CN116310582A - 分类模型训练方法、图像分类方法、装置、介质及设备 - Google Patents

分类模型训练方法、图像分类方法、装置、介质及设备 Download PDF

Info

Publication number
CN116310582A
CN116310582A CN202310324390.7A CN202310324390A CN116310582A CN 116310582 A CN116310582 A CN 116310582A CN 202310324390 A CN202310324390 A CN 202310324390A CN 116310582 A CN116310582 A CN 116310582A
Authority
CN
China
Prior art keywords
image
classification model
image classification
vector
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310324390.7A
Other languages
English (en)
Inventor
杨志雄
雷鑫华
杨延展
李永会
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Original Assignee
Douyin Vision Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Douyin Vision Co Ltd filed Critical Douyin Vision Co Ltd
Priority to CN202310324390.7A priority Critical patent/CN116310582A/zh
Publication of CN116310582A publication Critical patent/CN116310582A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种分类模型训练方法、图像分类方法、装置、介质及设备。训练方法包括：对视觉语言模型进行预训练，得到原始图像分类模型；根据预设类别提示信息和原始图像分类模型在微调过程中学习到的动态类别提示信息，对原始图像分类模型进行微调，得到目标图像分类模型。预设类别提示信息与图像端解耦，实现语言侧的数据增强，更好地捕捉图像与语言之间的关系，提升图像分类模型的泛化性和分类效果，使得模型训练更加稳定，收敛更快。另外，采用少量的训练数据先对视觉语言模型进行预训练，之后根据预设类别提示信息和动态类别提示信息，对预训练得到的原始图像分类模型进行微调，这样，通过少量的训练数据也能够获得性能较好的图像分类模型。

Description

分类模型训练方法、图像分类方法、装置、介质及设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种分类模型训练方法、图像分类方法、装置、介质及设备。
背景技术
视觉语言任务(例如，图像分类、图像问答等)通常仅依靠语言信息的表示能力，这样，不足以很好地完成任务，并且，不同的图像特征和语言表示可能存在不匹配的情况，导致视觉语言任务的效果受到影响。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种图像分类模型训练方法，包括：
对视觉语言模型进行预训练，得到原始图像分类模型；
根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，得到目标图像分类模型，其中，所述动态类别提示信息的初始值为空。
第二方面，本公开提供一种图像分类方法，包括：
获取待分类图像；
根据所述待分类图像、预设类别提示信息以及目标类别提示信息，通过预先训练好的目标图像分类模型，生成所述待分类图像的目标分类结果，其中，所述目标图像分类模型是根据本公开第一方面提供的所述图像分类模型训练方法训练得到的，所述目标类别提示信息为所述目标图像分类模型训练完成时学习到的动态类别提示信息。
第三方面，本公开提供一种图像分类模型训练装置，包括：
预训练模块，用于对视觉语言模型进行预训练，得到原始图像分类模型；
微调模块，用于根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，得到目标图像分类模型，其中，所述动态类别提示信息的初始值为空。
