[发明专利]图像分类模型的训练方法、装置、计算机设备及存储介质

权利要求书

1.一种图像分类模型的训练方法，所述方法包括：

根据预设的第一区域分割方法、预设的标注工具和获取的目标图像，对预设的深度学习模型进行图像块分类训练，得到第一模型；

根据预设的第二区域分割方法、所述标注工具和所述目标图像，对所述第一模型进行图像块分类训练，得到第二模型；

根据预设的第三区域分割方法、所述标注工具和所述目标图像，对所述第二模型进行图像块分类训练，得到图像分类模型。

2.根据权利要求1所述的图像分类模型的训练方法，其特征在于，所述根据预设的第一区域分割方法、预设的标注工具和获取的目标图像，对预设的深度学习模型进行图像块分类训练，得到第一模型的步骤，包括：

根据所述第一区域分割方法，对所述目标图像进行图像块分割，得到第一图像块集；

采用所述标注工具，对所述第一图像块集中的每个图像块进行展示并获取用户的标注结果，得到第一标注结果；

根据所述第一图像块集和各个所述第一标注结果，对所述深度学习模型进行图像块分类训练，得到所述第一模型。

3.根据权利要求1所述的图像分类模型的训练方法，其特征在于，所述根据预设的第二区域分割方法、所述标注工具和所述目标图像，对所述第一模型进行图像块分类训练，得到第二模型的步骤，包括：

采用所述第二区域分割方法中的第一子分割方法，对所述目标图像进行图像块分割，得到第二图像块集；

将所述第二图像块集输入所述第一模型进行每个图像块的分类预测，得到第一预测向量；

从各个所述第一预测向量中获取阳性向量元素位于预设的概率范围内的每个所述第一预测向量，作为第一命中向量；

采用所述标注工具，对所述第二图像块集中的与所述第一命中向量对应的图像块进行展示并获取用户的标注结果，得到第二标注结果；

根据所述第二图像块集中的与各个所述第一命中向量对应的各个图像块和各个所述第二标注结果，对所述第一模型进行图像块分类训练，得到待处理模型；

采用所述第二区域分割方法中的第二子分割方法，对所述目标图像进行图像块分割，得到第三图像块集；

将所述第三图像块集输入所述待处理模型进行每个图像块的分类预测，得到第二预测向量；

从各个所述第二预测向量中获取阳性向量元素位于所述概率范围内的每个所述第二预测向量，作为第二命中向量；

采用所述标注工具，对所述第三图像块集中的与所述第二命中向量对应的图像块进行展示并获取用户的标注结果，得到第三标注结果；

根据所述第三图像块集中的与各个所述第二命中向量对应的各个图像块和各个所述第三标注结果，对所述待处理模型进行图像块分类训练，得到所述第二模型；

其中，所述第一子分割方法、所述第二子分割方法和所述第一区域分割方法不相同。

4.根据权利要求3所述的图像分类模型的训练方法，其特征在于，所述第一子分割方法的分割位置是所述第一区域分割方法分割出的图像块的横向中心线和纵向中心线；

所述第二子分割方法的分割位置的横坐标为m-x和纵坐标为n-x，m是目标图像块的右下角的顶点的横坐标，n是所述目标图像块的右下角的顶点的纵坐标，x大于0，x小于所述目标图像块的长度，x小于所述目标图像块的宽度，其中，所述目标图像块是所述第一区域分割方法分割出的任一个图像块。

5.根据权利要求2所述的图像分类模型的训练方法，其特征在于，所述根据预设的第三区域分割方法、所述标注工具和所述目标图像，对所述第二模型进行图像块分类训练，得到图像分类模型的步骤，包括：

采用所述第三区域分割方法，对所述目标图像进行图像块分割，得到第四图像块集；

将所述第四图像块集输入所述第二模型进行每个图像块的分类预测，得到第三预测向量；

从各个所述第三预测向量中获取阳性向量元素位于预设的概率范围内的每个所述第三预测向量，作为第三命中向量；

采用所述标注工具，对所述第四图像块集中的与所述第三命中向量对应的图像块进行展示并获取用户的标注结果，得到第四标注结果；

根据所述第四图像块集中的与各个所述第三命中向量对应的各个图像块和各个所述第四标注结果，对所述第二模型进行图像块分类训练，得到所述图像分类模型。