CN116758354A - 分类模型处理方法、装置及电子设备 - Google Patents

分类模型处理方法、装置及电子设备 Download PDF

Info

Publication number
CN116758354A
CN116758354A CN202310755569.8A CN202310755569A CN116758354A CN 116758354 A CN116758354 A CN 116758354A CN 202310755569 A CN202310755569 A CN 202310755569A CN 116758354 A CN116758354 A CN 116758354A
Authority
CN
China
Prior art keywords
classification
branch
network
sample
feature extraction
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
CN202310755569.8A
Other languages
English (en)
Inventor
唐华阳
李源
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.)
Zhongke Zhiyun Technology Co ltd
Original Assignee
Zhongke Zhiyun Technology 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 Zhongke Zhiyun Technology Co ltd filed Critical Zhongke Zhiyun Technology Co ltd
Priority to CN202310755569.8A priority Critical patent/CN116758354A/zh
Publication of CN116758354A publication Critical patent/CN116758354A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

本申请提供一种分类模型处理方法、装置及电子设备，通过将分类模型原本输出多维数据的预测网络修改为多个二分类分支，通过第一样本训练并调整所述特征提取网络及各个二分类分支的网络参数。在需要新增分类类别时，在所述预测网络中增加新的二分类，并在降低或冻结所述特征提取网络及原有二分类分支学习效率的情况下，通过第二样本训练新的二分类分支。如此，可以在已训练好的分类模型中迅速增加新的分支，使分类模型可以有效识别新增的分类类别。

