[发明专利]分类模型的训练方法、图像处理方法及装置

权利要求书

1.一种分类模型的训练方法，其特征在于，所述分类模型包括特征提取网络和全连接网络，所述方法包括：

将样本图像输入至所述分类模型，得到所述样本图像对应的特征图；

将所述特征图输入至所述全连接网络，得到所述分类模型输出的预测结果和所述预测结果对应的置信度；

根据所述预测结果和所述置信度，确定目标损失值；

根据所述目标损失值，更新所述分类模型的参数。

2.根据权利要求1所述的方法，其特征在于，所述全连接网络包括与所述特征提取网络连接的第一全连接子网络和第二全连接子网络，所述第一全连接子网络和第二全连接子网络包括多个全连接层；

将所述特征图输入至所述全连接网络，得到所述分类模型输出的预测结果和所述预测结果对应的置信度的步骤，包括：

将所述特征图输入至所述第一全连接子网络，确定所述分类模型对所述样本图像的所述预测结果；

将所述特征图输入至所述第二全连接子网络，确定所述预测结果所对应的置信度。

3.根据权利要求1所述的方法，其特征在于，所述根据所述预测结果和所述置信度，确定目标损失值，包括：

根据分类损失函数和正则化项确定目标损失函数，其中，所述正则化项用于表征采样特征与预设分布函数之间的相似度，所述采样特征通过对所述预测结果和所述置信度进行加权求和确定；

根据所述预测结果、所述置信度和所述目标损失函数，确定目标损失值。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

在所述预设分布函数中进行随机采样，得到第一系数；

基于所述第一系数，对所述预测结果和所述置信度进行加权求和，得到所述采样特征。

5.根据权利要求4所述的方法，其特征在于，所述正则化项为KL散度函数，根据所述预测结果和所述置信度计算得到。

6.根据权利要求3-5任一项所述的方法，其特征在于，所述方法还包括：

根据所述预测结果确定所述分类损失函数的第一分量；

根据所述采样特征，确定所述分类损失函数的第二分量；

根据所述第一分量和/或所述第二分量，确定所述分类损失函数。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述特征图对应于所述样本图像的特征分布。

8.根据权利要求7所述的方法，其特征在于，将所述特征图输入至所述全连接网络，得到所述分类模型输出的预测结果，包括：

通过所述全连接网络对所述样本图像的特征分布进行处理，得到所述样本图像的特征分布对应的预测分类分布；

将所述预测分类分布的均值确定为所述预测结果。

9.根据权利要求8所述的方法，其特征在于，根据所述预测结果的方差，确定所述置信度。

10.一种图像处理方法，其特征在于，包括：

获取待处理图像；

通过预设分类模型对待处理图像进行处理，得到所述待处理图像对应的预测结果和所述预测结果对应的置信度，其中，所述预设分类模型采用如权利要求1-9任一项所述的分类模型的训练方法训练得到。

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

当所述预测结果对应的置信度低于预设置信度阈值，输出所述预测结果对应的提示消息。