[发明专利]基于增量学习的数据分类方法、装置、设备及存储介质

权利要求书

1.一种基于增量学习的数据分类方法，其特征在于，所述基于增量学习的数据分类方法包括以下步骤：

获取待分类的视觉图像数据和初始数据分类模型；

在所述初始数据分类模型不满足预设上线指标规则时，获取与所述待分类的视觉图像数据相关联的检测视觉数据；

根据所述视觉图像数据、检测视觉数据以及目标损失函数增量训练出目标数据分类模型；

通过所述目标数据分类模型对所述待分类的视觉图像数据进行分类；

所述在所述初始数据分类模型不满足预设上线指标规则时，获取与所述待分类的视觉图像数据相关联的检测视觉数据，包括：

在所述初始数据分类模型不满足预设上线指标规则时，获取所述待分类的视觉图像数据的批次信息；

根据所述批次信息在预设视觉数据库中查询出漏检视觉数据和过检视觉数据；

根据所述漏检视觉数据和过检视觉数据得到与所述待分类的视觉图像数据相关联的检测视觉数据；

所述根据所述视觉图像数据、检测视觉数据以及目标损失函数增量训练出目标数据分类模型，包括：

根据初始数据分类模型和所述视觉图像数据推理出对应的softmax输出值；

通过预设熵值算法对所述softmax输出值进行计算，得到当前熵值；

按照所述当前熵值的大小关系对所述视觉图像数据进行排序，得到视觉图像数据排序结果；

在所述视觉图像数据排序结果中选取出前N个视觉图像数据作为目标视觉图像数据；

根据所述目标视觉图像数据、检测视觉数据以及目标损失函数增量训练出目标数据分类模型；

所述根据所述目标视觉图像数据、检测视觉数据以及目标损失函数增量训练出目标数据分类模型，包括：

获取初始分类损失函数和预设蒸馏损失函数；

将所述初始分类损失函数和所述预设蒸馏损失函数进行拼接，得到目标损失函数；

通过所述目标损失函数根据所述目标视觉图像数据、检测视觉数据训练出目标数据分类模型。

2.如权利要求1所述的基于增量学习的数据分类方法，其特征在于，所述获取待分类的视觉图像数据和初始数据分类模型，包括：

获取待分类的视觉图像数据，对所述待分类的视觉图像数据进行清洗；

对清洗后的视觉图像数据进行特征提取，得到视觉图像特征数据；

根据所述视觉图像特征数据确定所需的卷积层、Pooling层、ReLU层、全连接层、Softmax层的Caffe分类网络；

根据所述所需的卷积层、Pooling层、ReLU层、全连接层、Softmax层的Caffe分类网络训练出初始数据分类模型。

3.如权利要求2所述的基于增量学习的数据分类方法，其特征在于，所述根据所述所需的卷积层、Pooling层、ReLU层、全连接层、Softmax层的Caffe分类网络训练出初始数据分类模型之后，还包括：

在所述初始数据分类模型满足预设上线指标规则时，对所述初始数据分类模型进行上线部署。

4.如权利要求1至3中任一项所述的基于增量学习的数据分类方法，其特征在于，所述通过所述目标数据分类模型对所述待分类的视觉图像数据进行分类之前，还包括：

获取所述目标数据分类模型的增量训练耗时和增量占用内存容量；

获取联合模型训练的联合训练耗时和联合占用内存容量；

在所述联合训练耗时大于增量训练耗时且所述联合占用内存容量大于增量占用内存容量时，判断所述目标数据分类模型是否满足预设上线指标规则；

在所述目标数据分类模型满足预设上线指标规则时，继续执行通过所述目标数据分类模型对所述待分类的视觉图像数据进行分类。