Description

分类模型处理方法、装置及电子设备
技术领域
本申请涉及显示设备技术领域，具体而言，涉及一种分类模型处理方法、装置及电子设备。
背景技术
在训练基于机器学习的分类模型时，通常需要大量带有已标注标签的样本对目标检测模型进行训练。但是，一般的分类模型在训练完成后其可识别的分类类型就基本固定了，针对原始训练样本中不存在的类别无法进行有效识别。若需要增加新的识别类别，则需要对的模型进行重新训练。
发明内容
为了克服现有技术中的上述不足，本申请的目的在于提供一种分类模型处理方法，所述方法包括：
获取分类模型，所述分类模型包括特征提取网络及预测网络，所述预测网络包括与多个不同的第一分类对应的多个第一分支，所述第一分支为二分类分支；
获取多个第一样本，所述第一样本包括第一样本图像及第一分类标签；
通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数；
在所述预测网络中增加第二分支，所述第二分支为二分类分支；
获取多个第二样本，所述第二样本包括第二样本图像及第二分类标签；
在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数。
在一种可能的实现方式中，所述第二样本为与所述第一样本所属分类不同的样本。
在一种可能的实现方式中，所述通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数的步骤，包括：
将所述第一样本图像输入所述特征提取网络进行特征提取处理，获得第一图像特征；
将所述第一图像特征分别输入各所述第一分支进行处理，获得各所述第一分支输出的第一预测结果；
根据所述第一预测结果及所述第一分类标签调整所述特征提取网络及各个所述第一分支的网络参数。
在一种可能的实现方式中，所述根据所述第一预测结果及所述第一分类标签调整所述特征提取网络及各个所述第一分支的网络参数的步骤，包括：
根据所述第一预测结果及所述第一分类标签计算一损失值，并以最小化所述损失值为目的调整所述特征提取网络及各个所述第一分支的网络参数；其中，所述损失值Loss的计算方式如下：
Lgt,＝1
Lgt,＝0
其中，j为所述第一分类标签指示的所述第一样本图像所属的第一分类的序号，i为除了j以外的其他第一分类的序号，Lpre,j为所述第一预测结果中与第j个所述第一分类对应的第一分支的预测结果，Lpre,i为所述第一预测结果中与第i个所述第一分类对应的第一分支的预测结果。
在一种可能的实现方式中，所述在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数的步骤，包括：
将所述第二样本图像输入所述特征提取网络进行特征提取处理，获得第二图像特征；
在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，将所述第二图像特征输入所述预测网络进行处理，获得第二预测结果，并根据所述第二预测结果及所述第二分类标签调整所述第二分支的网络参数。
在一种可能的实现方式中，所述获取多个第一样本的步骤包括：
获取通用图像样本，所述通用图像样本包括第一样本图像及原始分类标签，所述原始分类标用于标识该样本图像所述的分类；
根据多个预设分类，将所述原始分类标签转换为所述第一分类标签。
在一种可能的实现方式中，所述特征提取网络包括ResNet-50或MobileNet-v2。
本申请的另一目的在于提供一种分类模型处理装置，所述分类模型处理装置包括：
模型获取模块，用于获取分类模型，所述分类模型包括特征提取网络及预测网络，所述预测网络包括与多个不同的第一分类对应的多个第一分支，所述第一分支为二分类分支；
第一样本获取模块，用于获取多个第一样本，所述第一样本包括第一样本图像及第一分类标签；
第一训练模块，用于通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数；
模型调整模块，用于在所述预测网络中增加第二分支，所述第二分支为二分类分支；
第二样本获取模块，用于获取多个第二样本，所述第二样本包括第二样本图像及第二分类标签；
第二调整模块，用于在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数。
本申请的另一目的在于提供一种电子设备，包括处理器及机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被所述处理器执行时，实现本申请提供的分类模型处理方法。
本申请的另一目的在于提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被一个或多个处理器执行时，实现本申请提供的分类模型处理方法。
相对于现有技术而言，本申请具有以下有益效果：
本申请实施例提供一种分类模型处理方法、装置及电子设备，通过将分类模型原本输出多维数据的预测网络修改为多个二分类分支，通过第一样本训练并调整所述特征提取网络及各个二分类分支的网络参数。在需要新增分类类别时，在所述预测网络中增加新的二分类，并在降低或冻结所述特征提取网络及原有二分类分支学习效率的情况下，通过第二样本训练新的二分类分支。如此，可以在已训练好的分类模型中迅速增加新的分支，使分类模型可以有效识别新增的分类类别。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的示意图；
图2为本申请实施例提供的分类模型处理方法的步骤流程示意图；
图3为常规分类模型的结构示意图；
图4为本申请实施例提供的分类模型的结构示意图；
图5为本申请实施例提供的分类模型处理装置的功能模块的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本实施例提供一种电子设备，该电子设备可以用于运行本实施例提供分类模型的处理方法，该电子设备可以包括服务器、个人电脑、笔记本电脑、工作站等具有一定数字处理能力的设备。
请参照图1，图1为所述电子设备100的方框示意图。所述电子设备100包括分类模型处理装置110、机器可读存储介质120、处理器130。
所述机器可读存储介质120、处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述分类模型处理装置110包括至少一个可以软件或固件(firmware)的形式存储于所述机器可读存储介质120中或固化在所述电子设备100的操作系统(operatingsystem，OS)中的软件功能模块。所述处理器130用于执行所述机器可读存储介质120中存储的可执行模块，例如所述分类模型处理装置110所包括的软件功能模块及计算机程序等。
