【技術實現步驟摘要】
本公開的實施例涉及計算機，具體涉及圖像分類模型訓練方法、圖像分類方法、裝置和設備。
技術介紹
1、目前，圖像分類任務是深度學習和計算機視覺的基礎和重要研究方向。實踐中，常常使用圖像分類神經網絡模型來實現圖像的分類。對于圖像分類神經網絡模型的模型訓練，需要大量標簽數據。對于標簽圖像樣本的生成，通常采用的方式為：針對無標簽圖像，由相關標注人員人為進行多標簽標注，以得到標簽圖像樣本。
2、然而，專利技術人發現，當采用上述方式來生成標簽圖像樣本，經常會存在如下技術問題：
3、針對多標簽的圖像標注，由于標簽類別較多，且不同標簽類別對應的類別標注對應不同的標注標準，導致人為標注成本較大，不夠準確、且不夠高效。
4、該
技術介紹
部分中所公開的以上信息僅用于增強對本專利技術構思的背景的理解，并因此，其可包含并不形成本國的本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、本公開的內容部分用于以簡要的形式介紹構思，這些構思將在后面的具體實施方式部分被詳細描述。本公開的內容部分并不旨在標識要求保護的技術方案的關鍵特征或必要特征，也不旨在用于限制所要求的保護的技術方案的范圍。
2、本公開的一些實施例提出了圖像分類模型訓練方法、圖像分類方法、裝置、電子設備、計算機可讀介質和程序產品，來解決以上
技術介紹
部分提到的技術問題。
3、第一方面，本公開的一些實施例提供了一種圖像分類模型訓練方法，包括：獲取目標標簽集；對上述目標標簽集進行語義分類，得到
4、可選地，上述根據所得到的至少一個訓練圖像樣本集，對初始圖像分類模型進行模型訓練，得到圖像分類模型，包括：從上述至少一個訓練圖像樣本集中選取訓練圖像樣本，作為目標訓練圖像樣本，以及執行以下訓練步驟：將上述目標訓練圖像樣本包括的圖像輸入至圖像特征提取模型，以生成圖像特征信息；利用上述初始圖像分類模型，生成上述至少一個分類標簽組中的每個分類標簽組對應的標簽特征信息組，得到至少一個標簽特征信息組；利用上述初始圖像分類模型，根據上述至少一個標簽特征信息組和上述圖像特征信息，生成分類損失信息；根據上述分類損失信息，確定上述初始圖像分類模型是否模型訓練完成；響應于訓練完成，將上述初始圖像分類模型確定為圖像分類模型。
5、可選地，上述方法還包括：響應于確定初始圖像分類模型未訓練完成，調整初始圖像分類模型中的相關模型參數，以及從上述至少一個訓練圖像樣本集中重新選取目標訓練圖像樣本，繼續執行上述訓練步驟。
6、可選地，上述初始圖像分類模型包括：基于第一注意力機制的初始編碼模型；以及上述生成上述至少一個分類標簽組中的每個分類標簽組對應的標簽特征信息組，包括：將上述分類標簽組中的各個分類標簽輸入至上述基于第一注意力機制的初始編碼模型，以生成上述標簽特征信息組。
7、可選地，上述初始圖像分類模型還包括：基于第二注意力機制的初始解碼模型；以及上述根據上述至少一個標簽特征信息組和上述圖像特征信息，生成分類損失信息，包括：將上述至少一個標簽特征信息組和上述圖像特征信息輸入至上述基于第二注意力機制的初始解碼模型，以輸出針對各個標簽類別的分類結果；根據上述目標訓練圖像樣本包括的標簽類別信息和上述分類結果，生成上述分類損失信息。
8、第二方面，本公開的一些實施例提供了一種圖像分類模型訓練裝置，包括：第一獲取單元，被配置成獲取目標標簽集；語義分類單元，被配置成對上述目標標簽集進行語義分類，得到至少一個分類標簽組；分配單元，被配置成對于上述至少一個分類標簽組中的每個分類標簽組，將上述分類標簽組分配至對應的數據標注端，以供上述數據標注端生成與上述分類標簽組相對應的訓練圖像樣本集；訓練單元，被配置成根據所得到的至少一個訓練圖像樣本集，對初始圖像分類模型進行模型訓練，得到圖像分類模型。
9、可選地，訓練單元可以被配置成：從上述至少一個訓練圖像樣本集中選取訓練圖像樣本，作為目標訓練圖像樣本，以及執行以下訓練步驟：將上述目標訓練圖像樣本包括的圖像輸入至圖像特征提取模型，以生成圖像特征信息；利用上述初始圖像分類模型，生成上述至少一個分類標簽組中的每個分類標簽組對應的標簽特征信息組，得到至少一個標簽特征信息組；利用上述初始圖像分類模型，根據上述至少一個標簽特征信息組和上述圖像特征信息，生成分類損失信息；根據上述分類損失信息，確定上述初始圖像分類模型是否模型訓練完成；響應于訓練完成，將上述初始圖像分類模型確定為圖像分類模型。