第四方面，本公开提供一种图像分类装置，包括：
获取模块，用于获取待分类图像；
分类模块，用于根据所述待分类图像、预设类别提示信息以及目标类别提示信息，通过预先训练好的目标图像分类模型，生成所述待分类图像的目标分类结果，其中，所述目标图像分类模型是本公开第一方面提供的所述图像分类模型训练方法训练得到的，所述目标类别提示信息为所述目标图像分类模型训练完成时学习到的动态类别提示信息。
第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述图像分类模型训练方法的步骤或者第二方面提供的所述图像分类方法的步骤。
第六方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述图像分类模型训练方法的步骤或者第二方面提供的所述图像分类方法的步骤。
在上述技术方案中，首先，对视觉语言模型进行预训练，得到原始图像分类模型；然后，根据预设类别提示信息和原始图像分类模型在微调过程中学习到的动态类别提示信息，对原始图像分类模型进行微调，得到目标图像分类模型。其中，预设类别提示信息与图像端解耦，能够进行语言侧的数据增强，从而能够更好地捕捉图像与语言之间的关系，提升图像分类模型的泛化性和分类效果，同时使得模型训练更加稳定，收敛更快。另外，视觉语言模型通常规模较大，训练模型需要大量的训练数据，而训练数据通常比较有限，因此，可以采用少量的训练数据先对视觉语言模型进行预训练，之后，根据预设类别提示信息和动态类别提示信息，对预训练得到的原始图像分类模型进行微调，这样，通过少量的训练数据也能够获得性能较好的图像分类模型，使得大规模模型的训练成为可能。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种图像分类模型训练方法的流程图。
图2是根据一示例性实施例示出的一种根据预设类别提示向量、动态类别提示向量以及每一样本图像，通过原始图像分类模型生成每一样本图像的预测分类结果的过程示意图。
图3是根据一示例性实施例示出的一种图像分类方法的流程图。
图4是根据一示例性实施例示出的一种图像分类模型训练装置的框图。
图5是根据一示例性实施例示出的一种图像分类装置的框图。
图6是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
正如背景技术中论述的那样，视觉语言任务存在语言表示能力不足、图像和语言表示不匹配这些技术问题。现阶段主要通过以下三种方式来解决这些技术问题：(1)训练大型多模态语言模型：模型通过大量的语言数据学习到语言表示，并将语言表示与图像特征相结合进行视觉语言任务；(2)设计视觉语言模型：模型通过设计的架构和学习策略学习到图像和语言的表示，从而实现视觉语言任务；(3)采用对抗学习：模型通过对抗学习的方式生成与真实样本不匹配的样本，从而强化模型对图像和语言表示之间的匹配。
尽管上述三种方案取得了一定的效果，但也存在一些缺陷。例如，训练大型模型多模态语言需要大量的语言数据，而且不一定能够很好地捕捉图像和语言之间的关系。对抗学习的方法可能会使模型产生过拟合现象，从而降低模型的效果。
鉴于此，本公开提供一种分类模型训练方法、图像分类方法、装置、介质及设备。
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1是根据一示例性实施例示出的一种图像分类模型训练方法的流程图。如图1所示，该图像分类模型训练方法可以包括以下S101和S102。
在S101中，对视觉语言模型进行预训练，得到原始图像分类模型。
在S102中，根据预设类别提示信息和原始图像分类模型在微调过程中学习到的动态类别提示信息，对原始图像分类模型进行微调，得到目标图像分类模型。
在本公开中，预设类别提示信息可以为一个，也可以为多个，同样地，动态类别提示信息可以为一个，也可以为多个。动态类别提示信息的初始值为空，其在原始图像分类模型微调过程中动态变化。
预设类别提示信息可以是用于对图像类别进行描述的提示信息，可以包括文本形式的描述信息，例如，这是一只动物。其中，图像类别可以是根据实际业务场景确定的任意合适的类别，可以包括但不限于图像中包含的对象的类别(例如，猫、狗、兔子、老虎等)、图像表示的场景的类别(例如，室内、机场、车站、商场等)、图像中目标对象的状态类别(如有缺陷、无缺陷等)中的任一种。
