[发明专利]图像分类处理方法、装置及存储介质

权利要求书

1.一种图像分类处理方法，其特征在于，所述方法包括：

获取多个任务的图像分类请求，所述图像分类请求携带有所述多个任务的待分类图像，且所述待分类图像携带有相应任务的任务标志位；

解析所述图像分类请求，得到所述多个任务的待分类图像；

将所述多个任务的待分类图像输入图像分类模型，得到所述多个任务各自的分类结果，所述图像分类模型是利用深度学习网络，对携带有同一任务标志位的训练样本进行监督训练得到的，所述训练样本来源于所述多个任务的训练图像，不同任务的训练图像携带有不同的任务标志位；

将所述分类结果反馈至发送相应图像分类请求的客户端进行展示。

2.根据权利要求1所述的方法，其特征在于，所述训练图像还携带有采样权重，所述图像分类模型的训练过程，包括：

利用每一次训练的训练样本各自的采样权重，更新相应次训练的多个任务的训练样本；

将所述多个任务的训练样本输入深度学习网络，对携带有同一任务标志位的训练样本进行监督训练，直至训练得到的多个任务的训练样本的损失值满足训练约束条件，将最后训练得到的深度学习模型确定为所述多个任务的图像分类模型。

3.根据权利要求2所述的方法，其特征在于，所述利用每一次训练的训练样本各自的采样权重，更新相应次训练的多个任务的训练样本，包括：

在每一次监督训练过程中，利用上一次训练得到的同一任务的训练样本的损失值，对相应任务的训练样本的采样权重进行调整；

利用调整后的训练样本的采样权重，对相应任务的训练图像进行采样，得到本次训练的多个任务的训练样本。

4.根据权利要求3所述的方法，其特征在于，所述采样权重表征相应训练图像的采样概率，且同一任务的训练图像的损失值越大，相应训练图像的采样权重越大。

5.根据权利要求1～4任一项所述的方法，其特征在于，所述图像分类模型的训练过程，包括：

在对携带有任一任务标志位的训练图像进行监督训练过程中，获取所述任务标志位对应的损失函数；

利用所述损失函数，对携带相应任务标志位的训练图像进行监督训练。

6.根据权利要求5所述的方法，其特征在于，所述对携带有同一任务标志位的训练图像进行监督训练，得到图像分类模型，还包括：

获取多个任务标志位各自对应的分类子网络，所述分类子网络包括所述深度学习网络的卷积层、全连接层及预设网络的一个或多个的组合；

所述利用所述损失函数，对携带相应任务标志位的训练图像进行监督训练，包括：

利用同一任务标志位对应的分类子网络和损失函数，对携带任务标志位的训练图像进行监督训练。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

获取与所述分类结果相匹配的业务信息；

将所述业务信息反馈至发送相应图像分类请求的客户端进行展示。

8.一种图像分类处理装置，其特征在于，所述装置包括：

请求获取模块，用于获取多个任务的图像分类请求，所述图像分类请求携带有所述多个任务的待分类图像，且所述待分类图像携带有相应任务的任务标志位；

请求解析模块，用于解析所述图像分类请求，得到所述多个任务的待分类图像；

图像分类模块，用于将所述多个任务的待分类图像输入图像分类模型，得到所述多个任务各自的分类结果，所述图像分类模型是利用深度学习网络，对携带有同一任务标志位的训练样本进行监督训练得到的，所述训练样本来源于所述多个任务的训练图像，不同任务的训练图像携带有不同的任务标志位；

数据反馈模块，用于将所述分类结果反馈至发送相应图像分类请求的客户端进行展示。