[发明专利]一种图像分类模型训练方法、图像分类方法、装置及计算设备

说明书

本申请涉及人工智能技术领域，提供一种图像分类模型训练方法、图像分类方法、装置及计算设备，用于提高训练出的模型针对困难样本的处理能力。该方法包括：基于第一图像样本集训练图像预测模型；基于图像预测模型获得第二图像样本集中每个第二图像样本的难易度估计值，每个第二图像样本具有目标分类标签；基于第二图像样本集训练第一图像分类模型，直到第一图像分类模型的训练损失满足目标损失，获得第二图像分类模型；第一图像分类模型的训练损失是对第二图像样本集中各个第二图像样本的分类损失进行加权获得的，每个第二图像样本的分类损失对应的加权权重是根据每个第二图像样本的难易度估计值确定的。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种图像分类模型训练方法、图像分类方法、装置及计算设备。

背景技术

图像分类模型泛指用于进行分类的模型、目前，大多图像分类模型通过监督学习提前训练得到的，即通过图像分类模型预测训练样本对应的分类结果，调整模型参数，使得图像分类模型输出的结果与真实分类结果更逼近。

但是在图像分类模型训练过程，如果训练样本集包含的各类样本不平衡，则很容易出现模型过拟合的情况，这样使得训练出的模型在某些样本上的使用效果较差。

发明内容

本申请实施例提供一种图像分类模型训练方法、图像分类方法、装置及计算设备，用于提高训练出的模型针对困难样本的处理能力。

第一方面，提供一种图像分类模型训练方法，包括：

基于第一图像样本集训练图像预测模型，所述图像预测模型用于估计图像被识别为目标分类的难易度，所述第一图像样本集包括多个第一图像样本，每个第一图像样本具有难易度目标值，且每个第一图像样本的难易度目标值是根据第一图像分类模型获得的各个第一图像样本的图像特征之间的相似关系，以及各个第一图像样本的目标分类标签获得的；

基于所述图像预测模型获得第二图像样本集中每个第二图像样本的难易度估计值，每个第二图像样本具有目标分类标签；

基于第二图像样本集训练所述第一图像分类模型，直到所述第一图像分类模型的训练损失满足目标损失，获得第二图像分类模型；其中，所述第一图像分类模型的训练损失是对所述第二图像样本集中各个第二图像样本的分类损失进行加权获得的，每个第二图像样本的分类损失对应的加权权重是根据每个第二图像样本的难易度估计值确定的，第二图像样本的分类损失用于表示目标分类标签和所述第一图像分类模型输出的预测分类之间的误差。

第二方面，提供一种图像分类模型训练装置，包括：

第一训练模块，用于基于第一图像样本集训练图像预测模型，所述图像预测模型用于估计图像被识别为目标分类的难易度，所述第一图像样本集包括多个第一图像样本，每个第一图像样本具有难易度目标值，且每个第一图像样本的难易度目标值是根据第一图像分类模型获得的各个第一图像样本的图像特征之间的相似关系，以及各个第一图像样本的目标分类标签获得的；

获得模块，用于基于所述图像预测模型获得第二图像样本集中每个第二图像样本的难易度估计值，每个第二图像样本具有目标分类标签；

第二训练模块，用于基于第二图像样本集训练所述第一图像分类模型，直到所述第一图像分类模型的训练损失满足目标损失，获得第二图像分类模型；其中，所述第一图像分类模型的训练损失是对所述第二图像样本集中各个第二图像样本的分类损失进行加权获得的，每个第二图像样本的分类损失对应的加权权重是根据每个第二图像样本的难易度估计值确定的，第二图像样本的分类损失用于表示目标分类标签和所述第一图像分类模型输出的预测分类之间的误差。

在一种可能的实施例中，所述第二训练模块具体用于：

根据所述第一图像分类模型的训练损失，调整第一图像分类模型的模型参数；