Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. CN109583501 - Picture classification and classification recognition model generation method and device, equipment and medium

Note: Texte fondé sur des processus automatiques de reconnaissance optique de caractères. Seule la version PDF a une valeur juridique

[ ZH ]

权利要求书

1.一种图片分类方法,其特征在于,包括:
获取待分类的图片集,所述图片集包括至少两张图片;
将所述图片集输入至预先训练的当前级分类识别模型中,得到每张图片的分类得分;
如果图片的分类得分满足预设条件,则根据所述分类得分确定所述图片的分类识别结果;如果图片的分类得分不满足预设条件,则继续将所述图片输入至预先训练的下一级分类识别模型中,直至得到所述图片的分类识别结果;其中,每级分类识别模型基于神经网络训练生成。

2.根据权利要求1所述的方法,其特征在于,所述将所述图片集输入至预先训练的当前级分类识别模型中,得到每张图片的分类得分之后,还包括:
根据每张图片的分类得分,得到每张图片的分类概率;
图片的分类得分满足预设条件为图片的分类概率大于等于概率阈值;图片的分类得分不满足预设条件为图片的分类概率小于概率阈值。

3.一种分类识别模型的生成方法,其特征在于,包括:
获取训练样本,所述训练样本包括训练图片和所述训练图片的原始分类标签;
将所述训练图片和所述训练图片的原始分类标签输入至神经网络模型中,得到每级神经网络层对训练图片的分类得分,以及,每级全连接层对训练图片的分类得分和分类标签,所述神经网络模型包括N级神经网络层和N-1级全连接层,第i级全连接层位于第i+1级神经网络层之后,N≥3,i∈[1,N-1];
根据第一级神经网络层对训练图片的分类得分和训练图片的原始分类标签,得到所述第一级神经网络层的第一级损失函数;
根据第P-1级全连接层对训练图片的分类得分和分类标签,得到所述第P级神经网络层的第P级损失函数,P∈[2,N];
根据各级损失函数确定神经网络模型的损失函数,并且调整各级神经网络层和各级全连接层的网络参数,直至神经网络模型的损失函数达到预设函数值,则每级神经网络层作为对应级的分类识别模型。

4.根据权利要求3所述的方法,其特征在于,每级全连接层对训练图片的分类得分通过如下方式生成:
根据第一级神经网络层对训练图片的分类得分和第二级神经网络层对训练图片的分类得分,得到第一级全连接层对训练图片的分类得分;
根据第P-1级全连接层对训练图片的分类得分和第P+1级神经网络层对训练图片的分类得分,得到第P级全连接层对训练图片的分类得分,P∈[2,N]。

5.根据权利要求3所述的方法,其特征在于,每级全连接层对训练图片的分类标签通过如下方式生成:
根据第一级神经网络层对训练图片的分类得分更新训练图片的的原始分类标签,得到第一级全连接层对训练图片的分类标签;
根据第P-1级全连接层对训练图片的分类得分更新第P-1级全连接层对训练图片的分类标签,得到第P级全连接层对训练图片的分类标签,P∈[2,N]。

6.根据权利要求5所述的方法,其特征在于,所述根据第一级神经网络层对训练图片的分类得分更新训练图片的的原始分类标签,得到第一级全连接层对训练图片的分类标签,包括:
根据所述第一级神经网络层对训练图片的分类得分,得到所述第一级神经网络层对训练图片的分类概率;
所述第一级神经网络层对训练图片的分类概率大于等于第一概率阈值,则将所述训练图片的原始分类标签修改为预设分类标签,并将所述预设分类标签作为所述第一级全连接层对训练图片的分类标签;
所述第一级神经网络层对训练图片的分类概率小于第一概率阈值,则保持所述训练图片的原始分类标签不变,并将所述训练图片的原始分类标签作为所述第一级全连接层对训练图片的分类标签。

7.根据权利要求6所述的方法,其特征在于,所述根据第P-1级全连接层对训练图片的分类得分更新第P-1级全连接层对训练图片的分类标签,得到第P级全连接层对训练图片的分类标签,P∈[2,N],包括:
根据所述第P-1级全连接层对训练图片的分类得分,得到所述第P-1级全连接层对训练图片的分类概率,P∈[2,N];
所述第P-1级全连接层对训练图片的分类概率大于等于第P概率阈值,则将所述第P-1级全连接层对训练图片的分类标签修改为所述预设分类标签,并将所述预设分类标签作为所述第P级全连接层对训练图片的分类标签;
所述第P-1级全连接层对训练图片的分类概率小于第P概率阈值,则保持所述第P-1级全连接层对训练图片的分类标签不变,并将所述第P-1级全连接层对训练图片的分类标签作为所述第P级全连接层对训练图片的分类标签。

8.根据权利要求7所述的方法,其特征在于,所述根据各级损失函数确定神经网络模型的损失函数,并且调整各级神经网络层和各级全连接层的网络参数,直至神经网络模型的损失函数达到预设函数值,则每级神经网络层作为对应级的分类识别模型,包括:
根据各级损失函数确定神经网络模型的损失函数;
计算所述损失函数对各级神经网络层和各级全连接层的网络参数的偏导数,所述损失函数中预设分类标签对应的训练图片的偏导数为零;
根据所述偏导数调整各级神经网络层和各级全连接层的网络参数,并重新计算所述损失函数,直至所述损失函数达到所述预设函数值,则每级神经网络层作为对应级的分类识别模型。

9.一种图片分类装置,其特征在于,包括:
图片集获取模块,用于获取待分类的图片集,所述图片集包括至少两张图片;
分类结果生成模块,用于将所述图片集输入至预先训练的当前级分类识别模型中,得到每张图片的分类得分;
分类识别结果生成模块,用于如果图片的分类得分满足预设条件,则根据所述分类得分确定所述图片的分类识别结果;如果图片的分类得分不满足预设条件,则继续将所述图片输入至预先训练的下一级分类识别模型中,直至得到所述图片的分类识别结果;其中,每级分类识别模型基于神经网络训练生成。

10.一种分类识别模型的生成装置,其特征在于,包括:
训练样本获取模块,用于获取训练样本,所述训练样本包括训练图片和所述训练图片的原始分类标签;
分类得分和分类标签生成模块,用于将所述训练图片和所述训练图片的原始分类标签输入至神经网络模型中,得到每级神经网络层对训练图片的分类得分,以及,每级全连接层对训练图片的分类得分和分类标签,所述神经网络模型包括N级神经网络层和N-1级全连接层,第i级全连接层位于第i+1级神经网络层之后,N≥3,i∈[1,N-1];
第一级损失函数生成模块,用于根据第一级神经网络层对训练图片的分类得分和训练图片的原始分类标签,得到所述第一级神经网络层的第一级损失函数;
第P级损失函数生成模块,用于根据第P-1级全连接层对训练图片的分类得分和分类标签,得到所述第P级神经网络层的第P级损失函数,P∈[2,N];
分类识别模型生成模块,用于根据各级损失函数确定神经网络模型的损失函数,并且调整各级神经网络层和各级全连接层的网络参数,直至神经网络模型的损失函数达到预设函数值,则每级神经网络层作为对应级的分类识别模型。

11.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8任一所述的方法。

12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8任一所述的方法。