[发明专利]一种图像分类模型的处理方法、装置及存储介质

说明书

本发明公开了一种图像分类模型的处理方法，包括：初始化图像分类模型；确定从图像分类模型中顺序选取的滤波器模型的第一待训练网络，以及确定包括顺序选取的滤波器模型和分类器模型的第二待训练网络；根据获取的未具有标记的图像样本，对第一待训练网络进行无监督方式的训练，以更新第一待训练网络中滤波器模型的参数；基于第二待训练网络从图像样本中提取图像特征；基于所提取的图像特征及相应图像样本的标记，对第二待训练网络中的分类器模型进行有监督方式的训练；基于训练后的分类器模型输出结果的误差，更新第二待训练网络中滤波器模型的参数。本发明还同时公开了一种图像分类模型的处理装置、以及存储介质。

技术领域

本发明涉及计算机领域中的图像处理技术，尤其涉及一种图像分类模型的处理方法、装置及存储介质。

背景技术

随着电子技术和互联网特别是移动互联网的快速发展，电子设备特别是智能移动终端的功能越来越强大，用户可以根据自身需求在智能移动终端上安装各种应用程序，以完成各种事务。例如，通过安装在智能移动终端上的应用程序实现图像识别。

目前，为了对图像进行识别，以辨识出图像所属的类别，相关技术中通常将深度学习算法如深度信念网络(DBN，Deep Belief Network)运用到图像识别中，即利用在神经元之间生成的权重，使得神经网络能够以最大的概率生成训练数据。然而，在DBN的训练过程中，当使用反向传播算法对DBN模型中的各个参数进行不断调整时，由于在反向传播误差的过程中，误差会随着受限玻尔兹曼机(RBM，Restricted Boltzmann Machine)层数的不断累积而出现指数形式的下降，即出现梯度弥散的现象，从而导致图像识别准确率降低，使得模型训练学习的效果无法达到预期结果。

因此，对于如何能够快速提高图像识别的准确率，相关技术尚无有效解决方案。

发明内容

有鉴于此，本发明实施例期望提供一种图像分类模型的处理方法、装置及存储介质，用以解决相关技术难以有效快速提高图像识别的准确率的问题。

为达到上述目的，本发明实施例的技术方案是这样实现的：

第一方面，本发明实施例提供一种图像分类模型的处理方法，所述方法包括：

初始化图像分类模型；

确定从所述图像分类模型中顺序选取的滤波器模型的第一待训练网络，以及确定包括所述顺序选取的滤波器模型和分类器模型的第二待训练网络；

根据获取的未具有标记的图像样本，对所述第一待训练网络进行无监督方式的训练，以更新所述第一待训练网络中滤波器模型的参数；

基于所述第二待训练网络从所述图像样本中提取图像特征；

基于所提取的图像特征及相应图像样本的标记，对所述第二待训练网络中的分类器模型进行有监督方式的训练；

基于训练后的分类器模型输出结果的误差，更新所述第二待训练网络中滤波器模型的参数。

第二方面，本发明实施例提供一种图像分类模型的处理装置，所述装置包括：初始化模块、确定模块、第一训练模块、提取模块、第二训练模块和更新模块；其中，

所述初始化模块，用于初始化图像分类模型；

所述确定模块，用于确定从所述图像分类模型中顺序选取的滤波器模型的第一待训练网络，以及确定包括所述顺序选取的滤波器模型和分类器模型的第二待训练网络；

所述第一训练模块，用于根据获取的未具有标记的图像样本，对所述第一待训练网络进行无监督方式的训练，以更新所述第一待训练网络中滤波器模型的参数；

所述提取模块，用于基于所述第二待训练网络从所述图像样本中提取图像特征；