[发明专利]一种图像分类模型的训练方法及图像分类方法

说明书

本申请公开了一种图像分类模型的训练方法及图像分类方法，包括：获取带标签的样本图像集，样本图像集包含多个真实雾天场景的样本图像和多个合成雾天场景的样本图像；将样本图像集中的各个样本图像输入图像分类模型中，对图像分类模型进行训练，以使得图像分类模型提取的样本图像的特征与其场景信息无关且基于该特征确定的样本图像的类别结果与其标签一致，其中，样本图像的场景信息表征样本图像属于真实雾天场景还是合成雾天场景。本申请所提供的训练方法，可以使得图像分类模型提取的样本图像的特征为不变性特征，即不会受到样本图像是合成雾天场景还是真实雾天场景的影响，从而减小图像分类模型对雾天场景图像进行分类的误差，提高识别精度。

技术领域

本申请涉及图像识别领域，尤其涉及一种图像分类模型的训练方法及图像分类方法。

背景技术

近年来，深度神经网络在语音、图像领域取得突飞猛进的进展，尤其在图像领域，随着大量的标记训练数据和大量的计算资源的出现，深度神经网络模型可以直接广泛地应用于多数场景下的图像识别和分类。

然而，由于雾天场景的复杂性，例如，雾天场景包含众多类似场景，如霾、烟、沙尘等，其中，雾的浓度也具有多样性，使得利用现有的训练方法训练后的图像分类模型在对雾天场景的图像进行识别和分类时往往会产生极大的分类误差。

发明内容

为解决上述技术问题，本申请实施例提供了一种图像分类模型的训练方法及图像分类方法，以减小图像分类模型在对雾天场景的图像进行识别和分类时的分类误差，提高识别精度。

为实现上述目的，本申请提供了如下技术方案：

一种图像分类模型的训练方法，包括：

S1：获取带标签的样本图像集，所述样本图像集包含多个真实雾天场景的样本图像和多个合成雾天场景的样本图像；

S2：将所述样本图像集中的各个样本图像输入所述图像分类模型中，对所述图像分类模型进行训练，以使得所述图像分类模型提取的所述样本图像的特征与其场景信息无关且基于该特征确定的所述样本图像的类别结果与其标签一致，其中，所述样本图像的场景信息表征所述样本图像属于真实雾天场景还是合成雾天场景。

可选的，将所述样本图像集中的各个样本图像输入所述图像分类模型中，对所述图像分类模型进行训练，以使得所述图像分类模型提取的所述样本图像的特征与其场景信息无关且基于该特征确定的所述样本图像的类别结果与其标签一致包括：

S21：将所述样本图像集中的各个样本图像输入所述图像分类模型中；

S22：基于所述样本图像，对所述图像分类模型中的特征提取器和域判别器进行对抗训练，以使得所述域判别器根据所述特征提取器提取的所述样本图像的特征无法确定所述样本图像的场景信息；

S23：基于所述样本图像和所述样本图像的标签，对所述图像分类模型中的特征提取器和标签分类器进行训练，以使得所述标签分类器根据所述特征提取器提取的所述样本图像的特征确定的所述样本图像的类别结果与所述样本图像的标签一致。

可选的，基于所述样本图像，对所述图像分类模型中的特征提取器和域判别器进行对抗训练，以使得所述域判别器根据所述特征提取器提取的所述样本图像的特征无法确定所述样本图像的场景信息包括：

S221：利用所述特征提取器提取所述样本图像的第一特征信息；

S222：利用所述域判别器根据所述第一特征信息确定所述样本图像的场景信息；

S223：如果所述域判别器根据所述第一特征信息能够确定所述样本图像的场景信息，则改变所述特征提取器和所述域判别器的网络参数，返回S221，直至所述域判别器根据所述第一特征信息无法确定所述样本图像的场景信息。

可选的，利用所述特征提取器提取所述样本图像的第一特征信息包括：