图像分类模型的训练方法、装置、电子设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115100478A(43)申请公布日2022.09.23(21)申请号202210804675.6(22)申请日2022.07.08(71)申请人北京医准智能科技有限公司地址100083北京市海淀区知春路7号致真大厦A座12层1202-1203号(72)发明人马璐丁佳李小星吕晨翀(74)专利代理机构北京乐知新创知识产权代理事务所(普通合伙)11734专利代理师王曌寅(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)权利要求书4页说明书19页附图5页(54)发明名称图像分类模型的训练方法、装置、电子设备及存储介质(57)摘要本公开提供了一种图像分类模型的训练方法、装置、电子设备及存储介质，方法包括：基于第一训练集包括图像类别的数量，确定超球体上的至少两个目标位置；生成第二训练集；基于第一编码器确认第一训练集对应的特征，以及第二训练集对应的特征；基于第一训练集中每一个图像类别对应的特征，确认至少两个目标位置对应的图像类别；基于第一训练集对应的特征、第二训练集对应的特征，以及至少两个目标位置对应的图像类别，确定第一编码器的损失函数；基于所述损失函数，调整第一编码器的参数；基于第三训练集对第二编码器进行训练；其中，第三训练集包括或不包括第一训练集，第三训练集中图像类别的数量大于第一图像训练集中图像类别的数量。CN115100478ACN115100478A权利要求书1/4页1.一种图像分类模型的训练方法，其特征在于，所述方法包括：基于第一训练集包括图像类别的数量，确定超球体上的至少两个目标位置；对所述第一训练集中第一样本图像进行图像增强，生成第二训练集；基于所述图像分类模型包括的第一编码器确认所述第一训练集中各样本图像对应的特征，以及所述第二训练集中各样本图像对应的特征；基于所述第一训练集中每一个图像类别对应的样本图像的特征，确认所述至少两个目标位置对应的图像类别；基于所述第一训练集包括的各样本图像的特征、所述第二训练集包括的各样本图像的特征，以及所述至少两个目标位置对应的图像类别，确定所述第一编码器的损失函数；基于所述第一编码器的损失函数，调整所述第一编码器的参数，确认调整参数的所述第一编码器为第二编码器；将第三训练集输入至所述第二编码器中，对所述第二编码器进行训练，确认训练后的所述第二编码器，为第三编码器；其中，所述第三训练集包括或不包括所述第一训练集，所述第三训练集中图像类别的数量大于所述第一图像训练集中图像类别的数量。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：将第四训练集输入至所述第三编码器中，对所述第三编码器进行训练，确认训练后所述第三编码器，为第四编码器；其中，所述第四训练集包括所述第一训练集和所述第三训练集，所述第四训练集中图像类别的数量大于所述第三训练集中图像类别的数量。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：将所述第三训练集输入至所述第三编码器和所述图像分类模型包括的线性分类层中，确定所述线性分类层的输出为所述第三训练集中各样本图像对应的预测图像类别；基于所述第三训练集中各样本图像对应的图像类别和所述预测图像类别，调整所述线性分类层的参数；或者，将所述第四训练集输入至所述第四编码器和所述图像分类模型包括的线性分类层中，确定所述线性分类层的输出为所述第四训练集中各样本图像对应的预测图像类别；基于所述第四训练集中各样本图像对应的图像类别和所述预测图像类别，调整所述线性分类层的参数。4.根据权利要求1所述的方法，其特征在于，所述基于第一训练集包括图像类别的数量，确定超球体上的至少两个目标位置，包括：基于所述第一训练集包括的图像类别的数量，以及最小化公式，确定超球体上至少两个目标位置。5.根据权利要求1所述的方法，其特征在于，所述对所述第一训练集中第一样本图像进行图像增强，生成第二训练集，包括：对所述第一样本图像执行随机裁剪、旋转、随机遮挡和改变颜色中至少之一，生成不完全相同的至少两张图像为所述第二训练集中的样本图像。6.根据权利要求1所述的方法，其特征在于，所述基于所述图像分类模型包括的第一编码器确认所述第一训练集中各样本图像对应的特征，以及所述第二训练集中各样本图像对2CN115100478A权利要求书2/4页应的特征，包括：将所述第一训练集包括的各样本图像以及第一训练集包括的各样本图像对应的图像类别输入至所述图像分类模型包括的第一编码器中，输出所述第一训练集包括的各样本图像的特征；将所述第二训练集包括的各样本图像以及第二训练集包括的各样本图像对应的图像类别输入至所述第一编码器中，输出所述第二训练集包括的各样本图像的特征。7.根据权利要求1所述的方法，其特征在于，所述基于