[发明专利]图像分类模型的训练方法、图像分类方法及装置

说明书

本公开实施例提供了一种图像分类模型的训练方法、图像分类方法及装置，其中所述图像分类模型的训练方法包括：利用预先标注的样本图像数据对图像分类模型进行迭代训练，并在每次训练后，剔除样本图像数据中所对应预测分类的置信度低的图像数据，直至所述训练后的图像分类模型符合预设收敛条件，得到目标图像分类模型。通过对初步训练得到的初始图像分类模型进行多次迭代训练，并在每次训练后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除，不仅减轻了在训练图像分类模型的过程中对样本进行人工标注，而且提高了所得到目标图像分类模型的鲁棒性和精度。

技术领域

本公开涉及计算机技术领域，特别是涉及一种图像分类模型的训练方法、图像分类方法及装置。

背景技术

近年来，随着短视频应用的逐渐普及，网络上产生的图像数据呈现井喷式的增长，从而使得针对海量数据分类处理的需求也在与日俱增。而人工神经网络系统是由众多的神经元通过可调的连接权重相互连接而成的，具有大规模并行处理、分布式信息存储、良好的学习能力等特点，应用人工神经网络系统对图像数据进行分类处理以成为本领域的发展趋势。

现有技术中，通常是采用人工标注的方法，或者在粗处理的基础上进一步进行人工标注的方式，以使得神经网络模型学习样本数据中的特征，从而对神经网络模型进行优化。

然而对于大规模的数据，在训练的过程中需要不断进行人工审核从而提高样本标注的质量，需要耗费大量的人力资源成本，并且随着数据量的增加，所得到模型鲁棒性也较低。

公开内容

鉴于上述问题，提出了本公开以便提供解决上述问题或者至少部分地解决上述问题的一种图像分类模型的训练方法、图像分类方法及装置。

依据本公开的第一方面，提供了一种图像分类模型的训练方法，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。

可选的，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。

可选的，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。

可选的，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；