[发明专利]图像分类模型训练方法、图像分类方法及对应装置

权利要求书

1.一种图像分类模型训练方法，其特征在于，包括：

将训练图像输入至第一神经网络进行处理，获得所述第一神经网络输出的第一特征图；

基于所述第一特征图获得第一注意力图，所述第一注意力图中像素的取值与所述训练图像中对应像素被采样到的概率正相关；

根据所述第一注意力图中全部通道的信息对所述训练图像进行非均匀采样，获得第一采样图像，以及，根据所述第一注意力图中单个通道的信息对所述训练图像进行非均匀采样，获得第二采样图像；

将所述第一采样图像输入至第二神经网络进行处理，获得所述第二神经网络输出的第一分类概率，以及，将所述第二采样图像输入至第三神经网络进行处理，获得所述第三神经网络输出的第二分类概率；

根据所述第一分类概率以及所述第二分类概率计算分类预测损失，并根据所述分类预测损失利用反向传播算法更新所述第一神经网络、所述第二神经网络以及所述第三神经网络的参数。

2.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述根据所述第一注意力图中全部通道的信息对所述训练图像进行非均匀采样，获得第一采样图像，包括：

对所述第一注意力图中的全部通道进行平均池化，获得平均注意力图；

根据所述平均注意力图，利用第一非均匀采样函数对所述训练图像进行采样，获得所述第一采样图像。

3.根据权利要求2所述的图像分类模型训练方法，其特征在于，所述根据所述平均注意力图，利用第一非均匀采样函数对所述训练图像进行采样，获得所述第一采样图像，包括：

利用如下公式计算获得所述第一采样图像：

其中，Is表示所述第一采样图像，S表示所述第一非均匀采样函数，M表示所述第一注意力图，A(M)表示所述平均注意力图，I表示所述训练图像，w表示所述训练图像的宽，h表示所述训练图像的高，i表示w方向上的像素下标，j表示h方向上的像素下标，和分别为以下两个函数的反函数：

其中，表示A(M)在w 方向上的积分，，表示A(M)在h方向上的积分，。

4.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述根据所述第一注意力图中单个通道的信息对所述训练图像进行非均匀采样，获得第二采样图像，包括：

从所述第一注意力图的全部通道中随机选取一个通道；

根据选取出的通道，利用第二非均匀采样函数对所述训练图像进行采样，获得所述第二采样图像；

其中，每间隔预设的训练周期重新进行一次的通道随机选取。

5.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述根据所述第一注意力图中单个通道的信息对所述训练图像进行非均匀采样，获得第二采样图像，包括：

从所述第一注意力图的全部通道中按照预定的顺序选取一个通道；

根据选取出的通道，利用第二非均匀采样函数对所述训练图像进行采样，获得所述第二采样图像；

其中，每间隔预设的训练周期按照所述预定的顺序重新进行一次通道选取，所述预定的顺序为所述第一注意力图中全部通道的一种排列顺序。

6.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述基于所述第一特征图获得第一注意力图，包括：

根据所述第一特征图中各通道间的关系计算所述第一注意力图。

7.根据权利要求1所述的图像分类模型训练方法，其特征在于，所述根据所述第一分类概率以及所述第二分类概率计算分类预测损失，包括：

根据所述第一分类概率和所述训练图像的标签计算第一损失，以及，根据所述第一分类概率和所述第二分类概率计算第二损失；其中，所述第一损失表征所述第二神经网络预测的分类结果与真实分类结果的差异，所述第二损失表征所述第二神经网络预测的分类结果与所述第三神经网络预测的分类结果的差异；

对所述第一损失以及所述第二损失进行加权求和，获得所述分类预测损失。