输入图像分类模型，由图像分类模型随机选取预设比例的神经元对图像样本的类型进行预测，得到预测的图像样本的类型，并利用预测的图像样本的类型与图像样本标注的类型标签，计算得到损失值，基于损失值判断图像分类模型是否完成训练，若否，则将损失值传递给图像分类模型，以供图像分类模型基于损失值调整模型参数，若是，则结束训练，得到训练后的图像分类模型。
进一步的，在图像分类模型的训练过程中，每次训练均会随机选取预设比例的神经元对图像样本的类型进行预测，从而使得每次训练时都可以选择一部分神经元进行学习，进而避免图像分类模型过度依赖于某些特定的神经元，使得当图像中这些特定的神经元所识别的特征不明显时，导致预测的结果不准确，通过本申请在每次训练中均随机选择预设比例的神经元对图像的类型进行预测，可以一定程度上提升模型的预测准确性。
为了使得图像分类模型在处理图像样本时，加快图像分类模型对数据的处理速度，减小图像分类模型的运算量，在本申请的一些实施例中，可以在步骤S101、将图像样本输入图像分类模型之前，对图像样本进行降采样处理。
具体的，在将图像样本输入图像分类模型之前，可以对图像样本进行降采样处理，得到降采样图像样本。此时，步骤S101、将图像样本输入图像分类模型，得到预测的图像样本的类型的过程，可以是将降采样图像样本输入图像分类模型，由图像分类模型随机选取预设比例的神经元对降采样图像样本的类型进行预测，确定图像样本的类型。
在上述实施例中，通过对输入图像分类模型的图像样本进行降采样处理，使得图像分类模型在处理图像样本时，可以避免参数过多而导致的运算量过大的问题，可以提升图像分类模型的处理效率。
一般情况下，获取的图像样本是彩色图像，彩色图像可能有R、G和B三个通道，此时图像分类模型对图像样本进行处理，需要分别处理三个通道的数据，从而加大了图像分类模型的运算量。基于此，在本申请的一些实施例中，为了使得图像分类模型在处理图像样本时，加快图像分类模型对数据的处理速度，减小图像分类模型的运算量，可以在步骤S101、将图像样本输入图像分类模型之前，对图像样本进行灰度处理，使得图像样本只存在一个通道的数据。
具体的，在将图像样本输入图像分类模型之前，可以对图像样本进行灰度处理，得到灰度图像样本。此时，步骤S101、将图像样本输入图像分类模型，得到预测的图像样本的类型的过程，可以是将灰度图像样本输入图像分类模型，由图像分类模型随机选取预设比例的神经元对灰度图像样本的类型进行预测，确定图像样本的类型。
其中，对图像样本进行灰度处理的方式，可以将彩色图像中三个通道的亮度作为三个灰度图像的灰度值，并根据实际应用选取一种灰度图像；也可以将彩色图像中三个通道亮度的最大值作为灰度图的灰度值；还可以将彩色图像中的三个通道的亮度求平均得到一个灰度值。
在上述实施例中，由于彩色图像的信息含量过大，而进行图像分类时，其实只需要使用灰度图像里的信息就可以实现较为准确的分类，所以可以通过对输入图像分类模型的图像样本进行灰度处理，从而提升图像分类模型的运算速度。
通过上述实施例中的图像分类模型训练方法，可以训练得到图像分类模型，用于对图像的类型进行预测。参考图2所示，图2为本申请实施例提供的一种图像分类方法流程图，该方法可以包括：
步骤S200、获取待检测图像。
具体的，可以获取用户的页面截图，作为待检测图像。
步骤S201、将待检测图像输入图像分类模型中，得到预测的待检测图像的类型。
具体的，上述图像分类模型为按照前述实施例中的图像分类模型训练方法得到的。由于前述实施例中的图像分类模型训练方法，在每次训练中，均会随机选取预设比例的神经元对图像的类型进行预测，从而使得每次训练时都可以选择一部分神经元进行学习，进而避免图像分类模型过度依赖于某些特定的神经元，使得当图像中这些特定的神经元所识别的特征不明显时，导致预测的结果不准确，通过本申请在每次训练中均随机选择预设比例的神经元对图像的类型进行预测，可以一定程度上提升模型的预测准确性。
进一步的，在获取待检测图像之后，可以将待检测图像进行降采样处理，也可以对待检测图像进行灰度处理，还可以将待检测图像同时进行降采样处理和灰度处理，从而提升图像分类模型的运算速度。
下面对本申请实施例提供的一种图像分类模型训练装置进行描述，下文描述的一种图像分类模型训练装置与上文描述的一种图像分类模型训练方法可相互对应参照。
图3为本申请实施例提供的一种图像分类模型训练装置结构示意图，图像分类模型训练装置可以包括：
训练样本获取单元10，用于获取当前的标注了分类类型的图像样本；
图像类型预测单元20，用于将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型；
损失值计算单元30，用于利用预测的图像样本的类型与所述图像样本标注的类型标签，计算得到损失值；
训练进度判断单元40，用于基于所述损失值，判断图像分类模型是否完成训练，若否，则将所述损失值传递给所述图像分类模型，以供所述图像分类模型基于所述损失值调整模型参数，若是，则结束训练，得到训练后的图像分类模型。
在上述实施例中，提供了一种图像分类模型训练装置，通过训练样本获取单元10获取当前的标注了分类类型的图像样本，并由图像类型预测单元20将图像样本输入图像分类模型，由图像分类模型随机选取预设比例的神经元对图像样本的类型进行预测，得到预测的图像样本的类型，损失值计算单元30利用预测的图像样本的类型与图像样本标注的类型标签，计算得到损失值，训练进度判断单元40基于损失值判断图像分类模型是否完成训练，若否，则将损失值传递给图像分类模型，以供图像分类模型基于损失值调整模型参数，若是，则结束训练，得到训练后的图像分类模型。
进一步的，在图像分类模型的训练过程中，每次训练均会随机选取预设比例的神经元对图像样本的类型进行预测，从而使得每次训练时都可以选择一部分神经元进行学习，进而避免图像分类模型过度依赖于某些特定的神经元，使得当图像中这些特定的神经元所识别的特征不明显时，导致预测的结果不准确，通过本申请在每次训练中均随机选择预设比例的神经元对图像的类型进行预测，可以一定程度上提升模型的预测准确性。
可选的，图像分类模型训练装置，还可以包括：
降采样单元，用于对所述图像样本进行降采样处理，得到降采样图像样本；
所述图像类型预测单元将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述降采样图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述降采样图像样本的类型进行预测，确定所述图像样本的类型。
