模型训练方法、图像分类方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115482415A(43)申请公布日2022.12.16(21)申请号202211151337.3G06N3/04(2006.01)(22)申请日2022.09.21G06N3/08(2006.01)G06N20/00(2019.01)(71)申请人北京沃东天骏信息技术有限公司G06T3/40(2006.01)地址100176北京市大兴区经济技术开发G06V10/44(2022.01)区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人冯伟张政吕晶晶庞新强王维珍李耀宇(74)专利代理机构北京英赛嘉华知识产权代理有限责任公司11204专利代理师王达佐马晓亚(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书3页说明书16页附图6页(54)发明名称模型训练方法、图像分类方法和装置(57)摘要本公开的实施例提供了一种模型训练方法、图像分类方法和装置。所述模型训练方法包括：首先获取训练样本集，该训练样本集包括样本物品对应的样本图像和样本图像的样本分类结果，样本图像由样本物品对应的样本首图和样本主图组成，然后构建包括残差神经网络和分类网络的初始模型，最后利用机器学习方法，将样本图像作为残差神经网络的输入，获取样本首图对应的第一特征向量和样本主图对应的第二特征向量，将残差神经网络输出的第一特征向量和第二特征向量作为分类网络的输入，样本图像的样本分类结果作为期望输出，对初始模型进行训练，得到图像分类模型，能够对所构成的样本图像提取特征、构成特征向量和预测分类结果，实现主图是否合格的判别。CN115482415ACN115482415A权利要求书1/3页1.一种模型训练方法，所述方法包括：获取训练样本集，其中，所述训练样本集包括样本物品对应的样本图像和所述样本图像的样本分类结果，所述样本图像由所述样本物品对应的样本首图和样本主图组成；构建包括残差神经网络和分类网络的初始模型；利用机器学习方法，将所述样本图像作为所述残差神经网络的输入，获取所述样本首图对应的第一特征向量和所述样本主图对应的第二特征向量，将所述残差神经网络输出的所述第一特征向量和所述第二特征向量作为所述分类网络的输入，所述样本图像的样本分类结果作为期望输出，对所述初始模型进行训练，得到图像分类模型。2.根据权利要求1所述的方法，其中，所述获取训练样本集，包括：针对多个样本物品，获取每个样本物品对应的样本首图和多张样本主图；对每个样本物品的多张样本主图进行分类，得到所述多张样本主图的样本分类结果；将每个样本物品的样本首图分别和对应的每张样本主图进行图像拼接，得到由所述样本首图和所述样本主图组成的多张样本图像；基于所述多个样本物品对应的多张样本图像和每张样本图像中样本主图的样本分类结果，获取所述训练样本集。3.根据权利要求2所述的方法，其中，所述将每个样本物品的样本首图分别和对应的每张样本主图进行图像拼接，得到由所述样本首图和所述样本主图组成的多张样本图像，包括：针对每个样本物品，分别将样本首图和每张样本主图进行图像拼接，得到多张拼接图像；对所述多张拼接图像中的样本首图进行图像处理，得到多张处理后的拼接图像；对所述多张处理后的拼接图像进行缩放处理，得到由所述样本首图和所述样本主图组成的多张样本图像。4.根据权利要求3所述的方法，其中，所述对所述多张拼接图像中的样本首图进行图像处理，得到多张处理后的拼接图像，包括：对所述多张拼接图像中的样本首图进行随机反转，得到包括第一样本首图的多张第一拼接图像；对所述多张第一拼接图像中的第一样本首图进行像素处理，得到多张处理后的拼接图像。5.根据权利要求2所述的方法，其中，所述对每个样本物品的多张样本主图进行分类，得到所述多张样本主图的样本分类结果，包括：对每个样本物品的多张样本主图进行分类，确定出每个样本物品的多张样本主图中的合格样本主图和不合格样本主图；对所述不合格样本主图进行类别分类，得到所述不合格样本主图对应的样本分类结果；基于所述合格样本主图的样本分类结果和所述不合格样本主图对应的样本分类结果，得到所述多张样本主图的样本分类结果。6.根据权利要求1所述的方法，其中，所述残差神经网络包括卷积层和池化层；以及，所述利用机器学习方法，将所述样本图像作为所述残差神经网络的输入，获取所述样2CN115482415A权利要求书2/3页本首图对应的第一特征向量和所述样本主图对应的第二特征向量，将所述残差神经网络输出的所述第一特征向量和所述第二特征向量作为所述分类网络的输入，所述样本图像的样本分类结果作为期望输出，对所述初始模型进行训练，得到图像分类模型，包括：利用机器