[发明专利]分类模型的训练方法、图像处理方法及装置

说明书

本发明提供了一种分类模型的训练方法、图像处理方法及装置，分类模型包括特征提取网络和全连接网络，该方法包括：将样本图像输入至分类模型，得到样本图像对应的特征图；将特征图输入至全连接网络，得到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；根据目标损失值，更新分类模型的参数。本发明可以使训练后的分类模型输出预测结果的置信度。

技术领域

本发明涉及神经网络技术领域，尤其是涉及一种分类模型的训练方法、图像处理方法及装置。

背景技术

神经网络是一种具有自学和自适应能力的机器学习模型，通过利用训练集对神经网络进行训练，可以使神经网络完成指定的任务，例如实现人脸识别或目标检测等任务，目前将图像或视频等输入至训练后的神经网络，可以得到训练后的神经网络针对输入的图像或视频输出的预测结果，但是用户无法获知该预测结果的可信程度。

发明内容

有鉴于此，本发明的目的在于提供一种分类模型的训练方法、图像处理方法及装置，可以使训练后的分类模型输出结果的置信度。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种分类模型的训练方法，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。

在一种实施方式中，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，通过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。

在一种实施方式中，所述方法还包括：根据分类损失函数和正则化项确定所述目标损失函数，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。

在一种实施方式中，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。

在一种实施方式中，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。

在一种实施方式中，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。

在一种实施方式中，所述特征图对应于所述样本图像的特征分布。

在一种实施方式中，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。

在一种实施方式中，根据所述预测结果的方差，确定所述置信度。

第二方面，本发明实施例还提供一种图像处理方法，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，所述预设分类模型为采用如第一方面提供的任一项所述的分类模型的训练方法训练得到。