分类模型的训练方法、装置、电子设备以及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113239883A(43)申请公布日2021.08.10(21)申请号202110625599.8(22)申请日2021.06.04(71)申请人上海肇观电子科技有限公司地址201203上海市浦东新区自由贸易试验区龙东大道3000号7幢501室(72)发明人陈文敏王欢冯歆鹏周骥(74)专利代理机构北京品源专利代理有限公司11332代理人孟金喆(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书3页说明书13页附图7页(54)发明名称分类模型的训练方法、装置、电子设备以及存储介质(57)摘要本发明公开了一种分类模型的训练方法、装置、电子设备以及存储介质，属于人工智能技术领域。该方法包括：通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；所述目标分类分支用于预测样本图像中目标对象的目标分类结果；通过初始模型的样本识别分支，对所述样本图像进行处理得到识别损失值；所述样本识别分支用于预测样本图像中目标对象的样本识别结果；通过初始模型的权重调节分支，对所述样本图像进行处理，得到对所述目标分类分支和所述样本识别分支进行权重调节的损失权重；根据所述分类损失值、所述识别损失值和所述损失权重，对所述初始模型进行训练，得到目标分类模型。上述技术方案，提高了模型的分类准确率。CN113239883ACN113239883A权利要求书1/3页1.一种分类模型的训练方法，其特征在于，包括：通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；所述目标分类分支用于预测样本图像中目标对象的目标分类结果；通过所述初始模型的样本识别分支，对所述样本图像进行处理得到识别损失值；所述样本识别分支用于预测样本图像中目标对象的样本识别结果；通过所述初始模型的权重调节分支，对所述样本图像进行处理，得到对所述目标分类分支和所述样本识别分支进行权重调节的损失权重；根据所述分类损失值、所述识别损失值和所述损失权重，对所述初始模型进行训练，得到目标分类模型。2.根据权利要求1所述的方法，其特征在于，所述损失权重包括第一损失权重和第二损失权重；其中，所述第一损失权重用于对所述目标分类分支进行权重调节，所述第二损失权重用于对所述样本识别分支进行权重调节。3.根据权利要求2所述的方法，其特征在于，所述根据所述分类损失值、所述识别损失值和所述损失权重，对所述初始模型进行训练，得到目标分类模型，包括：根据所述分类损失值、所述识别损失值、所述第一损失权重和所述第二损失权重，确定所述初始模型的目标损失值；将所述目标损失值进行反向传播以对所述初始模型进行训练，在训练过程中对所述第一损失权重和所述第二损失权重进行更新；若所述目标损失值达到设定条件，则停止对所述初始模型进行训练，并确定第一损失权重和所述第二损失权重的最终值，得到目标分类模型。4.根据权利要求1所述的方法，其特征在于，所述初始模型还包括主干网络，所述主干网络包括至少一个残差模块；相应地，所述方法还包括，将样本图像输入所述主干网络进行处理得到样本图像的特征图；相应地，所述方法包括：通过所述初始模型的目标分类分支，对所述样本图像的特征图进行处理得到分类损失值；通过所述初始模型的样本识别分支，对所述样本图像的特征图进行处理得到识别损失值；通过所述初始模型的权重调节分支，对所述样本图像的特征图进行处理，得到对所述目标分类分支和所述样本识别分支进行权重调节的损失权重。5.根据权利要求4所述的方法，其特征在于，所述目标分类分支包括至少一个分类残差模块，所述样本识别分支包括至少一个识别残差模块。6.根据权利要求5所述的方法，其特征在于，所述通过初始模型的目标分类分支，对所述样本图像的特征图进行处理得到分类损失值，包括：通过所述目标分类分支的分类残差模块，对所述特征图进行处理，得到所述特征图的第一深层特征图；通过所述目标分类分支的第一分类层，对所述第一深层特征图进行处理得到目标分类结果；2CN113239883A权利要求书2/3页根据所述目标分类结果和所述样本图像的分类监督数据，确定分类损失值。7.根据权利要求5所述的方法，其特征在于，所述通过所述初始模型的样本识别分支，对所述样本图像的特征图进行处理得到识别损失值，包括：通过所述样本识别分支的识别残差模块，对所述特征图进行处理得到第二深层特征图；通过所述样本识别分支的第二分类层，对所述第二深层特征图进行处理得到样本识别结果；根据所述样本识别结果和所述样本图像的识别监督数据，确定识别损失值。8.根据权利要求5所述的方法，其特征在于，所述至少一个分类残差模块加入第一注意力机制，所述至少一个识别残差模块加入第二注意力机制；所