[发明专利]图像分类模型训练、图像分类方法及相关装置

说明书

本公开提供了图像分类模型训练、图像分类方法、装置、电子设备、计算机可读存储介质及计算机程序产品，涉及计算机视觉和深度学习等人工智能技术领域，可应用于智慧城市等场景。该方法包括：对样本图像集中的样本图像，按批次的执行标准批归一化操作，得到对应批次的所有样本图像在不同特征通道上的全局归一化参数；对样本图像集中的样本图像，按单张分别执行自适应归一化操作，得到每张样本图像分别在不同特征通道上的局部归一化参数；根据每张样本图像的全局归一化参数和局部归一化参数，确定每张样本图像的目标归一化参数；基于经目标归一化参数处理后的样本图像，训练得到图像分类模型。通过该方法提供的图像分类模型可实现更好的图像分类效果。

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于智慧城市等场景，尤其涉及一种图像分类模型训练和图像分类方法，以及以对应的装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

在基于神经网络架构训练得到可用模型的过程中，需要采用大量的训练样本进行迭代训练，为实现稳定和加速训练的效果，训练样本在参与迭代训练时通常需要进行归一化操作。

现有神经网络下通常使用标准的批归一化(Batch Normalization) 方法通过对每一批次(Batch)的数据进行归一化操作，即每批次数据享有统一的归一化参数。

发明内容

本公开实施例提出了一种图像分类模型训练、图像分类方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

第一方面，本公开实施例提出了一种图像分类模型训练方法，包括：对样本图像集中的样本图像，按批次的执行标准批归一化操作，得到对应批次的所有样本图像在不同特征通道上的全局归一化参数；对样本图像集中的样本图像，按单张分别执行自适应归一化操作，得到每张样本图像分别在不同特征通道上的局部归一化参数；根据每张样本图像的全局归一化参数和局部归一化参数，确定每张样本图像的目标归一化参数；基于经目标归一化参数处理后的样本图像，训练得到图像分类模型。

第二方面，本公开实施例提出了一种图像分类模型训练装置，包括：标准批归一化执行单元，被配置成对样本图像集中的样本图像，按批次的执行标准批归一化操作，得到对应批次的所有样本图像在不同特征通道上的全局归一化参数；自适应批归一化执行单元，被配置成对样本图像集中的样本图像，按单张分别执行自适应归一化操作，得到每张样本图像分别在不同特征通道上的局部归一化参数；目标归一化参数确定单元，被配置成根据每张样本图像的全局归一化参数和局部归一化参数，确定每张样本图像的目标归一化参数；图像分类模型训练单元，被配置成基于经目标归一化参数处理后的样本图像，训练得到图像分类模型。

第三方面，本公开实施例提出了一种图像分类方法，包括：获取待分类图像；调用图像分类模型确定待分类图像的所属类别；其中，图像分类模型根据如第一方面中任一实现方式描述的图像分类模型训练方法得到。

第四方面，本公开实施例提出了一种图像分类装置，包括：待分类图像获取单元，被配置成获取待分类图像；模型调用及类别判别单元，被配置成调用图像分类模型确定待分类图像的所属类别；其中，图像分类模型根据如第二方面中任一实现方式描述的图像分类模型训练装置得到。

第五方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的图像分类模型训练方法或如第三方面中任一实现方式描述的图像分类方法。

第六方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的图像分类模型训练方法或如第三方面中任一实现方式描述的图像分类方法。