[发明专利]分类网络训练方法、装置、计算机设备及存储介质

说明书

本发明涉及人工智能技术领域，尤其涉及一种分类网络训练方法、装置、计算机设备及存储介质。该分类网络训练方法包括获取训练样本集；按照批处理量大小从训练样本集中随机抽取第一样本集；将每一第一训练样本分别输入至待训练的第一分类网络中以及第二分类网络中进行分类，获取每一第一训练样本对应的第一损失值以及第二损失值；分别对第一样本集对应的多个第一损失值以及多个第二损失值进行递增顺序排序，并选取第一损失值排在前N位的第一训练样本作为第二样本集，第二损失值排在前N位的第二训练样本作为第三样本集；通过第二样本集训练第二分类网络；通过第三样本集训练第一分类网络。该方法可有效降低错误分类样本对网络训练的影响。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种分类网络训练方法、装置、计算机设备及存储介质。

背景技术

目前，由于深度学习网络的参数空间较大，具有非常强的泛化和拟合能力，因此当训练数据集中存在一定比例的错误标注数据，很容易会被网络学习，即在错误标注数据上拟合，从而影响模型鲁棒性。

在车损伤数据中，由于车损伤形态的千变万化以及损失程度等考虑因素较多，一般需要专业的定损专家才能保证标注数据的准确性，但是借助车损定损专家进行车损等级标注的代价太高，而借助普通的经过培训的标注人员进行车损等级标注，会使得到的训练数据集中存在部分错误标注数据，仍然无法保证模型鲁棒性，因此，如何使网络在存在部分错误标注数据的训练数据集上进行训练，且可同时保证模型鲁棒性已成为目前亟待解决的问题。

发明内容

本发明实施例提供一种分类网络训练方法、装置、计算机设备及存储介质，以解决网络在存在部分错误标注数据的训练数据集上进行训练，无法保证模型鲁棒性的问题。

一种分类网络训练方法，包括：

获取训练样本集；其中，所述训练样本集包括不同分类标签对应的正确分类样本以及错误分类样本；

按照批处理量大小从所述训练样本集中随机抽取第一样本集；其中，所述第一样本集对应多个第一训练样本；

将每一所述第一训练样本输入至待训练的第一分类网络中进行分类，获取所述每一所述第一训练样本对应的第一损失值；以及，将每一所述第一训练样本输入至待训练的第二分类网络中进行分类，获取每一所述第一训练样本对应的第二损失值；

对所述第一样本集对应的多个第一损失值进行递增顺序排序，并选取所述第一损失值排在前N位的所述第一训练样本作为第二样本集；以及，对所述所述第一样本集对应的多个第二损失值进行递增顺序排序，并选取所述第二损失值排在前N位的所述第一训练样本作为第三样本集；

通过所述第二样本集训练所述第二分类网络；以及，通过所述第三样本集训练所述第一分类网络。

一种分类网络训练装置，包括：

样本集获取模块，用于获取训练样本集；其中，所述训练样本集包括不同分类标签对应的正确分类样本以及错误分类样本；

样本抽取模块，用于按照批处理量大小从所述训练样本集中随机抽取第一样本集；其中，所述第一样本集对应多个第一训练样本；

损失输出模块，用于将每一所述第一训练样本输入至待训练的第一分类网络中进行分类，获取所述每一所述第一训练样本对应的第一损失值；以及，将每一所述第一训练样本输入至待训练的第二分类网络中进行分类，获取每一所述第一训练样本对应的第二损失值；

样本过滤模块，用于对所述第一样本集对应的多个第一损失值进行递增顺序排序，并选取所述第一损失值排在前N位的所述第一训练样本作为第二样本集；以及，对所述所述第一样本集对应的多个第二损失值进行递增顺序排序，并选取所述第二损失值排在前N位的所述第一训练样本作为第三样本集；

联合训练模块，用于通过所述第二样本集训练所述第二分类网络；以及，通过所述第三样本集训练所述第一分类网络。