[发明专利]分类模型的训练方法和对图像进行分类的方法

说明书

本公开公开了一种分类模型的训练方法和对图像进行分类的方法，应用于电子技术领域，具体应用于增强现实和深度学习技术领域。分类模型的训练方法的具体实现方案为：获取训练样本，该训练样本具有指示类别的标签且训练样本中的至少部分样本为包括目标物体的图像；基于分类模型中不包括翻转层的第一处理支路，获得训练样本的第一分类信息；基于分类模型中包括翻转层的第二处理支路，获得训练样本的第二分类信息；以及基于第一分类信息、第二分类信息和标签，对分类模型进行训练，其中，翻转层用于对训练样本进行镜像翻转。

技术领域

本公开涉及电子技术领域，具体涉及增强现实和深度学习技术领域，更具体地涉及一种分类模型的训练方法和对图像进行分类的方法、装置、电子设备和存储介质。

背景技术

相关技术中的深度学习模型在进行分类时，通常倾向于学习纹理特征。为了提升物体不变性，模型的训练方式倾向于提升模型的泛化能力。但提升泛化能力，会使得模型在处理图像时造成位置信息在一定程度上的丢失，使得训练得到的模型难以区分纹理特征相似甚至相同的物体。

发明内容

提供了一种能够对纹理特征相似的物体(例如镜像对称的物体)进行准确分类的分类模型的训练方法和对图像进行分类的方法。

根据本公开的一个方面，提供了一种分类模型的训练方法，该方法包括：获取训练样本，该训练样本具有指示类别的标签且训练样本中的至少部分样本为包括目标物体的图像；基于分类模型中不包括翻转层的第一处理支路，获得训练样本的第一分类信息；基于分类模型中包括翻转层的第二处理支路，获得训练样本的第二分类信息；以及基于第一分类信息、第二分类信息和标签，对分类模型进行训练，其中，翻转层用于对训练样本进行镜像翻转。

根据本公开的另一个方面，提供了一种对图像进行分类的方法，包括：获取待分类图像；基于分类模型中不包括翻转层的第一处理支路，获得待分类图像的第三分类信息；基于分类模型中包括翻转层的第二处理支路，获得待分类图像的第四分类信息；以及基于第三分类信息和第四分类信息，确定待分类图像的类别，其中，翻转层用于对待分类图像进行镜像翻转，所述分类模型是采用本公开提供的分类模型的训练方法训练得到的。

根据本公开的另一个方面，提供了一种分类模型的训练装置，包括：样本获取模块，用于获取训练样本，该训练样本具有指示类别的标签且训练样本中的至少部分样本为包括目标物体的图像；第一信息获得模块，用于基于分类模型中不包括翻转层的第一处理支路，获得训练样本的第一分类信息；第二信息获得模块，用于基于分类模型中包括翻转层的第二处理支路，获得训练样本的第二分类信息；以及模型训练模块，用于基于第一分类信息、第二分类信息和标签，对分类模型进行训练，其中，翻转层用于对训练样本进行镜像翻转。

根据本公开的另一个方面，提供了一种对图像进行分类的装置，包括：图像获取模块，用于获取待分类图像；第三信息获得模块，用于基于分类模型中不包括翻转层的第一处理支路，获得待分类图像的第三分类信息；第四信息获得模块，用于基于分类模型中包括翻转层的第二处理支路，获得待分类图像的第四分类信息；以及类别确定模块，用于基于第三分类信息和第四分类信息，确定待分类图像的类别，其中，翻转层用于对待分类图像进行镜像翻转，分类模型是采用本公开提供的分类模型的训练装置训练得到的。

根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的分类模型的训练方法和/或对图像进行分类的方法。

根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的分类模型的训练方法和/或对图像进行分类的方法。

根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的分类模型的训练方法和/或对图像进行分类的方法。