[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

说明书

本发明涉及预测数据处理技术领域，公开了一种基于增量学习的数据分类方法、装置、设备及存储介质，所述方法包括：获取待分类的视觉图像数据和初始数据分类模型；在初始数据分类模型不满足预设上线指标规则时，获取与待分类的视觉图像数据相关联的检测视觉数据；根据视觉图像数据、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；通过目标数据分类模型对待分类的视觉图像数据进行分类；通过上述方式，在初始数据分类模型不满足预设上线指标规则时，根据检测视觉数据和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，然后通过目标数据分类模型进行视觉图像数据的分类，从而能够有效提高分类视觉图像数据的准确性和效率。

技术领域

本发明涉及预测数据处理技术领域，尤其涉及基于增量学习的数据分类方法、装置、设备及存储介质。

背景技术

在计算机中，视觉图像数据分类通常是利用卷积神经网络的模型结构，即通过卷积神经网络可以自动提取视觉图像数据的特征，而不需要人工进行特征提取，然而，卷积神经网络的训练往往会遇到灾难性遗忘的问题，例如，在使用旧视觉图像数据训练得到数据分类模型后，再利用新视觉图像数据进行训练，学习新视觉图像数据的知识会覆盖原来旧视觉图像数据的知识，导致新训练的数据分类模型在旧视觉图像数据上指标降低，为解决上述技术问题，目前常用的相关技术为联合训练和旧模型微调训练实现数据分类模型的迭代更新，但是联合训练耗时较长且训练所占用的内存容量较大，而旧模型微调训练后的模型无法满足部署上线的指标规则，造成最终分类视觉图像数据的准确性和效率较低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于增量学习的数据分类方法、装置、设备及存储介质，旨在解决现有技术因分类模型训练时间较长和目标分类模型训练时无法有效利用已训练好的模型知识，造成分类视觉图像数据的准确性和效率较低的技术问题。

为实现上述目的，本发明提供了一种基于增量学习的数据分类方法，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。

可选地，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。

可选地，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。

可选地，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；