[发明专利]模型训练、图像分类方法和装置

权利要求书

1.一种模型训练方法，所述方法包括：

获取第一样本图像集和第二样本图像集，其中，所述第一样本图像集中包括预设数量个样本类别的样本图像；

对于所述第一样本图像集中的各类别样本图像，基于该类别样本图像中至少一个样本图像的融合特征，得到该类别样本图像对应的第一融合特征，所述融合特征为对图像的局部特征进行融合得到的特征；

对于所述第二样本图像集中的每一样本图像，提取该样本的融合特征，得到该样本图像的第二融合特征；

基于所述第二融合特征与所述第一样本图像集中各类别样本图像对应第一融合特征的相似度，构建损失函数，以训练得到分类模型。

2.根据权利要求1所述的方法，其中，所述融合特征通过以下方式得到：

对于每一样本图像，将该样本图像的一个局部特征作为初始局部特征，基于所述初始局部特征和预设的神经网络模型进行迭代计算，其中，所述预设的神经网络模型用于基于初始局部特征及与该初始局部特征最邻近的局部特征进行迭代计算，得到初始融合特征，所述迭代运算包括：将初始局部特征输入预设的神经网络模型，得到初始融合特征，将所述初始融合特征作为所述初始局部特征，继续执行所述迭代运算；

响应于确定所述迭代运算满足预设条件，得到融合特征。

3.根据权利要求1所述的方法，其中，所述融合特征通过以下方式得到：

对于每一样本图像，基于该样本图像的局部特征和预设的基于注意力机制的神经网络模型，得到融合特征。

4.根据权利要求1所述的方法，其中，所述对于所述第一样本图像集中的各类别样本图像，基于该类别样本图像中至少一个样本图像的融合特征，得到该类别样本图像对应的第一融合特征，包括：

对于所述第一样本图像集中的各类别样本图像，基于该类别样本图像中至少两个样本图像的融合特征，得到该类别样本图像对应的第一融合特征。

5.根据权利要求1-4任一所述的方法，其中，所述基于所述第二融合特征与所述第一样本图像集中各类别样本图像对应第一融合特征的相似度，构建损失函数，以训练得到分类模型，包括：

采用投票方式度量第二融合特征与第一样本图像集中各类别样本图像对应第一融合特征的相似度；

基于相似度生成预测置信度；

基于预测置信度，构建损失函数，以训练得到分类模型。

6.一种图像分类方法，包括：

获取待分类图像；

将所述待分类图像输入分类模型，得到待分类图像对应的图像类别，其中，所述分类模型是如权利要求1-5之一所述的方法得到的分类模型。

7.一种模型训练装置，包括：

获取数据模块，被配置成获取第一样本图像集和第二样本图像集，其中，所述第一样本图像集中包括预设数量个样本类别的样本图像；

第一提取模块，被配置成对于所述第一样本图像集中的各类别样本图像，基于该类别样本图像中至少一个样本图像的融合特征，得到该类别样本图像对应的第一融合特征，所述融合特征为对图像的局部特征进行融合得到的特征；

第二提取模块，被配置成对于所述第二样本图像集中的每一样本图像，提取该样本的融合特征，得到该样本图像的第二融合特征；

训练模型模块，被配置成基于所述第二融合特征与所述第一样本图像集中各类别样本图像对应第一融合特征的相似度，构建损失函数，以训练得到分类模型。

8.根据权利要求7所述的装置，其中，所述融合特征通过以下方式得到：

对于每一样本图像，将该样本图像的一个局部特征作为初始局部特征，基于所述初始局部特征和预设的神经网络模型进行迭代计算，其中，所述预设的神经网络模型用于基于初始局部特征及与该初始局部特征最邻近的局部特征进行迭代计算，得到初始融合特征，所述迭代运算包括：将初始局部特征输入预设的神经网络模型，得到初始融合特征，将所述初始融合特征作为所述初始局部特征，继续执行所述迭代运算；

响应于确定所述迭代运算满足预设条件，得到融合特征。