10、可選地，訓練單元可以被配置成：響應于確定初始圖像分類模型未訓練完成，調整初始圖像分類模型中的相關模型參數，以及從上述至少一個訓練圖像樣本集中重新選取目標訓練圖像樣本，繼續執行上述訓練步驟。
11、可選地，上述初始圖像分類模型包括：基于第一注意力機制的初始編碼模型；以及訓練單元可以被配置成：將上述分類標簽組中的各個分類標簽輸入至上述基于第一注意力機制的初始編碼模型，以生成上述標簽特征信息組。
12、可選地，上述初始圖像分類模型還包括：基于第二注意力機制的初始解碼模型；以及訓練單元可以被配置成：將上述至少一個標簽特征信息組和上述圖像特征信息輸入至上述基于第二注意力機制的初始解碼模型，以輸出針對各個標簽類別的分類結果；根據上述目標訓練圖像樣本包括的標簽類別信息和上述分類結果，生成上述分類損失信息。
13、第三方面，本公開的一些實施例提供了一種圖像分類方法，包括：獲取目標圖像和至少一個分類標簽組對應的至少一個目標標簽特征信息組，其中，上述至少一個目標標簽特征信息組是基于圖像分類模型預先生成的，上述圖像分類模型是基于第一方面對應的圖像分類模型訓練方法生成的；生成針對上述目標圖像的圖像特征信息，作為目標圖像特征信息；根據上述至少一個目標標簽特征信息組和上述目標圖像特征信息，利用上述圖像分類模型，生成針對上述目標圖像的圖像分類結果。
14、可選地，上述圖像分類模型包括：基于第一注意力機制的編碼模型；以及上述至少一個目標標簽特征信息組通過以下步驟生成：對于上述至少一個分類標簽組中的每個分類標簽組，將上述分類標簽組中的各個分類標簽輸入至上述基于第一注意力機制的編碼模型，以生成標簽特征信息組，作為目標標簽特征信息組。
15、可選地，上述圖像分類模型包括：基于第二注意力機制的解碼模型；以及上述根據上述至少一個目標標簽特征信息組和上述目標圖像特征信息，利用上述圖像分類模型，生成針對上述目標圖像的圖像分類結果，包括：將上述至少一個目標標簽特征信息組和上述目標圖像特征信息輸入至上述基于第二注意力機制的解碼模型，以生成上述圖像分類結果。
16、第四方面，本公開的一些實施例提供了一種圖像分類裝本文檔來自技高網...
【技術保護點】
1.一種圖像分類模型訓練方法，包括：
2.根據權利要求1所述的方法，其中，所述根據所得到的至少一個訓練圖像樣本集，對初始圖像分類模型進行模型訓練，得到圖像分類模型，包括：
3.根據權利要求2所述的方法，其中，所述方法還包括：
4.根據權利要求2所述的方法，其中，所述初始圖像分類模型包括：基于第一注意力機制的初始編碼模型；以及
5.根據權利要求4所述的方法，其中，所述初始圖像分類模型還包括：基于第二注意力機制的初始解碼模型；以及
6.一種圖像分類方法，包括：
7.根據權利要求6所述的方法，其中，所述圖像分類模型包括：基于第一注意力機制的編碼模型；以及
8.根據權利要求6所述的方法，其中，所述圖像分類模型包括：基于第二注意力機制的解碼模型；以及
9.一種圖像分類模型訓練裝置，包括：
10.一種圖像分類裝置，包括：
11.一種電子設備，包括：
12.一種計算機可讀介質，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現如權利要求1-8中任一所述的
13.一種計算機程序產品，包括計算機程序，所述計算機程序在被處理器執行時實現根據權利要求1-8中任一項所述的方法。
...【技術特征摘要】
1.一種圖像分類模型訓練方法，包括：
2.根據權利要求1所述的方法，其中，所述根據所得到的至少一個訓練圖像樣本集，對初始圖像分類模型進行模型訓練，得到圖像分類模型，包括：
3.根據權利要求2所述的方法，其中，所述方法還包括：
4.根據權利要求2所述的方法，其中，所述初始圖像分類模型包括：基于第一注意力機制的初始編碼模型；以及
5.根據權利要求4所述的方法，其中，所述初始圖像分類模型還包括：基于第二注意力機制的初始解碼模型；以及
6.一種圖像分類方法，包括：
7.根據權利要求6所述的方法，...
【專利技術屬性】
技術研發人員：劉朋樟，周君棟，謝奇奇，梁鐸瀚，張屹峰，包勇軍，顏偉鵬，
申請(專利權)人：北京沃東天駿信息技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。