[发明专利]图像分类模型自学习的方法、装置、电子设备及存储介质

说明书

本发明实施例公开了一种图像分类模型自学习的方法、装置、电子设备及存储介质，该方法包括：获取训练好的图像分类模型；对所述图像分类模型的输出层增加输出节点；获取测试图像并判断是否属于所述输出节点后按预设规则输入所述图像分类模型中；通过所述图像分类模型分类识别所述测试图像并进行更新。本发明实施例提供的一种图像分类模型自学习的方法，通过对图像分类模型进行自动更新，解决了现有技术中图像分类模型在部署后很可能出现的性能退化问题，实现了基于规则和模型判断的策略大大降低了人工标注图像数据的成本，从而获得更具有代表性的新的、有标注的图像数据的效果。

技术领域

本发明实施例涉及技术图像分类，尤其涉及一种图像分类模型自学习的方法、装置、电子设备及存储介质。

背景技术

现有图像分类模型大都在部署前通过大量图像数据进行训练，以期模型部署上线后，在模型不会更新的情况下，仍能保持良好的预测性能。然而，事实上在模型的训练阶段，工程师无法穷举所有的数据情况，模型部署上线后很可能面临更加复杂的图像分类情况，因此模型性能很可能在部署后出现显著的性能退化，且时间愈久，性能退化越严重。例如，预测过程中很可能出现与训练数据的样式不同的图像，使得模型在该类图像数据的预测性能降低；在实际中，甚至出现在训练过程中未曾见过的未知类,原分类模型根本无法有效预测该未知类的图像数据。因此，图像分类模型能否持续地通过得到的最新图像数据进行模型更新，对保持分类模型的性能起着关键作用。

当前解决图像分类模型性能退化的一个基本思路是在模型部署后，仍对模型进行实时更新。学术界将这一过程成为“持续学习(continual learning)”或者“终生学习(lifelong learning)”。然而，现有的学术界提出的持续学习分类模型，需要在模型预测过程后，通过人工标记等高代价的行为获得预测数据的真实类标，再基于这些新标记数据进行模型更新。这类方法需要消耗大量的人力资源，在真实的工业环境中几乎不可行。另外，现有相关模型大都只能持续学习训练集已包含的已知类的图像数据，无法对未来可能出现的未知类的图像进行分类模型学习和更新。

发明内容

本发明提供一种图像分类模型自学习的方法、装置、电子设备及存储介质以实现大大降低人工标注图像数据的成本，从而获得更具有代表性的新的、有标注的图像数据的效果。

第一方面，本发明实施例提供了一种图像分类模型自学习的方法，包括：

获取训练好的图像分类模型；

对所述图像分类模型的输出层增加输出节点；

获取测试图像并判断是否属于所述输出节点后按预设规则输入所述图像分类模型中；

通过所述图像分类模型分类识别所述测试图像并进行更新。

可选的，所述获取训练好的图像分类模型包括：

获取未训练的深度学习模型；

通过已标注的图像数据对所述未训练的深度学习模型进行训练以获取训练好的图像分类模型。

可选的，所述对所述图像分类模型的输出层增加输出节点包括：

通过图像构造方法生成新的图像类标；

根据所述图像类标对所述图像分类模型的输出层增加输出节点。

可选的，所述获取测试图像并判断是否属于所述输出节点后按预设规则输入所述图像分类模型中包括：

获取测试图像并生成随机数；

判断所述随机数是否大于预设阈值，若是，则判断所述测试图像是否属于所述输出节点，若否，则将所述测试图像进行人工标注。

可选的，判断所述测试图像是否属于所述输出节点之后还包括：