可选的，图像分类模型训练装置，还可以包括：
灰度处理单元，用于对所述图像样本进行灰度处理，得到灰度图像样本；
所述图像类型预测单元所述将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述灰度图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述灰度图像样本的类型进行预测，确定所述图像样本的类型。
在本申请的一些实施例中，提供了一种图像分类装置，图像分类装置，可以包括：
图像获取单元，用于获取待检测图像；
图像分类单元，用于将所述待检测图像输入利用如前述的图像分类模型训练方法得到的图像分类模型中，得到预测的所述待检测图像的类型。
本申请实施例还提供一种电子设备，图4示出了电子设备的硬件结构框图，参照图4，电子设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：实现前述的图像分类模型训练方法或前述的图像分类方法中的各个处理流程。
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：实现前述的图像分类模型训练方法或前述的图像分类方法中的各个处理流程。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像分类模型训练方法，其特征在于，包括：
获取当前的标注了分类类型的图像样本；
将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型；
利用预测的图像样本的类型与所述图像样本标注的类型标签，计算得到损失值；
基于所述损失值，判断图像分类模型是否完成训练；
若否，则将所述损失值传递给所述图像分类模型，以供所述图像分类模型基于所述损失值调整模型参数；
若是，则结束训练，得到训练后的图像分类模型。
2.根据权利要求1所述的训练方法，其特征在于，在将所述图像样本输入图像分类模型之前，还包括：
对所述图像样本进行降采样处理，得到降采样图像样本；
所述将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述降采样图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述降采样图像样本的类型进行预测，确定所述图像样本的类型。
3.根据权利要求1所述的训练方法，其特征在于，在将所述图像样本输入图像分类模型之前，还包括：
对所述图像样本进行灰度处理，得到灰度图像样本；
所述将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述灰度图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述灰度图像样本的类型进行预测，确定所述图像样本的类型。
4.一种图像分类方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入利用如权利要求1-3任意一项所述的图像分类模型训练方法得到的图像分类模型中，得到预测的所述待检测图像的类型。
5.一种图像分类模型训练装置，其特征在于，包括：
训练样本获取单元，用于获取当前的标注了分类类型的图像样本；
图像类型预测单元，用于将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型；
损失值计算单元，用于利用预测的图像样本的类型与所述图像样本标注的类型标签，计算得到损失值；
训练进度判断单元，用于基于所述损失值，判断图像分类模型是否完成训练，若否，则将所述损失值传递给所述图像分类模型，以供所述图像分类模型基于所述损失值调整模型参数，若是，则结束训练，得到训练后的图像分类模型。
6.根据权利要求5所述的训练装置，其特征在于，还包括：
降采样单元，用于对所述图像样本进行降采样处理，得到降采样图像样本；
所述图像类型预测单元将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述降采样图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述降采样图像样本的类型进行预测，确定所述图像样本的类型。
7.根据权利要求5所述的训练装置，其特征在于，还包括：
灰度处理单元，用于对所述图像样本进行灰度处理，得到灰度图像样本；
所述图像类型预测单元所述将所述图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述图像样本的类型进行预测，得到预测的所述图像样本的类型，包括：
将所述灰度图像样本输入图像分类模型，由所述图像分类模型随机选取预设比例的神经元对所述灰度图像样本的类型进行预测，确定所述图像样本的类型。
8.一种图像分类装置，其特征在于，包括：
图像获取单元，用于获取待检测图像；
图像分类单元，用于将所述待检测图像输入利用如权1-3任意一项所述的图像分类模型训练方法得到的图像分类模型中，得到预测的所述待检测图像的类型。
9.一种电子设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-3任一项的图像分类模型训练方法或权利要求4的图像分类方法的各个步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-3任一项的图像分类模型训练方法或权利要求4的图像分类方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111584256.8A CN114169465A (zh) | 2021-12-22 | 2021-12-22 | 图像分类模型训练和图像分类方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111584256.8A CN114169465A (zh) | 2021-12-22 | 2021-12-22 | 图像分类模型训练和图像分类方法、装置及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169465A true CN114169465A (zh) | 2022-03-11 |
Family
ID=80487887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111584256.8A Pending CN114169465A (zh) | 2021-12-22 | 2021-12-22 | 图像分类模型训练和图像分类方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169465A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778701A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 |
| CN108875779A (zh) * | 2018-05-07 | 2018-11-23 | 深圳市恒扬数据股份有限公司 | 神经网络的训练方法、装置及终端设备 |
| CN109829481A (zh) * | 2019-01-04 | 2019-05-31 | 北京邮电大学 | 一种图像分类方法、装置、电子设备及可读存储介质 |
| CN112418327A (zh) * | 2020-11-25 | 2021-02-26 | Oppo广东移动通信有限公司 | 图像分类模型的训练方法、装置、电子设备以及存储介质 |
| WO2021087985A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳市欢太科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
| CN113344121A (zh) * | 2021-06-29 | 2021-09-03 | 北京百度网讯科技有限公司 | 训练招牌分类模型和招牌分类的方法 |
-
2021
- 2021-12-22 CN CN202111584256.8A patent/CN114169465A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778701A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 |
| CN108875779A (zh) * | 2018-05-07 | 2018-11-23 | 深圳市恒扬数据股份有限公司 | 神经网络的训练方法、装置及终端设备 |
| CN109829481A (zh) * | 2019-01-04 | 2019-05-31 | 北京邮电大学 | 一种图像分类方法、装置、电子设备及可读存储介质 |
| WO2021087985A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳市欢太科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
| CN112418327A (zh) * | 2020-11-25 | 2021-02-26 | Oppo广东移动通信有限公司 | 图像分类模型的训练方法、装置、电子设备以及存储介质 |
| CN113344121A (zh) * | 2021-06-29 | 2021-09-03 | 北京百度网讯科技有限公司 | 训练招牌分类模型和招牌分类的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110211119B (zh) | 图像质量评估方法、装置、电子设备及可读存储介质 | |
| CN107783898B (zh) | 移动应用的测试方法及测试设备 | |
| KR20200145827A (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
| CN111476863B (zh) | 一种黑白漫画上色的方法、装置、电子设备及存储介质 | |
| CN109726655A (zh) | 基于情绪识别的客服服务评价方法、装置、介质及设备 | |
| CN109523188B (zh) | 面向人机界面显示的舰员认知特性工效测评方法及系统 | |
| CN110825969A (zh) | 数据处理方法、装置、终端和存储介质 | |
| CN113781510A (zh) | 边缘检测方法、装置及电子设备 | |
| CN113034514A (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
| CN111126209A (zh) | 车道线检测方法及相关设备 | |
| CN114387451A (zh) | 异常图像检测模型的训练方法、装置及介质 | |
| CN108805332B (zh) | 一种特征评估方法和装置 | |
| CN114169465A (zh) | 图像分类模型训练和图像分类方法、装置及相关设备 | |
| CN111404835A (zh) | 流量控制方法、装置、设备及存储介质 | |
| CN114926627A (zh) | 口腔结构定位模型训练方法、定位方法、装置和电子设备 | |
| CN113762401A (zh) | 自适应分类任务阈值调整方法、装置、设备及存储介质 | |
| CN116320772A (zh) | 一种指纹图像的采集方法、设备、存储介质和产品 | |
| CN113132762B (zh) | 留存行为因素分析方法、装置、电子设备和可读存储介质 | |
| CN117078670A (zh) | 一种云相框的生产控制系统 | |
| CN108121942B (zh) | 一种指纹识别的方法及装置 | |
| CN117455036A (zh) | 多场景的任务分派方法、装置、计算机设备及存储介质 | |
| CN112926515B (zh) | 活体模型训练方法和装置 | |
| CN113225435B (zh) | 预估电话接通概率的方法、装置和可读存储介质 | |
| CN113392825A (zh) | 文本识别方法、装置、设备及存储介质 | |
| CN113435535B (zh) | 图像识别模型的训练方法、图像识别方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |