[发明专利]图像分类方法和装置

权利要求书

1.一种图像分类方法，其特征在于，包括：

获取训练数据和待训练的自编码模型，所述训练数据包括样本图像、所述样本图像对应的标签信息以及参考图像，所述自编码模型包括第一特征提取分支和第二特征提取分支、解码器，所述第一特征提取分支和所述第二特征提取分支共用编码器；

基于所述样本图像及其对应的标签信息，对所述第一特征提取分支进行预训练，得到预训练后的第一特征提取分支，所述第一特征提取分支包括编码器和第一特征提取层；

通过所述预训练后的第一特征提取分支，对所述样本图像和所述参考图像进行特征提取，得到所述样本图像对应的样本特征信息和所述参考图像对应的参考特征信息；

基于所述样本特征信息和所述参考特征信息之间的损失值，对所述参考图像进行更新，得到所述样本图像对应的第一特征图像；

根据所述样本图像和所述第一特征图像对自编码模型进行训练，得到训练后的自编码模型，所述训练后的自编码模型用于对图像进行分类。

2.根据权利要求1所述的方法，其特征在于，所述根据所述样本图像和所述第一特征图像对自编码模型进行训练，得到训练后的自编码模型，包括：

将所述样本图像和所述第一特征图像分别确定为训练图像；

通过所述预训练后的第一特征提取分支和所述第二特征提取分支，对所述训练图像进行特征提取，得到所述训练图像的特征信息；

通过所述解码器对所述训练图像的特征信息进行解码处理，得到解码后训练图像；

基于所述解码后训练图像和所述训练图像之间的重建损失值，对自编码模型的第二特征提取分支中的参数进行调整，得到训练后的自编码模型。

3.根据权利要求2所述的方法，其特征在于，所述自编码模型还包括第一分类模块和第二分类模块；所述训练图像的特征信息包括所述样本图像的第一特征信息和第二特征信息，所述第一特征信息是通过所述预训练后的第一特征提取分支提取得到的，所述第二特征信息是通过所述第二特征提取分支提取得到的；所述标签信息为所述样本图像属于预设类别的期望概率；

所述基于所述解码后训练图像和所述训练图像之间的重建损失值，对自编码模型的第二特征提取分支中的参数进行调整，得到训练后的自编码模型，包括：

通过所述第一分类模块，基于所述样本图像的第一特征信息对所述样本图像进行分类，得到所述样本图像属于预设类别的实际第一概率；

基于所述实际第一概率和所述期望概率之间的第一分类损失值，对所述预训练后的第一特征提取分支和所述第一分类模块的参数进行调整；

通过所述第二分类模块，基于所述样本图像的第二特征信息对所述样本图像进行分类，得到所述样本图像属于预设类别的实际第二概率；

基于所述实际第二概率和所述期望概率之间的第二分类损失值，对所述第二分类模块的参数进行调整；

基于所述解码后训练图像和所述训练图像之间的重建损失值，对所述第二特征提取分支中的参数进行调整；

当所述重建损失值、所述第一分类损失值和所述第二分类损失值满足预设条件时停止调整，得到训练后的自编码模型。

4.根据权利要求3所述的方法，其特征在于，所述当所述重建损失值、所述第一分类损失值和所述第二分类损失值满足预设条件时停止调整，得到训练后的自编码模型，包括：

确定所述重建损失值、所述第一分类损失值和所述第二分类损失值对应的权重；

基于所述权重，对所述重建损失值、所述第一分类损失值和所述第二分类损失值进行加权融合，得到所述自编码模型的总损失；

当所述总损失满足预设条件时停止调整，得到训练后的自编码模型。