[发明专利]分类模型训练方法、分类方法、装置、设备及介质

说明书

本发明涉及人工智能技术领域，尤其涉及一种分类模型训练方法、分类方法、装置、设备及介质。通过使用对比学习机制对初始分类模型进行训练，将对应的无标注信息的样本图像对应的损失与带有标注信息的样本图像对应的损失都考虑在内，实现了使用少量带有标注信息的样本图像对初始分类模型进行训练的目的，从而在数据标签较少的情况下，提高分类模型的训练精度，使用训练好的分类模型，从而得到分类精度较高的分类结果，本发明中，使用基于对比学习中损失与分类模型中的损失对分类模型进行训练，在分类模型中加入对比学习可以学习到样本图像之间内在的一致性信息，提高不同任务中对应图像特征之间的区别性，从而提高分类模型的分类精度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种分类模型训练方法、分类方法、装置、设备及介质。

背景技术

近年来，人脸属性分类在多个领域中越来越得到广泛的应用，准确、高效的人脸属性分类结果在协助执法人员侦破案件、改进人机交互体验等方面有重要的辅助作用，目前人脸属性分类方法都是基于有标签数据训练的，需要知道数据的标签才能执行相关任务的训练，然而现实世界中的数据大多是无标签的，对这些无标签的数据进行标注会消耗大量时间和人力成本，若使用少量的带有标签的数据对人脸属性分类训练时，人脸属性分类精度较低，因此，在数据标签较少的情况下，如何提高人脸属性分类的精度，成为亟待解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种分类模型训练方法、分类方法、装置、设备及介质，以解决在数据标签较少的情况下，分类精度较低的问题。

第一方面，本发明实施例提供一种基于对比学习的分类模型训练方法，所述分类模型训练方法包括：

获取样本图像，从所述样本图像中提取所述样本图像对应的标签值；

使用预设第一编码器与预设第二编码器对所述样本图像进行对比学习，确定所述对比学习对应的第一损失；

从所述预设第一编码器与预设第二编码器中选取目标编码器，使用所述目标编码器对所述样本图像进行编码处理，得到所述样本图像对应的图像特征，通过初始分类模型对所述图像特征进行预测分类，得到预测分类结果；

使用所述预测分类结果与所述样本图像对应的标签值，计算所述初始分类模型对应的第二损失；

根据所述第一损失与所述第二损失，构建训练损失函数，基于所述训练损失函数对所述初始分类模型进行训练，得到训练好的分类模型。

第二方面，本发明实施例提供一种基于对比学习的分类方法，所述分类方法包括：

获取待分类图像；

使用上述第一方面所述的分类模型训练方法训练好的分类模型对所述待分类图像进行分类处理，得到所述待分类图像对应的分类结果。

第三方面，本发明实施例提供一种基于对比学习的分类模型训练装置，所述分类模型训练装置包括：

获取模块，用于获取样本图像，从所述样本图像中提取所述样本图像对应的标签值；

第一损失计算模块，用于使用预设第一编码器与预设第二编码器对所述样本图像进行对比学习，确定所述对比学习对应的第一损失；

分类模块，用于从所述预设第一编码器与预设第二编码器中选取目标编码器，使用所述目标编码器对所述样本图像进行编码处理，得到所述样本图像对应的图像特征，通过初始分类模型对所述图像特征进行预测分类，得到预测分类结果；

第二损失计算模块，用于使用所述预测分类结果与所述样本图像对应的标签值，计算所述初始分类模型对应的第二损失；

训练模块，用于根据所述第一损失与所述第二损失，构建训练损失函数，基于所述训练损失函数对所述初始分类模型进行训练，得到训练好的分类模型。