在上述技术方案中，首先，对视觉语言模型进行预训练，得到原始图像分类模型；然后，根据预设类别提示信息和原始图像分类模型在微调过程中学习到的动态类别提示信息，对原始图像分类模型进行微调，得到目标图像分类模型。其中，预设类别提示信息与图像端解耦，能够进行语言侧的数据增强，从而能够更好地捕捉图像与语言之间的关系，提升图像分类模型的泛化性和分类效果，同时使得模型训练更加稳定，收敛更快。另外，视觉语言模型通常规模较大，训练模型需要大量的训练数据，而训练数据通常比较有限，因此，可以采用少量的训练数据先对视觉语言模型进行预训练，之后，根据预设类别提示信息和动态类别提示信息，对预训练得到的原始图像分类模型进行微调，这样，通过少量的训练数据也能够获得性能较好的图像分类模型，使得大规模模型的训练成为可能。
下面针对上述S101中的对视觉语言模型进行预训练，得到原始图像分类模型的具体实施方式进行详细说明。
具体来说，视觉语言模型可以包括：图像编码器，依次连接的第一残差模块、文本编码器、第二残差模块以及混合处理模块，其中，图像编码器与第二残差模块连接。在预训练阶段，图像编码器和文本编码器参与模型预训练，第一残差模块、第二残差模块以及混合处理模块不参与模型预训练。具体来说，可以通过以下步骤[1]～步骤[5]来对视觉语言模型进行预训练：
步骤[1]：获取样本图像、该样本图像的标注分类结果以及预设类别提示信息。
步骤[2]：对预设类别提示信息进行向量化处理，得到预设类别提示向量。
具体来说，预设类别提示信息为文本，可以先将预设类别提示信息进行分词，之后，使用词嵌入模型将各分词映射为向量表示，从而得到预设类别提示向量。
步骤[3]：通过图像编码器生成样本图像的图像特征，同时根据预设类别提示向量，通过文本编码器生成每一预设图像类别对应的第三文本向量。
步骤[4]：分别计算各第三文本向量与样本图像的图像特征之间的第一相似度，并根据各第一相似度确定样本图像的预测分类结果。
在本公开中，预测分类结果可以包括样本图像所属的预测图像类别，相应地，标注分类结果可以包括样本图像所属的标注图像类别；或者，预测分类结果可以包括样本图像属于每一预设图像类别的预测概率，相应地，标注分类结果可以包括样本图像属于每一预设图像类别的标注概率。其中，当样本图像属于某一预设图像类别时，该样本图像属于该预设图像类别的标注概率为1，该样本图像属于其他预设图像类别的标注概率均为0。
当预测分类结果包括样本图像所属的预测图像类别时，可以将目标文本向量对应的样本图像所属的预测图像类别，其中，目标文本向量为各第一相似度中的最大值对应的第三文本向量。
当预测分类结果样本图像属于每一预设图像类别的预测概率的情况下，可以针对每一第三文本向量，可以将该第三文本向量与样本图像的图像特征之间的第一相似度，确定为样本图像属于该第三文本向量对应的预设图像类别的预测概率。
步骤[5]：根据预测分类结果和标注分类结果，对图像编码器和文本编码器进行模型参数更新。
具体来说，可以根据预测分类结果和标注分类结果，计算模型损失，之后，根据模型损失，对图像编码器和文本编码器进行模型参数更新。
另外，对视觉语言模型进行预训练后所得的原始图像分类模型的结构与上述视觉语言模型的结构是相同的。即原始图像分类模型包括：图像编码器，依次连接的第一残差模块、文本编码器、第二残差模块以及混合处理模块，其中，图像编码器与第二残差模块连接。
下面针对上述S102中的根据预设类别提示信息和原始图像分类模型在微调过程中学习到的动态类别提示信息，对原始图像分类模型进行微调的具体实施方式进行详细说明。具体来说，可以通过以下步骤(1)～步骤(4)来实现：
步骤(1)：获取多个样本图像和每一样本图像对应的标注分类结果。
具体来说，可以先获取多个原始图像；然后，针对每一原始图像，将该原始图像缩放至预设尺寸(例如，224mm*224mm)，得到样本图像。这样，可以将原始图像调整为预设尺寸，以符合图像编码器的输入要求。
步骤(2)：对预设类别提示信息进行向量化处理，得到预设类别提示向量，并对动态类别提示信息进行向量化处理，得到动态类别提示向量。
具体来说，动态类别提示信息为文本，可以先将动态类别提示信息进行分词，之后，使用词嵌入模型将各分词映射为向量表示，从而得到动态类别提示向量。
步骤(3)：根据预设类别提示向量、动态类别提示向量以及每一样本图像，通过原始图像分类模型生成每一样本图像的预测分类结果。
步骤(4)：根据每一预测分类结果和每一标注分类结果，更新动态类别提示向量和原始图像分类模型的模型参数。
下面针对上述步骤(3)根据预设类别提示向量、动态类别提示向量以及每一样本图像，通过原始图像分类模型生成每一样本图像的预测分类结果的具体实施方式进行详细说明。具体来说，上述预设类别提示向量和动态类别提示向量均为多个，此时，可以通过图2中所示(图2中以一个样本图像进行示例说明)的步骤来实现：
首先，针对每一预设类别提示向量(图2中以四个预设类别提示向量为了进行说明)，通过第一残差模块对该预设类别提示向量和所有动态类别提示向量进行加和，得到第一文本向量。
然后，通过文本编码器生成每一第一文本向量的文本特征。
最后，针对每一样本图像，通过图像编码器生成该样本图像的图像特征；通过第二残差模块将每一对文本特征和该样本图像的图像特征进行加和，得到混合特征；根据混合特征，通过混合处理模块生成每一预设图像类别对应的第二文本向量；根据每一第二文本向量和该样本图像的图像特征，确定该样本图像的预测分类结果。
其中，混合处理模块用于将混合特征中的文本特征和图像特征进行混合，为图像分类做准备。示例地，上述混合处理模块可以为多层感知机(Multilayer Perceptron，MLP)，其中，该多层感知机可以包括依次连接的第一全连接层、非线性激活层以及第二全连接层。
另外，可以根据每一第二文本向量和该样本图像的图像特征，通过以下方式确定该样本图像的预测分类结果：
针对每一第二文本向量，计算该第二文本向量与该样本图像的图像特征的第二相似度；之后，根据各第二相似度，确定该样本图像的预测分类结果。
其中，可以采用与上述步骤[4]中根据各第一相似度确定样本图像的预测分类结果的类似的方式来根据各第二相似度，确定该样本图像的预测分类结果，这里不再赘述。
在上述实施方式中，除了预设类别提示信息和动态类别提示信息的残差学习外，还同时利用图像和语言的特征残差学习，使得模型训练更加稳定，将图像特征跟文本特征结合，加强视图像和语言之间配准，进一步提升了图像分类模型的分类准确度。
下面针对上述步骤(4)中的根据每一预测分类结果和每一标注分类结果，更新动态类别提示向量和原始图像分类模型的模型参数的具体实施方式进行详细说明。
具体来说，可以通过以下步骤(41)和步骤(42)来实现：
步骤(41)：根据每一预测分类结果和每一标注分类结果，计算原始图像分类模型的目标损失。
示例地，可以根据每一预测分类结果和每一标注分类结果，通过以下等式(1)～等式(5)计算原始图像分类模型的目标损失：
Figure BDA0004154527740000101
Figure BDA0004154527740000102
Figure BDA0004154527740000103
Figure BDA0004154527740000111
p'mk＝pm+hk,m＝{1,2,…,M},k＝{1,2,…,K} (5)
其中，Lvl为目标损失；xi为多个样本图像中的第i个样本图像；Pr(c|xi)为多个样本图像中第i个样本图像属于第c个预设图像类别的预测概率；yic为多个样本图像中第i个样本图像属于第c个预设图像类别的标注概率；N为样本图像的数量；C为预设图像类别的类别数；K为预设类别提示向量的数量；M为动态类别提示向量的数量；pm为第m个动态类别提示向量；hk为第k个预设类别提示向量；p'mk为第m个动态类别提示向量与第k个预设类别提示向量的和；wc为第c个预设图像类别向量(通过对第c个预设图像类别进行向量化处理得到)；
Figure BDA0004154527740000112
是将p1'k、p'2k、…、p'Mk、wc级联后所得的向量；fi为多个样本图像中第i个样本图像的图像特征；/>
Figure BDA0004154527740000113
将/>
Figure BDA0004154527740000114
输入到文本编码器后生成的文本特征；/>
Figure BDA0004154527740000115
为多个样本图像中第i个样本图像的图像特征与K个文本特征/>
Figure BDA0004154527740000116
的和；τ为温度系数，为预先设置的超参数值。
步骤(42)：根据目标损失，更新动态类别提示向量和混合处理模块的模型参数。
在本公开中，根据目标损失，更新动态类别提示向量和混合处理模块的模型参数，而文本编码器和图像编码器的模型参数在模型微调阶段均固定不变。
另外，可以利用目标损失和自适应矩估计(Adaptive Moment Estimation，Adam)优化器来更新混合处理模块的模型参数，示例地，利用目标损失和Adam优化器训练30个epoch(一个epoch意味着上述多个样本图像中每一个样本图像都参与训练了一次)。Adam优化器是一种基于梯度的优化算法，具有收敛速度快、计算高效、内存占用少等特点。
另外，为了进一步提升目标图像分类模型的分类准确度，可以对原始图像分类模型进行多次参数更新。具体来说，在上述步骤(4)之后，上述S102还可以包括以下步骤(5)和步骤(6)。
