图像分类模型的训练方法、装置、电子设备和存储介质.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CN114241243A(43)申请公布日2022.03.25(21)申请号202111565672.3(22)申请日2021.12.20(71)申请人百度在线网络技术(北京)有限公司地址100085北京市海淀区上地十街10号百度大厦三层(72)发明人宋腾飞邢浩强邓天生于天宝贠挺陈国庆林赛群(74)专利代理机构中科专利商标代理有限责任公司11021代理人吕朝蕙(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06K9/62(2022.01)权利要求书3页说明书11页附图3页(54)发明名称图像分类模型的训练方法、装置、电子设备和存储介质(57)摘要本公开提供了一种图像分类模型的训练方法、装置、电子设备和存储介质，涉及人工智能领域，具体涉及深度学习领域和图像处理领域，可应用于异常图像的检测场景等。图像分类模型的训练方法包括：采用已标注数据集对图像分类模型进行训练，得到初始模型；迭代地执行以下更新操作，直至更新后的初始模型达到收敛条件：采用初始模型从未标注数据中获得备选扩充数据；以及根据备选扩充数据更新已标注数据集和初始模型；其中，图像分类模型的训练方法还包括在在迭代地执行更新操作的过程中：确定针对标注类别的预测概率低于第一预定概率的目标数据；以及周期性地采用目标数据更新已标注数据集。CN114241243ACN114241243A权利要求书1/3页1.一种图像分类模型的训练方法，包括：采用已标注数据集对图像分类模型进行训练，得到初始模型；迭代地执行以下更新操作，直至更新后的初始模型达到收敛条件：采用所述初始模型从未标注数据中获得备选扩充数据；以及根据所述备选扩充数据更新所述已标注数据集和所述初始模型；其中，所述方法还包括在迭代地执行所述更新操作的过程中：确定针对标注类别的预测概率低于第一预定概率的目标数据；以及周期性地采用所述目标数据更新所述已标注数据集。2.根据权利要求1所述的方法，其中，所述根据所述备选扩充数据更新所述已标注数据集和所述初始模型包括：采用将所述备选扩充数据添加至所述已标注数据集获得的扩充数据集对所述初始模型进行训练，得到中间模型；采用所述中间模型对所述扩充数据集中的每个数据进行分类，得到针对所述每个数据的第一分类结果；从所述扩充数据集中剔除第一分类结果与标注类别的差异较大的第一预定数量个数据，得到更新后的已标注数据集；以及采用更新后的所述已标注数据集对所述中间模型进行训练，以更新所述初始模型。3.根据权利要求2所述的方法，其中，其中，所述第一分类结果包括所述每个数据属于多个预定类别中每个预定类别的第一概率值；从所述扩充数据集中剔除第一分类结果与标注类别的差异较大的第一预定数量个数据包括：确定所述扩充数据集中针对标注类别的第一概率值较小的第一预定数量个数据，作为待剔除数据；以及从所述扩充数据集中剔除所述待剔除数据。4.根据权利要求1所述的方法，其中，所述采用所述初始模型从未标注数据集中获得备选扩充数据包括：采用所述初始模型对所述未标注数据集中的每个数据进行分类，得到针对所述每个数据的第二分类结果；以及根据所述第二分类结果从所述未标注数据集中获取数据，得到所述备选扩充数据，所述备选扩充数据包括根据所述第二分类结果确定的标注类别。5.根据权利要求4所述的方法，其中，所述第二分类结果包括所述每个数据属于多个预定类别中每个预定类别的第二概率值；所述根据所述第二分类结果从所述未标注数据集中获取数据，得到备选扩充数据包括：根据所述第二分类结果，确定所述每个数据的预测类别；统计所述未标注数据集中各数据的预测类别，得到分别对应所述多个预定类别的多个数据组，所述多个数据组中每个数据组包括的数据的预测类别为对应所述每个数据组的预定类别；以及针对所述多个数据组中的每个数据组，从所述每个数据组中获取针对预测类别的概率值较大的第二预定数量个数据。6.根据权利要求1所述的方法，其中，所述周期性地采用所述目标数据更新所述已标注2CN114241243A权利要求书2/3页数据集包括：每间隔预定迭代次数，将所述目标数据复制为第三预定数量份的数据；以及将所述第三预定数量份的数据添加至所述已标注数据集。7.根据权利要求5所述的方法，其中，所述多个预定类别中包括正常类别和多个异常类别；所述根据所述第二分类结果，确定所述每个数据的预测类别包括：响应于所述每个数据属于所述多个异常类别的多个第二概率值的和小于第二概率阈值，确定所述每个数据的类别为正常类别；以及响应于所述多个第二概率值的和大于等于所述第二概率阈值，且所述多个第二概率值中存在大于等于第三概率阈值的概率值，确定所述每个数据的类别为与大于等于所述第三概率阈值的概率值相对应的异