[发明专利]图像分类模型的训练方法、图像分类方法及装置

权利要求书

1.一种图像分类模型的训练方法，其特征在于，包括：

将样本图像数据输入待训练的图像分类模型进行初步训练，得到初始图像分类模型，所述初始图像分类模型的第一损失值小于第一损失值阈值，所述样本图像数据包括预先标注的标准分类；

将所述样本图像数据输入至所述初始图像分类模型进行二次训练，得到样本预测分类及其相对应的置信度；

在二次训练后的初始图像分类模型不符合预设收敛条件的情况下，剔除所述样本图像数据中，所对应样本预测分类的置信度低于置信度阈值的图像数据；

将剔除后的样本图像数据作为新的样本图像数据，进入所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练，得到样本预测分类以及其相对应的置信度的步骤，直至所述二次训练后的初始图像分类模型符合预设收敛条件，则将所述二次训练后的初始图像分类模型作为目标图像分类模型，所述目标图像分类模型的第二损失值小于第二损失值阈值，所述第二损失值阈值小于所述第一损失值阈值。

2.根据权利1所述的方法，所述预设收敛条件包括：损失值收敛条件或迭代次数收敛条件。

3.根据权利要求2所述的方法，其特征在于，在所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练，得到样本预测分类及其相对应的置信度的步骤之后，还包括：

在所述预设收敛条件包括损失值收敛条件的情况下，根据所述样本预测分类与所述标准分类确定二次训练后的初始图像分类模型的第二损失值；

在所述第二损失值大于所述第二损失值阈值的情况下，确认二次训练后的初始图像分类模型不符合所述预设收敛条件；

在所述第二损失值小于或等于所述第二损失值阈值的情况下，确认二次训练后的初始图像分类模型符合所述预设收敛条件。

4.根据权利要求2所述的方法，其特征在于，在所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练，得到样本预测分类及其相对应的置信度的步骤之后，还包括：

在所述预设收敛条件包括迭代次数收敛条件的情况下，对所述初始图像分类模型的迭代次数进行更新；

在更新后的迭代次数小于迭代次数阈值的情况下，确认二次训练后的初始图像分类模型不符合所述预设收敛条件；

在更新后的迭代次数大于或等于迭代次数阈值的情况下，确认二次训练后的初始图像分类模型符合所述预设收敛条件。

5.根据权利要求1所述的方法，其特征在于，所述将样本图像数据输入待训练的图像分类模型进行初步训练，得到初始图像分类模型的步骤之前，还包括：

获取分辨率高于预设分辨率阈值的初始图像数据；

剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据，得到样本图像数据；

所述初始图像数据中标注区域的密度大于密度阈值。

6.一种图像分类方法，其特征在于，包括：

获取待分类的图像数据；

将所述待分类的图像数据输入目标图像分类模型进行预测，获得目标预测分类，所述目标图像分类模型是通过权利要求1至5中任一所述的图像分类模型的训练方法得到的。

7.一种图像分类模型的训练装置，其特征在于，包括：

第一训练模块，被配置为将样本图像数据输入待训练的图像分类模型进行初步训练，得到初始图像分类模型，所述初始图像分类模型的第一损失值小于第一损失值阈值，所述样本图像数据包括预先标注的标准分类；

第二训练模块，被配置为将所述样本图像数据输入至所述初始图像分类模型进行二次训练，得到样本预测分类及其相对应的置信度；

剔除模块，被配置为在二次训练后的初始图像分类模型不符合预设收敛条件的情况下，剔除所述样本图像数据中，所对应样本预测分类的置信度低于置信度阈值的图像数据；

第三训练模块，被配置为将剔除后的样本图像数据作为新的样本图像数据，进入所述第二训练模块，直至所述二次训练后的初始图像分类模型符合预设收敛条件，则将所述二次训练后的初始图像分类模型作为目标图像分类模型，所述目标图像分类模型的第二损失值小于第二损失值阈值，所述第二损失值阈值小于所述第一损失值阈值。