[发明专利]一种图像类别分类的训练方法及装置

权利要求书

1.一种图像类别分类的训练方法，其特征在于，包括：

获取预检测样本图像集；

构建训练模型，所述训练模型为设置有图像特征长度以及类别数量的神经网络模型；

将所述预检测样本图像集输入至所述训练模型确定正类及正类数量，所述正类为所述预检测样本图像集中的同类图像数据分布，所述正类的数量为所述预检测样本图像集中图像所属类别的类别数量；

通过所述训练模型将所述预检测样本图像集的图像数据平均分布于多张视觉处理器上；

根据所述正类在多张视觉处理器的平均分布的情况确定正类中心及负类中心；

根据所述正类的数量按照预设规则确定随机选取的负类中心的数量，所述负类中心为所述预检测样本图像集中任意两种不同类别的图像数据分布的中心；

根据所述随机选取的负类中心与所述正类中心计算总损失值；

判断所述总损失值是否达到第一预设值；

若否，则根据所述总损失值更新所述训练模型，对所述负类中心的数据进行二次随机选取，并根据二次选取的负类中心与所述正类中心二次计算总损失值，直至总损失值达到第一预设值时，则确定所述训练模型训练完成。

2.根据权利要求1所述的训练方法，其特征在于，所述根据所述正类的数量按照预设规则确定随机选取的负类中心的数量，包括：

设置负类中心采样率；

确定视觉处理器上的图像数据的总类别个数，所述总类别个数为所述预检测样本图像集正类的个数；

根据所述负类中心采样率与所述总类别个数确定需要随机选取的负类中心的数量。

3.根据权利要求2所述的训练方法，其特征在于，所述根据所述随机选取的负类中心与所述正类中心计算总损失值，包括：

计算所述随机选取的负类中心的负类损失值；

分别计算各个所述正类中心的正类损失值；

将所述负类损失值与各个正类损失值进行聚合，计算总损失值。

4.根据权利要求3所述的训练方法，其特征在于，所述预检测样本图像集输入至所述训练模型确定正类及正类数量之前，所述训练方法还包括：

将所述预检测样本图像集进行数据清洗和数据增强。

5.根据权利要求4所述的训练方法，其特征在于，所述判断所述总损失值是否达到第一预设值之后，所述训练方法还包括：

若是，则生成所述训练模型的更新次数值，所述更新次数值为根据总损失值更新所述训练模型的次数；

判断所述训练模型更新次数值是否大于1；

若是，则确定所述训练模型训练完成。

6.根据权利要求5所述的训练方法，其特征在于，所述判断所述训练模型输入次数值是否大于1之后，所述训练方法还包括：

若否，则根据所述总损失值更新所述训练模型，执行步骤：对所述负类中心的数据进行二次随机选取，根据二次选取的负类中心与所述正类中心二次计算总损失值，判断二次计算的总损失值是否达到第一预设值。

7.根据权利要求1至6任意一项所述的训练方法，其特征在于，所述获取预检测样本图像集之后，将所述预检测样本图像集输入至所述训练模型确定正类及正类数量之前，所述训练方法还包括：

标注所述预检测样本图像集中每张样本图像的所属类别；

根据所述预检测样本图像集设置图像数据库，所述图像数据库为标注有各个所属类别的数量的数据库。