步骤(5)：判断是否满足训练截止条件。
在一种实施方式中，训练截止条件可以是训练的轮数达到预设轮数(例如，30个epoch)，该预设轮数可以根据实际使用场景进行设置。
在另一种实施方式，训练截止条件可以是原始图像分类模型的目标损失小于预设阈值，该预设阈值可以根据实际使用场景进行设置。在原始图像分类模型的目标损失小于该预设阈值的情况下，可以认为该原始图像分类模型的分类准确率满足要求，能够对图像进行准确分类。
若不满足训练截止条件，则重复执行上述步骤(1)至步骤(4)，直到满足训练截止条件时为止；若满足训练截止条件，则可以将最近一次模型参数更新后所得的原始图像分类模型确定为目标图像分类模型，即执行以下步骤(6)。
步骤(6)：获得目标图像分类模型。
图3是根据一示例性实施例示出的一种图像分类方法的流程图。如图3所示，该图像分类方法可以包括以下S301和S302。
在S301中，获取待分类图像。
在本公开中，待分类图像可以是任意合适的图像，在实施时，本领域技术人员可以根据实际应用场景选择合适的待分类图像，本公开实施例不做具体限定。例如，待分类图像可以包括但不限于摄像头拍摄的图像、视频或者图像帧序列中的图像帧、医学影像、采用计算机技术生成的图像等中的至少一种。
在S302中，根据待分类图像、预设类别提示信息以及目标类别提示信息，通过目标图像分类模型，生成待分类图像的目标分类结果。
在本公开中，目标图像分类模型是根据本公开提供的上述图像分类模型训练方法训练得到的，目标类别提示信息为目标图像分类模型训练完成时学习到的动态类别提示信息，其是根据目标图像分类模型训练完成时得到的动态类别提示向量得到的。
具体来说，可以先对预设类别提示信息进行向量化处理，得到预设类别提示向量，同时，对目标类别提示信息进行向量化处理，得到目标类别提示向量；之后，将待分类图像、预设类别提示向量以及目标类别提示向量输入到目标图像分类模型中，得到待分类图像的目标分类结果。
在确定待分类图像的目标分类结果时，参考了预设类别提示信息，便于目标图像分类模型做出针对性的提示。
图4是根据一示例性实施例示出的一种图像分类模型训练装置的框图。如图4所示，该图像分类模型训练装置400可以包括：
预训练模块401，用于对视觉语言模型进行预训练，得到原始图像分类模型；
微调模块402，用于根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，得到目标图像分类模型，其中，所述动态类别提示信息的初始值为空。
在上述技术方案中，首先，对视觉语言模型进行预训练，得到原始图像分类模型；然后，根据预设类别提示信息和原始图像分类模型在微调过程中学习到的动态类别提示信息，对原始图像分类模型进行微调，得到目标图像分类模型。其中，预设类别提示信息与图像端解耦，能够进行语言侧的数据增强，从而能够更好地捕捉图像与语言之间的关系，提升图像分类模型的泛化性和分类效果，同时使得模型训练更加稳定，收敛更快。另外，视觉语言模型通常规模较大，训练模型需要大量的训练数据，而训练数据通常比较有限，因此，可以采用少量的训练数据先对视觉语言模型进行预训练，之后，根据预设类别提示信息和动态类别提示信息，对预训练得到的原始图像分类模型进行微调，这样，通过少量的训练数据也能够获得性能较好的图像分类模型，使得大规模模型的训练成为可能。
可选地，所述微调模块402包括：
获取子模块，用于获取多个样本图像和每一所述样本图像对应的标注分类结果；
向量化处理子模块，用于对所述预设类别提示信息进行向量化处理，得到预设类别提示向量，并对所述动态类别提示信息进行向量化处理，得到动态类别提示向量；
分类子模块，用于根据所述预设类别提示向量、所述动态类别提示向量以及每一所述样本图像，通过所述原始图像分类模型生成每一所述样本图像的预测分类结果；
第一更新子模块，用于根据每一所述预测分类结果和每一所述标注分类结果，更新所述动态类别提示向量和所述原始图像分类模型的模型参数。
可选地，所述原始图像分类模型包括：图像编码器，依次连接的第一残差模块、文本编码器、第二残差模块以及混合处理模块，其中，所述图像编码器与所述第二残差模块连接；所述预设类别提示向量和所述动态类别提示向量均为多个；
所述分类子模块包括：
第一残差子模块，用于针对每一所述预设类别提示向量，通过所述第一残差模块对该预设类别提示向量和所有所述动态类别提示向量进行加和，得到第一文本向量；
第一生成子模块，用于通过所述文本编码器生成每一所述第一文本向量的文本特征；
