[发明专利]图像分类模型训练方法、图像分类方法、装置及电子设备

说明书

本发明实施例公开了一种图像分类模型训练方法、图像分类方法、装置及电子设备。该图像分类模型训练方法，包括：确定可逆向输出的可逆神经网络架构；利用训练数据集中的待分类图像，训练可逆神经网络架构得到图像分类模型，以用于输出待分类图像的图像分类结果，基于图像分类结果输出重建的源输入图像。根据本发明实施例，能够在图像分类的过程中减轻存储负担。

技术领域

本发明属于图像分类技术领域，尤其涉及一种图像分类模型训练方法及装置，基于图像分类模型的图像分类方法及装置，电子设备和计算机存储介质。

背景技术

近年来，计算机视觉领域正处于快速发展阶段，图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。现阶段，图像分类是人工智能研究的重要方向之一，应用场景众多，如在交通领域，道路视频监控通过神经网络对图片进行特征值提取、检测识别、图像分类，并且前端摄像机还需要将拍摄到的图片信息存储至服务器中，方便后台人员随时调出图片信息进行审查(如车牌信息、车型信息等)。

现有图像分类的方法在实现图像内容的检测识别后，输出数据为图像内容的特征值与分类信息，由于神经网络的信息处理机制是逐层丢失无关信息，输出层只含关键概率信息，因此传统神经网络结构无法实现通过输出数据重建源输入图像，目前的解决手段都是将源输入图像直接存储至服务器中，因此耗费了巨大的存储空间。而且，神经网络的反向传播需要存储每一层神经元的激活值，随着神经网络的层数增加，存储负担将会逐渐加重。

因此，如何能够在图像分类的过程中减轻存储负担是本领域技术人员亟需解决的技术问题。

发明内容

本发明实施例提供一种图像分类模型训练方法及装置，基于图像分类模型的图像分类方法及装置，电子设备和计算机存储介质，能够在图像分类的过程中减轻存储负担。

第一方面，提供了一种图像分类模型训练方法，包括：

确定可逆向输出的可逆神经网络架构；

利用训练数据集中的待分类图像，训练可逆神经网络架构得到图像分类模型，以用于输出待分类图像的图像分类结果，基于图像分类结果输出重建的源输入图像。

可选地，确定可逆向输出的可逆神经网络架构，包括：

分别确定编码器和解码器中各个网络层之间的连接权重值；

基于编码器、解码器及连接权重值，确定可逆神经网络架构。

可选地，确定可逆向输出的可逆神经网络架构，包括：

确定可逆的权重矩阵和具有严格单调性的激活函数；

基于权重矩阵和激活函数，确定可逆神经网络架构。

可选地，确定可逆向输出的可逆神经网络架构，包括：

确定双向传输信息的神经元；

利用神经元确定可逆神经网络架构。

第二方面，提供了一种基于图像分类模型的图像分类方法，图像分类模型是使用第一方面或者第一方面任一可选的实现方式中的图像分类模型训练方法得到的模型，包括：

获取待分类图像；

将待分类图像输入图像分类模型，输出图像分类结果。

可选地，在输出图像分类结果之后，方法还包括：

将图像分类结果输入图像分类模型，输出重建的源输入图像。

第三方面，提供了一种图像分类模型训练装置，包括：

确定模块，用于确定可逆向输出的可逆神经网络架构；