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CN115082742A(43)申请公布日2022.09.20(21)申请号202210920449.4(22)申请日2022.08.02(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)发明人丁佳李小星马璐吕晨翀(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专利代理师张立新(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)权利要求书3页说明书15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，包括：获取目标对象对应的横切图像和纵切图像所对应的视觉特征；基于图像分类模型包括的图间变换器，将所述视觉特征映射至第一属性图包括的各目标节点，确定各目标节点的属性特征的预测概率；基于图像分类模型包括的图内变换器，对所述分类图中各分类节点进行特征融合，确定各分类节点对应的分类预测概率；基于所述各目标节点的属性特征的预测概率，以及各目标节点的属性特征的标签确认第一子损失；基于所述各分类节点对应的分类预测概率，以及所述目标对象的分类标签确认第二子损失；基于所述第一子损失和所述第二子损失调整所述图像分类模型的参数。CN115082742ACN115082742A权利要求书1/3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：获取目标对象对应的横切图像和纵切图像所对应的视觉特征；基于图像分类模型包括的图间变换器，将所述视觉特征映射至第一属性图包括的各目标节点，确定各目标节点的属性特征的预测概率；其中，所述第一属性图中包括的目标节点的个数与所述目标对象包含的属性特征的数量相同；基于所述图间变换器将所述第一属性图包括的各目标节点映射至分类图包括的各分类节点；基于图像分类模型包括的图内变换器，对所述分类图中各分类节点进行特征融合，确定各分类节点对应的分类预测概率；基于所述各目标节点的属性特征的预测概率，以及各目标节点的属性特征的标签确认第一子损失；基于所述各分类节点对应的分类预测概率，以及所述目标对象的分类标签确认第二子损失；基于所述第一子损失和所述第二子损失调整所述图像分类模型的参数。2.根据权利要求1所述的方法，其特征在于，所述获取目标对象对应的横切图像和纵切图像所对应的视觉特征，包括：将所述目标对象对应的横切图像和纵切图像输入至所述图像分类模型的编码器中，确认所述编码器的输出为所述目标对象对应的视觉特征。3.根据权利要求1所述的方法，其特征在于，所述基于图像分类模型包括的图间变换器，将所述视觉特征映射至第一属性图包括的各目标节点，确定各目标节点的属性特征的预测概率，包括对所述第一属性图中的各目标节点执行以下操作：基于所述视觉特征中各源节点与所述第一属性图中第一目标节点之间的边权重和第一投影矩阵，更新所述第一目标节点的特征；基于所述第一目标节点的特征，确认所述第一目标节点的属性特征的预测概率；其中，所述视觉特征中包括的源节点包括所述视觉特征中的像素。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一目标节点的特征，确认所述第一目标节点的属性特征的预测概率，包括：基于所述第一目标节点的特征和第二投影矩阵，将所述第一目标节点的特征转换为一维概率；所述一维概率中的每一个元素分别对应一个属性特征的预测概率。5.根据权利要求3所述的方法，其特征在于，所述视觉特征中各源节点与所述第一属性图中第一目标节点之间的边权重通过以下方式确认：将第一目标节点和所述视觉特征中的各源节点分别投影至公共特征空间中，确认第一目标节点投影和各源节点对应的源节点投影；基于注意力机制确认所述第一目标节点投影和各源节点投影之间的注意力权值；对所述注意力权值进行归一化处理，确认归一化处理结果为所述第一目标节点与各源节点之间的边权重。6.根据权利要求1所述的方法，其特征在于，所述第一属性图基于各目标节点的集合和各目标节点中任意两个目标节点之间的边的集合确认。2CN115082742A权利要求书2/3页7.根据权利要求1所述的方法，其特征在于，所述基于所述图间变换器将所述第一属性图包括的各目标节点映射至分类图包括的各分类节点，包括对所述分类图中各分类节点执行以下操作：所述图间变换器基于所述第一属性图包括的各目标节点与所述分类图中第一分类节点之间的边权重和第三投影矩阵，更新所述第一分类节点的特征。8.根据权利要求7所述的方法，其特征在于，所述第一属性图包括的各目标节点与所述分类图中第一分类节点之间的边权重，基于以下方式确定：将更新后的所述第一分类节点和所述第一属性图中更新