[发明专利]图像分类模型训练方法、电子设备和计算机可读存储介质

说明书

本申请公开了一种图像分类模型训练方法、电子设备和计算机可读存储介质，该训练方法包括：将训练图像集和变换图像集输入图像分类模型，得到原始概率矩阵和变换概率矩阵；基于原始概率矩阵和概率阈值，得到每种图像类型各自对应的分类集合；每个分类集合包括至多第二数值个概率超过概率阈值的训练图像，且第二数值与图像分类模型的训练次数正相关；基于各个分类集合和变换图像集，得到目标矩阵；目标矩阵包括每两个变换图像是否属于同一图像类型的判断结果；基于目标矩阵和变换概率矩阵，得到损失值，基于损失值调整图像分类模型的参数并更新当前的训练次数，直至满足预设收敛条件。上述方案，能够降低训练难度并提高图像分类的准确率。

技术领域

本申请涉及计算机视觉技术领域，特别是涉及一种图像分类模型训练方法、电子设备和计算机可读存储介质。

背景技术

随着计算机视觉领域的兴起，图像分类作为计算机视觉领域的一个重要分支，为提高图像分类的效率，图像分类模型的训练和应用愈发得到重视，利用训练后的图像分类模型进行图像分类能够有效提高分类效率，但是，现有的图像分类模型通常需要将训练图像是否对应有足够的标注数据作为依据，从而决定采用无监督训练、半监督训练和自监督训练中的一种训练方式，这不但对训练图像的标注提出了具体的要求，同时也增加了训练难度，当训练方法与应用场景不匹配时，训练后的图像分类模型进行图像分类的准确率也不佳。有鉴于此，如何降低训练难度并提高图像分类的准确率成为亟待解决的问题。

发明内容

本申请主要解决的技术问题是提供一种图像分类模型训练方法、电子设备和计算机可读存储介质，能够降低训练难度并提高图像分类的准确率。

为解决上述技术问题，本申请第一方面提供一种图像分类模型训练方法，包括：将训练图像集，以及所述训练图像集对应的变换图像集输入图像分类模型，得到原始概率矩阵和变换概率矩阵；其中，所述训练图像集共包括第一数值个图像类型，所述原始概率矩阵包括所述训练图像集中的每个训练图像属于每种图像类型的概率，所述变换概率矩阵包括所述变换图像集中的每个变换图像属于每种图像类型的概率；基于所述原始概率矩阵和概率阈值，得到每种所述图像类型各自对应的分类集合；每个所述分类集合包括至多第二数值个概率超过所述概率阈值的训练图像，且所述第二数值与所述图像分类模型的训练次数正相关；基于各个所述分类集合和所述变换图像集，得到目标矩阵；所述目标矩阵包括每两个所述变换图像是否属于同一图像类型的判断结果；基于所述目标矩阵和所述变换概率矩阵，得到损失值，基于所述损失值调整所述图像分类模型的参数并更新当前的训练次数，直至满足预设收敛条件，获得训练后的所述图像分类模型。

为解决上述技术问题，本申请第二方面提供一种电子设备，该电子设备包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行上述第一方面所述的方法。

为解决上述技术问题，本申请第三方面提供一种计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现上述第一方面所述的方法。