其中，所述机器可读存储介质120可以是，但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。其中，机器可读存储介质120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序/可执行本实施例提供的所述分类模型处理方法。
所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图2，图2为应用于图1所示的电子设备100的一种分类模型处理方法的流程图，以下将对所述方法包括各个步骤进行详细阐述。
步骤S110，获取分类模型，所述分类模型包括特征提取网络及预测网络，所述预测网络包括与多个不同的第一分类对应的多个第一分支，所述第一分支为二分类分支。
请参见图3，图3为常规的分类模型的结构示意图，此类分类模型通常包括特征提取网络及预测网络，其中，特征提取网络可以包括进行特征提取，预测网络用于根据特征提取网络提取的特征执行分类。在常规的分类模型中，预测网络输出的结果通常是在多个预设分类的上的分类置信度。
再请参见图4，与图3所示的分类模型的结构不同，本实施例提供的所述分类模型的预测网络包括多个第一分支，每个所述第一分支均为二分类分支，每个所述第一分支对应一个预设的第一分类。每个所述第一分支用于判断图像中的内容是否属于该第一分支对应的第一分类。
可选地，在本实施例中，所述特征提取网络可以包括ResNet-50或MobileNet-v2，所述第一分类分支可以为通用的二分类分支。
步骤S120，获取多个第一样本，所述第一样本包括第一样本图像及第一分类标签。
在一个例子中，常规的训练样本中的原始的标注信息可能为{“label_id”:3}，其表示样本图像所属的分类ID为3。而在本实施例中，所述第一样本的第一分类标签可以为{“label_branch”:3,“is_obj”:1}，其表示所述第一样本图像在针对第3个第一分类为正样本，针对其他第一分类则为负样本。
可选地在本实施例中，获取通用图像样本，所述通用图像样本包括第一样本图像及原始分类标签，所述原始分类标用于标识该样本图像所述的分类。根据多个预设分类，将所述原始分类标签转换为所述第一分类标签，从而获得有所述第一样本图像和所述第一分类标签组成的第一样本。
步骤S130，通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数。
在本实施例中，可以将所述第一样本图像输入所述特征提取网络进行特征提取处理，获得第一图像特征。然后将所述第一图像特征分别输入各所述第一分支进行处理，获得各所述第一分支输出的第一预测结果。再根据所述第一预测结果及所述第一分类标签调整所述特征提取网络及各个所述第一分支的网络参数。
具体地，在本实施例中，可以根据所述第一预测结果及所述第一分类标签计算一损失值，并以最小化所述损失值为目的调整所述特征提取网络及各个所述第一分支的网络参数；其中，所述损失值Loss的计算方式如下：
Lgt,＝1
Lgt,＝0
其中，j为所述第一分类标签指示的所述第一样本图像所属的第一分类的序号，i为除了j以外的其他第一分类的序号，Lpre,j为所述第一预测结果中与第j个所述第一分类对应的第一分支的预测结果，Lpre,i为所述第一预测结果中与第i个所述第一分类对应的第一分支的预测结果。
具体地，由于j为所述第一分类标签指示的所述第一样本图像所属的第一分类的序号，因此该第一样本在第j个分支上的第一分类标签的值Lgt,为1，而在其他任意一个第i个分支上的第一分类标签的值Lgt,均为0。
步骤S140，在所述预测网络中增加第二分支，所述第二分支为二分类分支。
在本实施例中，由于所述预测网络中的各个二分类分支是相对独立的，因此在需要增加需要识别的分类时，可以在原有的多个所述第一分支的基础上增加与所述第一分类并列的第二分支。其中，所述第二分支对应于新的第二分类，且所述第二分支也为二分类分支。
步骤S150，获取多个第二样本，所述第二样本包括第二样本图像及第二分类标签。
在本实施例中，所述第二样本为与所述第一样本所属分类不同的样本。所述第二样本属于所述第二分类。
步骤S160，在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数。
具体地，在本实施例中，可以将所述第二样本图像输入所述特征提取网络进行特征提取处理，获得第二图像特征。然后在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，将所述第二图像特征输入所述预测网络进行处理，获得第二预测结果，并根据所述第二预测结果及所述第二分类标签调整所述第二分支的网络参数。
基于上述设备，通过本实施例提供的方案，可以在保留所述特征提取网络的特征提取能力及多个所述第一分支的分类识别的能力的情况下，训练所述第二分支，使所述第二分支具有识别所述第二分类的能力。如此，可以在已训练好的分类模型中迅速增加新的分支，使分类模型可以有效识别新增的分类类别。
请参照图5，本实施例还提供一种分类模型处理装置110，分类模型处理装置110包括至少一个可以软件形式存储于机器可读存储介质120中的功能模块。从功能上划分，分类模型处理装置110可以包括模型获取模块111、第一样本获取模块112、第一训练模块113、模型调整模块114、第二样本获取模块115及第二调整模块116。
所述模型获取模块111用于获取分类模型，所述分类模型包括特征提取网络及预测网络，所述预测网络包括与多个不同的第一分类对应的多个第一分支，所述第一分支为二分类分支。
本实施例中，所述模型获取模块111可用于执行图2所示的步骤S110，关于所述模型获取模块111的具体描述可参对所述步骤S110的描述。
所述第一样本获取模块112用于获取多个第一样本，所述第一样本包括第一样本图像及第一分类标签。
本实施例中，所述第一样本获取模块112可用于执行图2所示的步骤S120，关于所述第一样本获取模块112的具体描述可参对所述步骤S120的描述。
所述第一训练模块113用于通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数。
本实施例中，所述第一训练模块113可用于执行图2所示的步骤S130，关于所述第一训练模块113的具体描述可参对所述步骤S130的描述。
所述模型调整模块114用于在所述预测网络中增加第二分支，所述第二分支为二分类分支。
本实施例中，所述模型调整模块114可用于执行图2所示的步骤S140，关于所述模型调整模块114的具体描述可参对所述步骤S140的描述。