第二生成子模块，用于针对每一所述样本图像，通过所述图像编码器生成该样本图像的图像特征；第二残差子模块，用于通过所述第二残差模块将每一对所述文本特征和该样本图像的所述图像特征进行加和，得到混合特征；混合子模块，用于根据所述混合特征，通过所述混合处理模块生成每一预设图像类别对应的第二文本向量；第一确定子模块，用于根据每一所述第二文本向量和该样本图像的所述图像特征，确定该样本图像的预测分类结果。
可选地，所述第一更新子模块包括：
第二确定子模块，用于根据每一所述预测分类结果和每一所述标注分类结果，计算所述原始图像分类模型的目标损失；
第二更新子模块，用于根据所述目标损失，更新所述动态类别提示向量和所述混合处理模块的模型参数。
可选地，所述微调模块402还包括：
触发子模块，用于在所述第一更新子模块根据每一所述预测分类结果和每一所述标注分类结果，更新所述动态类别提示向量和所述原始图像分类模型的模型参数之后，响应于不满足训练截止条件，触发所述获取子模块获取多个样本图像和每一所述样本图像对应的标注分类结果；
第三确定子模块，用于响应于满足所述训练截止条件，获得所述目标图像分类模型。
图5是根据一示例性实施例示出的一种图像分类装置的框图。如图5所示，该图像分类装置500包括：
获取模块501，用于获取待分类图像；
分类模块502，用于根据所述待分类图像、预设类别提示信息以及目标类别提示信息，通过预先训练好的目标图像分类模型，生成所述待分类图像的目标分类结果，其中，所述目标图像分类模型是本公开提供的上述图像分类模型训练方法训练得到的，所述目标类别提示信息为所述目标图像分类模型训练完成时学习到的动态类别提示信息。
在确定待分类图像的目标分类结果时，参考了预设类别提示信息，便于目标图像分类模型做出针对性的提示。
本公开还一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述图像分类模型训练方法的步骤或者本公开提供的上述图像分类方法的步骤。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对视觉语言模型进行预训练，得到原始图像分类模型；根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，得到目标图像分类模型，其中，所述动态类别提示信息的初始值为空。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待分类图像；根据所述待分类图像、预设类别提示信息以及目标类别提示信息，通过预先训练好的目标图像分类模型，生成所述待分类图像的目标分类结果，其中，所述目标图像分类模型是本公开提供的上述图像分类模型训练方法训练得到的，所述目标类别提示信息为所述目标图像分类模型训练完成时学习到的动态类别提示信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待分类图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种图像分类模型训练方法，其特征在于，包括：
对视觉语言模型进行预训练，得到原始图像分类模型；
根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，得到目标图像分类模型，其中，所述动态类别提示信息的初始值为空。
2.根据权利要求1所述的方法，其特征在于，所述根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，包括：
获取多个样本图像和每一所述样本图像对应的标注分类结果；
对所述预设类别提示信息进行向量化处理，得到预设类别提示向量，并对所述动态类别提示信息进行向量化处理，得到动态类别提示向量；
根据所述预设类别提示向量、所述动态类别提示向量以及每一所述样本图像，通过所述原始图像分类模型生成每一所述样本图像的预测分类结果；
根据每一所述预测分类结果和每一所述标注分类结果，更新所述动态类别提示向量和所述原始图像分类模型的模型参数。
3.根据权利要求2所述的方法，其特征在于，所述原始图像分类模型包括：图像编码器，依次连接的第一残差模块、文本编码器、第二残差模块以及混合处理模块，其中，所述图像编码器与所述第二残差模块连接；所述预设类别提示向量和所述动态类别提示向量均为多个；
所述根据所述预设类别提示向量、所述动态类别提示向量以及每一所述样本图像，通过所述原始图像分类模型生成每一所述样本图像的预测分类结果，包括：
针对每一所述预设类别提示向量，通过所述第一残差模块对该预设类别提示向量和所有所述动态类别提示向量进行加和，得到第一文本向量；
通过所述文本编码器生成每一所述第一文本向量的文本特征；
针对每一所述样本图像，通过所述图像编码器生成该样本图像的图像特征；通过所述第二残差模块将每一对所述文本特征和该样本图像的所述图像特征进行加和，得到混合特征；根据所述混合特征，通过所述混合处理模块生成每一预设图像类别对应的第二文本向量；根据每一所述第二文本向量和该样本图像的所述图像特征，确定该样本图像的预测分类结果。
4.根据权利要求3所述的方法，其特征在于，所述根据每一所述预测分类结果和每一所述标注分类结果，更新所述动态类别提示向量和所述原始图像分类模型的模型参数，包括：
根据每一所述预测分类结果和每一所述标注分类结果，计算所述原始图像分类模型的目标损失；
根据所述目标损失，更新所述动态类别提示向量和所述混合处理模块的模型参数。
5.根据权利要求2-4中任一项所述的方法，其特征在于，在所述根据每一所述预测分类结果和每一所述标注分类结果，更新所述动态类别提示向量和所述原始图像分类模型的模型参数的步骤之后，所述根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，还包括：
响应于不满足训练截止条件，重复执行所述获取多个样本图像和每一所述样本图像对应的标注分类结果的步骤至所述根据每一所述所述预测分类结果和每一所述标注分类结果，更新所述动态类别提示向量和所述原始图像分类模型的模型参数的步骤；
响应于满足所述训练截止条件，获得所述目标图像分类模型。
6.一种图像分类方法，其特征在于，包括：
获取待分类图像；
根据所述待分类图像、预设类别提示信息以及目标类别提示信息，通过预先训练好的目标图像分类模型，生成所述待分类图像的目标分类结果，其中，所述目标图像分类模型是根据权利要求1-5中任一项所述的图像分类模型训练方法训练得到的，所述目标类别提示信息为所述目标图像分类模型训练完成时学习到的动态类别提示信息。
7.一种图像分类模型训练装置，其特征在于，包括：
预训练模块，用于对视觉语言模型进行预训练，得到原始图像分类模型；
微调模块，用于根据预设类别提示信息和所述原始图像分类模型在微调过程中学习到的动态类别提示信息，对所述原始图像分类模型进行微调，得到目标图像分类模型，其中，所述动态类别提示信息的初始值为空。
8.一种图像分类装置，其特征在于，包括：
获取模块，用于获取待分类图像；
分类模块，用于根据所述待分类图像、预设类别提示信息以及目标类别提示信息，通过预先训练好的目标图像分类模型，生成所述待分类图像的目标分类结果，其中，所述目标图像分类模型是根据权利要求1-5中任一项所述的图像分类模型训练方法训练得到的，所述目标类别提示信息为所述目标图像分类模型训练完成时学习到的动态类别提示信息。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN202310324390.7A 2023-03-29 2023-03-29 分类模型训练方法、图像分类方法、装置、介质及设备 Pending CN116310582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310324390.7A CN116310582A (zh) 2023-03-29 2023-03-29 分类模型训练方法、图像分类方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310324390.7A CN116310582A (zh) 2023-03-29 2023-03-29 分类模型训练方法、图像分类方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN116310582A true CN116310582A (zh) 2023-06-23

Family

ID=86823980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310324390.7A Pending CN116310582A (zh) 2023-03-29 2023-03-29 分类模型训练方法、图像分类方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN116310582A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778264A (zh) * 2023-08-24 2023-09-19 鹏城实验室 基于类增学习的对象分类方法、图像分类方法及相关设备
CN116844161A (zh) * 2023-09-04 2023-10-03 深圳市大数据研究院 一种基于分组提示学习的细胞检测分类方法及系统
CN117057443A (zh) * 2023-10-09 2023-11-14 杭州海康威视数字技术股份有限公司 视觉语言模型的提示学习方法及电子设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778264A (zh) * 2023-08-24 2023-09-19 鹏城实验室 基于类增学习的对象分类方法、图像分类方法及相关设备
CN116778264B (zh) * 2023-08-24 2023-12-12 鹏城实验室 基于类增学习的对象分类方法、图像分类方法及相关设备
CN116844161A (zh) * 2023-09-04 2023-10-03 深圳市大数据研究院 一种基于分组提示学习的细胞检测分类方法及系统
CN116844161B (zh) * 2023-09-04 2024-03-05 深圳市大数据研究院 一种基于分组提示学习的细胞检测分类方法及系统
CN117057443A (zh) * 2023-10-09 2023-11-14 杭州海康威视数字技术股份有限公司 视觉语言模型的提示学习方法及电子设备
CN117057443B (zh) * 2023-10-09 2024-02-02 杭州海康威视数字技术股份有限公司 视觉语言模型的提示学习方法及电子设备

Similar Documents

Publication Publication Date Title
CN116310582A (zh) 分类模型训练方法、图像分类方法、装置、介质及设备
CN112347476B (zh) 数据保护方法、装置、介质及设备
US20240127795A1 (en) Model training method, speech recognition method, device, medium, and apparatus
US20240233334A1 (en) Multi-modal data retrieval method and apparatus, medium, and electronic device
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN115439449B (zh) 全视野组织学图像的处理方法、装置、介质和电子设备
CN116258657A (zh) 模型训练方法、图像处理方法、装置、介质及电子设备
CN113591490B (zh) 信息处理方法、装置和电子设备
CN114067327A (zh) 文本识别方法、装置、可读介质及电子设备
CN111915689B (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN116306981A (zh) 策略确定方法、装置、介质及电子设备
CN115270981A (zh) 对象处理方法、装置、可读介质及电子设备
CN113610228B (zh) 神经网络模型的构建方法及装置
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN116244431A (zh) 文本分类方法、装置、介质及电子设备
CN115375657A (zh) 息肉检测模型的训练方法、检测方法、装置、介质及设备
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN114972876A (zh) 基于知识蒸馏技术的图像处理方法、装置、设备及介质
CN115099323B (zh) 内容小组确定方法、装置、介质及电子设备
CN112070163B (zh) 图像分割模型训练和图像分割方法、装置、设备
CN115240042B (zh) 多模态图像识别方法、装置、可读介质和电子设备
CN116071224A (zh) 图像转换模型训练方法、图像转换方法和装置
CN111814807B (zh) 用于处理图像的方法、装置、电子设备和计算机可读介质
CN116974684B (zh) 地图页面布局方法、装置、电子设备与计算机可读介质
CN116467583A (zh) 对象识别方法、装置、可读介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination