图像分类网络的训练方法、图像分类方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115482413A(43)申请公布日2022.12.16(21)申请号202211149524.8(22)申请日2022.09.21(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人武文琦(74)专利代理机构北京市一法律师事务所11654专利代理师李琳娜刘荣娟(51)Int.Cl.G06V10/764(2022.01)G06V10/82(2022.01)权利要求书2页说明书14页附图4页(54)发明名称图像分类网络的训练方法、图像分类方法和系统(57)摘要本说明书提供的图像分类网络的训练方法、图像分类方法和系统，计算无偏损失信息，以最小化所述无偏损失信息为约束条件训练所述图像分类网络，所述无偏损失信息表征不同类别的训练图像在特征空间中的特征分布之间的分布偏差，使得当图像分类网络采用相同的置信度阈值对不同类别的目标图像进行分类时，每种类别的目标图像的分类准确率都超过预设准确率，也即是，图像分类网络能够采用相同的置信度阈值对不同类别的图像全部进行准确分类，从而提高分类准确率。CN115482413ACN115482413A权利要求书1/2页1.一种图像分类网络的训练方法，包括：获取多种类别的训练图像；以及基于所述训练图像迭代训练所述图像分类网络直至预设的迭代次数，使得当所述图像分类网络采用相同的置信度阈值对不同类别的目标图像进行分类时，每种类别的目标图像的分类准确率超过预设准确率，其中，所述训练所述图像分类网络包括：计算无偏损失信息，所述无偏损失信息表征不同类别的所述训练图像在特征空间中的特征分布之间的分布偏差，以及以最小化所述无偏损失信息为约束条件训练所述图像分类网络，达到所述迭代次数时所述分布偏差小于预设偏差值。2.如权利要求1所述的方法，其中所述训练图像包括真实场景的无标签图像。3.如权利要求2所述的方法，其中所述无标签图像包括经过数据增广的图像，所述数据增广至少包括如下一种：纹理增广以及敏感区域掩码增广。4.如权利要求1所述的方法，其中所述计算无偏损失信息包括：获取自适应网络，所述自适应网络与所述图像分类网络的网络结构相同；以及基于所述训练图像采用所述元学习的方式训练所述自适应网络，并通过所述自适应网络计算所述无偏损失信息。5.如权利要求4所述的方法，其中所述自适应网络的初始参数与所述图像分类网络的初始参数相同，所述图像分类网络的初始参数是在首次迭代训练之前经过有监督训练后的参数。6.如权利要求4所述的方法，其中所述基于所述训练图像采用所述元学习的方式训练所述自适应网络包括：获取所述训练图像中真实场景的无标签图像，所述无标签图像包括多批图像，每批图像中包括元训练图像和元测试图像；采用所述多批图像中的所述元训练图像和所述元测试图像训练所述自适应网络。7.如权利要求6所述的方法，其中所述无标签图像具有虚拟标签，所述虚拟标签是所述图像分类网络为所述无标签图像生成的。8.如权利要求6所述的方法，其中所述元训练图像中还包括有标签图像。9.如权利要求4所述的方法，其中所述基于所述自适应网络计算所述无偏损失信息包括：从所述自适应网络中获取不同类别的所述训练图像在所述特征空间中的所述特征分布，得到多种所述特征分布；根据无偏损失函数计算多种所述特征分布之间的所述分布偏差；以及将所述分布偏差确定为所述无偏损失信息。10.如权利要求1所述的方法，其中所述图像分类网络包括表情识别网络，所述训练图像包括表情图像，所述类别包括表情类别。11.一种图像分类方法，包括：获取开放场景中的目标图像，所述开放场景是未使用所述图像分类网络进行分类的场景；以及将所述目标图像输入所述图像分类网络进行分类，输出所述目标图像的类别，其中，所2CN115482413A权利要求书2/2页述图像分类网络根据如权利要求1至10中任一项所述的训练方法训练得到。12.一种图像分类系统，包括：至少一个存储介质，存储有用于图像分类的图像分类网络；以及至少一个处理器，同所述至少一个存储介质通信连接，其中当所述图像分类系统运行时，所述至少一个处理器读取所述图像分类网络并实施权利要求11的图像分类方法，所述图像分类网络根据如权利要求1至10中任一项所述的训练方法训练得到。3CN115482413A说明书1/14页图像分类网络的训练方法、图像分类方法和系统技术领域[0001]本说明书涉及图像处理领域，尤其涉及一种图像分类网络的训练方法、图像分类方法和系统。背景技术[0002]图像分类作为计算机视觉中重要的课题之一，具有极广泛的应用，比如应用在人脸识别、智慧交通、工业检测等。[0003]在使用图像分类网络预测图像的类别时，通常可以输出该图像属于每个类别的置