所述第二样本获取模块115用于获取多个第二样本，所述第二样本包括第二样本图像及第二分类标签。
本实施例中，所述第二样本获取模块115可用于执行图2所示的步骤S150，关于所述第二样本获取模块115的具体描述可参对所述步骤S150的描述。
所述第二调整模块116用于在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数。
本实施例中，所述第二调整模块116可用于执行图2所示的步骤S160，关于所述第二调整模块116的具体描述可参对所述步骤S160的描述。
综上所述，本申请实施例提供一种分类模型处理方法、装置及电子设备，通过将分类模型原本输出多维数据的预测网络修改为多个二分类分支，通过第一样本训练并调整所述特征提取网络及各个二分类分支的网络参数。在需要新增分类类别时，在所述预测网络中增加新的二分类，并在降低或冻结所述特征提取网络及原有二分类分支学习效率的情况下，通过第二样本训练新的二分类分支。如此，可有在已训练好的分类模型中迅速增加新的分支，使分类模型可以有效识别新增的分类类别。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种分类模型处理方法，其特征在于，所述方法包括：
获取分类模型，所述分类模型包括特征提取网络及预测网络，所述预测网络包括与多个不同的第一分类对应的多个第一分支，所述第一分支为二分类分支；
获取多个第一样本，所述第一样本包括第一样本图像及第一分类标签；
通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数；
在所述预测网络中增加第二分支，所述第二分支为二分类分支；
获取多个第二样本，所述第二样本包括第二样本图像及第二分类标签；
在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数。
2.根据权利要求1所述的方法，其特征在于，所述第二样本为与所述第一样本所属分类不同的样本。
3.根据权利要求1所述的方法，其特征在于，所述通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数的步骤，包括：
将所述第一样本图像输入所述特征提取网络进行特征提取处理，获得第一图像特征；
将所述第一图像特征分别输入各所述第一分支进行处理，获得各所述第一分支输出的第一预测结果；
根据所述第一预测结果及所述第一分类标签调整所述特征提取网络及各个所述第一分支的网络参数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一预测结果及所述第一分类标签调整所述特征提取网络及各个所述第一分支的网络参数的步骤，包括：
根据所述第一预测结果及所述第一分类标签计算一损失值，并以最小化所述损失值为目的调整所述特征提取网络及各个所述第一分支的网络参数；其中，所述损失值Loss的计算方式如下：
Lgt,j＝1
Lgt,i＝0
其中，j为所述第一分类标签指示的所述第一样本图像所属的第一分类的序号，i为除了j以外的其他第一分类的序号，Lpre,j为所述第一预测结果中与第j个所述第一分类对应的第一分支的预测结果，Lpre,i为所述第一预测结果中与第i个所述第一分类对应的第一分支的预测结果。
5.根据权利要求1所述的方法，其特征在于，所述在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数的步骤，包括：
将所述第二样本图像输入所述特征提取网络进行特征提取处理，获得第二图像特征；
在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，将所述第二图像特征输入所述预测网络进行处理，获得第二预测结果，并根据所述第二预测结果及所述第二分类标签调整所述第二分支的网络参数。
6.根据权利要求1所述的方法，其特征在于，所述获取多个第一样本的步骤包括：
获取通用图像样本，所述通用图像样本包括第一样本图像及原始分类标签，所述原始分类标用于标识该样本图像所述的分类；
根据多个预设分类，将所述原始分类标签转换为所述第一分类标签。
7.根据权利要求1所述的方法，其特征在于，所述特征提取网络包括ResNet-50或MobileNet-v2。
8.一种分类模型处理装置，其特征在于，所述分类模型处理装置包括：
模型获取模块，用于获取分类模型，所述分类模型包括特征提取网络及预测网络，所述预测网络包括与多个不同的第一分类对应的多个第一分支，所述第一分支为二分类分支；
第一样本获取模块，用于获取多个第一样本，所述第一样本包括第一样本图像及第一分类标签；
第一训练模块，用于通过所述第一样本对所述分类模型进行训练，以调整所述特征提取网络及各个所述第一分支的网络参数；
模型调整模块，用于在所述预测网络中增加第二分支，所述第二分支为二分类分支；
第二样本获取模块，用于获取多个第二样本，所述第二样本包括第二样本图像及第二分类标签；
第二调整模块，用于在降低或冻结所述特征提取网络及所述第一分支学习效率的情况下，通过所述第二样本对所述分类模型进行训练，以调整所述第二分支的网络参数。
9.一种电子设备，其特征在于，包括处理器及机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被所述处理器执行时，实现权利要求1-7任意一项所述的方法。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被一个或多个处理器执行时，实现权利要求1-7任意一项所述的方法。
CN202310755569.8A 2023-06-21 2023-06-21 分类模型处理方法、装置及电子设备 Pending CN116758354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310755569.8A CN116758354A (zh) 2023-06-21 2023-06-21 分类模型处理方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310755569.8A CN116758354A (zh) 2023-06-21 2023-06-21 分类模型处理方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN116758354A true CN116758354A (zh) 2023-09-15

Family

ID=87952975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310755569.8A Pending CN116758354A (zh) 2023-06-21 2023-06-21 分类模型处理方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116758354A (zh)

Similar Documents

Publication Publication Date Title
CN109117777B (zh) 生成信息的方法和装置
US11392792B2 (en) Method and apparatus for generating vehicle damage information
CN111460250B (zh) 用于画像的数据的清洗方法、装置、介质及电子设备
CN110909784B (zh) 一种图像识别模型的训练方法、装置及电子设备
CN113963147B (zh) 一种基于语义分割的关键信息提取方法及系统
CN110543637B (zh) 一种中文分词方法及装置
CN113221918B (zh) 目标检测方法、目标检测模型的训练方法及装置
CN113435499B (zh) 标签分类方法、装置、电子设备和存储介质
CN115795021A (zh) 一种大数据风险监测识别预警装置及系统
WO2023241102A1 (zh) 一种标签识别方法、装置、电子设备及存储介质
CN111931548A (zh) 人脸识别系统、建立人脸识别数据的方法及人脸识别方法
CN111199186A (zh) 图像质量评分模型训练方法、装置、设备及存储介质
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN112884866B (zh) 一种黑白视频的上色方法、装置、设备及存储介质
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN112214770B (zh) 恶意样本的识别方法、装置、计算设备以及介质
CN113239883A (zh) 分类模型的训练方法、装置、电子设备以及存储介质
PirahanSiah et al. Adaptive image segmentation based on peak signal-to-noise ratio for a license plate recognition system
CN109190676B (zh) 一种用于图像识别的模型训练方法、装置、设备及存储介质
CN116758354A (zh) 分类模型处理方法、装置及电子设备
CN116579980A (zh) 基于小样本学习的印刷电路板缺陷检测方法、介质及设备
CN112818984B (zh) 标题生成方法、装置、电子设备和存储介质
CN111931229B (zh) 一种数据识别方法、装置和存储介质
CN116740502A (zh) 目标检测模型处理方法、装置及电子设备
CN112906726B (zh) 模型训练方法、图像处理方法、装置、计算设备、介质

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