用于生成图像类别检测模型的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于生成图像类别检测模型的方法和装置。

背景技术：

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。互联网中每天都会传播大量图像，通常，移动端需要对一些图像进分析和处理，以确定图像内容的类别。

通常，模型的复杂程度越高，检测效果越好，同时，检测所占用的计算资源越多以及检测效率越低。相关的方式，通常是直接使用样本集训练轻量级的可对图像类别进行初步检测的模型，将它布置在移动端。移动端利用该网络进行图像类别的检测。

技术实现要素：

本申请实施例提出了用于生成图像类别检测模型的方法和装置。

第一方面，本申请实施例提供了一种用于生成图像类别检测模型的方法，该方法包括：获取样本集，其中，样本集中的样本包括样本图像和用于表征样本图像的类别的标注信息；从样本集中提取样本，执行如下训练步骤：将所提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型；基于第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值；基于损失值与目标值的比较，确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为第二图像类别检测模型。

在一些实施例中，第二图像类别检测模型包括至少一个卷积层；以及该方法还包括：对于第二图像类别检测模型中的卷积层，确定该卷积层中的每一个卷积核中的参数的绝对值之和；确定该卷积层中待删除的卷积核的目标数量；按照绝对值之和从小到大的顺序，删除该卷积层中目标数量的卷积核；利用机器学习方法，基于样本集，对删除卷积核后的第二图像类别检测模型进行更新。

在一些实施例中，第一图像类别检测模型的目标层包括第一全连接层，初始模型的目标层包括第二全连接层；以及基于第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值，包括：将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值；将第一全连接层输出的信息、第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值；将第一损失值与第二损失值的加权结果确定为所提取的样本的损失值。

在一些实施例中，第一图像类别检测模型的目标层包括第一归一化层，初始模型的目标层包括第二归一化层；以及基于第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值，包括：将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值；将第一归一化层输出的信息、第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值；将第一损失值与第三损失值的加权结果确定为所提取的样本的损失值。

在一些实施例中，第一图像类别检测模型的目标层包括第一全连接层和第一归一化层，初始模型的目标层包括第二全连接层和第二归一化层；以及基于第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值，包括：将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值；将第一全连接层输出的信息、第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值；将第一归一化层输出的信息、第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值；将第一损失值、第二损失值和第三损失值三者的加权结果确定为所提取的样本的损失值。

在一些实施例中，该还包括：响应于确定初始模型未训练完成，基于损失值，更新初始模型中的参数，从样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行训练步骤。

在一些实施例中，样本集中的样本的个数小于预设数量。

第二方面，本申请实施例提供了一种用于生成图像类别检测模型的装置，该装置包括：获取单元，被配置成获取样本集，其中，样本集中的样本包括样本图像和用于表征样本图像的类别的标注信息；训练单元，被配置成从样本集中提取样本，执行如下训练步骤：将所提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型；基于第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值；基于损失值与目标值的比较，确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为第二图像类别检测模型。

在一些实施例中，第二图像类别检测模型包括至少一个卷积层；以及该装置还包括：删除单元，被配置成对于第二图像类别检测模型中的卷积层，确定该卷积层中的每一个卷积核中的参数的绝对值之和；确定该卷积层中待删除的卷积核的目标数量；按照绝对值之和从小到大的顺序，删除该卷积层中目标数量的卷积核；第一更新单元，被配置成利用机器学习方法，基于样本集，对删除卷积核后的第二图像类别检测模型进行更新。

在一些实施例中，第一图像类别检测模型的目标层包括第一全连接层，初始模型的目标层包括第二全连接层；以及训练单元，包括：第一输入模块，被配置成将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值；第二输入模块，被配置成将第一全连接层输出的信息、第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值；第一确定模块，被配置成将第一损失值与第二损失值的加权结果确定为所提取的样本的损失值。

在一些实施例中，第一图像类别检测模型的目标层包括第一归一化层，初始模型的目标层包括第二归一化层；以及训练单元，包括：第三输入模块，被配置成将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值；第四输入模块，被配置成将第一归一化层输出的信息、第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值；第二确定模块，被配置成将第一损失值与第三损失值的加权结果确定为所提取的样本的损失值。

在一些实施例中，第一图像类别检测模型的目标层包括第一全连接层和第一归一化层，初始模型的目标层包括第二全连接层和第二归一化层；以及训练单元，包括：第五输入模块，被配置成将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值；第六输入模块，被配置成将第一全连接层输出的信息、第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值；第七输入模块，被配置成将第一归一化层输出的信息、第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值；第三确定模块，被配置成将第一损失值、第二损失值和第三损失值三者的加权结果确定为所提取的样本的损失值。

在一些实施例中，该装置还包括：第二更新单元，被配置成响应于确定初始模型未训练完成，基于损失值，更新初始模型中的参数，从样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行训练步骤。

在一些实施例中，样本集中的样本的个数小于预设数量。

第三方面，本申请实施例提供了一种用于检测图像类别的方法，包括：获取待检测图像；将待检测图像输入采用上述第一方面中任一实施例所描述的方法生成的第二图像类别检测模型中，生成待检测图像的类别检测结果。

第四方面，本申请实施例提供了一种用于检测图像类别的装置，包括：获取单元，被配置成获取待检测图像；生成单元，被配置成将待检测图像输入采用上述第一方面中任一实施例所描述的方法生成的第二图像类别检测模型中，生成待检测图像的类别检测结果。

第五方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述第一方面和第三方面中任一实施例的方法。

第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面和第三方面中任一实施例的方法。

本申请实施例提供的用于生成图像类别检测模型的方法和装置，通过获取样本集，可以从中提取样本以进行初始模型的训练。其中，样本集中的样本可以包括样本图像和用于表征样本图像的类别的标注信息。这样，将提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型，便可以得到第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息和初始模型输出的类别预测结果。基于所得到的上述内容和所提取的样本中的标注信息，即可确定所提取的样本的损失值。最后，可以基于损失值确定初始模型是否训练完成。若初始模型训练完成，就可以将训练后的初始模型确定为第二图像类别检测模型。从而能够得到一种可以适用于移动端的图像类别检测模型，且有助于丰富模型的生成方式。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成图像类别检测模型的方法的一个实施例的流程图；

图3是根据本申请的用于生成图像类别检测模型的方法的一个应用场景的示意图；

图4是根据本申请的用于生成图像类别检测模型的方法的又一个实施例的流程图；

图5是根据本申请的用于生成图像类别检测模型的装置的一个实施例的结构示意图；

图6是根据本申请用于检测图像类别的方法的一个实施例的流程图；

图7是根据本申请用于检测图像类别的装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成图像类别检测模型的方法或用于生成图像类别检测模型的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、资讯浏览类应用、视频录制类应用、视频播放类应用、语音交互类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

当终端设备101、102、103为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户可以利用终端设备101、102、103上的图像采集设备，来采集图像。

服务器105可以是提供各种服务的服务器，例如数据库服务器。数据库服务器可以存储有样本集或者从其他设备中获取样本集。样本集中可以包含多个样本。其中，样本可以包括样本图像和用于指示样本图像的类别的标注信息。此外，数据库服务器还可以存储有预先训练的第一图像类别检测模型。该模型可以通过对一个复杂的网络训练所得到。该模型的参数和尺寸较大，需要的计算资源(例如内存、gpu(graphicsprocessingunit，图形处理器))较高。

服务器105可以基于样本集和该第一图像类别检测模型，利用机器学习方法对一个结构较为简单的初始模型进行训练，并将训练结果(例如所生成的轻量级的第二图像类别检测模型)发送给终端设备101、102、103。这样，终端设备101、102、103可以应用第二图像类别检测模型进行图像类别识别。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于生成图像类别检测模型的方法一般由服务器105执行，相应地，用于生成图像类别检测模型的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成图像类别检测模型的方法的一个实施例的流程200。该用于生成图像类别检测模型的方法，包括以下步骤：

步骤201，获取样本集。

在本实施例中，用于生成图像类别检测模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从用于存储样本的另一服务器(例如数据库服务器)中获取存储于其中的现有的样本集。再例如，用户可以通过终端设备(例如图1所示的终端设备101、102、103)来收集样本。这样，上述执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

此处，样本集中可以包括多个样本。其中，样本可以包括样本图像以及用于指示样本图像的类别的标注信息。样本图像的类别可以预先根据图像中的对象划分为多种。例如，可以划分为猫、狗、人、树、房子、等类别。需要说明的是，样本图像的类别不限于上述划分方式，也可以预先根据图像所表现的内容划分为多种。样本集中的每一个样本图像，可以对应有一个用于指示该样本图像属于某一类别的标注信息。

步骤202，从样本集中提取样本。

在本实施例中，执行主体可以从步骤201中获取的样本集中提取样本，以及执行步骤203至步骤206的训练步骤。其中，样本的提取方式和提取数量在本申请中并不限制。例如，可以是随机提取至少一个样本，也可以是从中提取样本图像的清晰度较好(即样本图像的像素较高)的样本。

步骤203，将所提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型。

在本实施例中，上述执行主体可以将步骤202中提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型。其中，第一图像类别检测模型可以是利用机器学习方法和上述样本集，对卷积神经网络进行有监督训练而得到的。实践中，卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行样本图像的特征的提取。卷积神经网络可以包含卷积层、池化层、全连接层等。其中，卷积层可以用于提取图像特征。池化层可以用于对输入的信息进行降采样(downsample)。全连接层可以用于将所得到的特征进行分类，确定图像属于各类别的概率。

此处，用于训练第一图像类别检测模型的卷积神经网络，可以基于各种现有的结构(例如densebox、vggnet、resnet、segnet等)而建立。并且，所使用的卷积神经网络可以具有较为复杂的网络结构。例如，可以包含多层卷积层(例如6层、或者10层等)、多层池化层、多层全连接层等。其中，每一个卷积层可以设置有多个卷积核(filter)。需要说明的是，训练第一图像类别检测模型所使用的卷积神经网络，还可以根据需要包含其他层，例如归一化(batchnormalization，bn)层等，此处不作限定。

此处，初始模型也可以是使用各种现有的结构(例如densebox、vggnet、resnet、segnet等)的卷积神经网络。并且，初始模型的网络结构可以较为简单。例如，可以包含少量的卷积层(例如一层或两层)、少量的池化层(例如一层或两层)以及全连接层。需要说明的是，训练第一图像类别检测模型所使用的卷积神经网络，还可以根据需要包含其他层，例如归一化层等，此处不作限定。

需要说明的是，通常情况下，较为复杂的模型结构相对于较为简单的模型结构，在利用同样的数据和方法训练后，会具有更好的表现(例如图像类别检测的准确率更高)。同时，利用较为复杂的模型结构所训练得到的模型，由于参数较多，计算过程复杂，会占用更多的计算资源，且计算速度较慢。因而，利用较为复杂的模型结构所训练得到的模型，不适于部署在移动端。相反的，利用较为简单的模型结构所训练得到的模型，由于参数较少，计算过程简单，仅会占用较少的计算资源，处理速度较快，可以部署在移动端使用。但是，若直接使用样本集训练，通常所训练出的模型的表现较差(例如图像类别检测的准确性较低)。

可以理解的是，训练第一图像类别检测模型所使用的卷积神经网络，其中的卷积层的层数、池化层的层数、全连接层的层数、卷积核的个数、参数数量等可以根据实际需求设定，此处不作限定。设定的结构可以使训练后的第一图像类别检测模型达到期待的表现(例如识别准确率达到设定值)。同时，初始模型中的卷积层的层数、池化层的层数、全连接层的层数、卷积核的个数、参数数量，可以根据移动端可提供的计算资源等因素而设定，此处不作限定。

步骤204，基于第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值。

在本实施例中，在将所提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型之后，可以首先提取第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息和初始模型输出的类别预测结果。其中，第一图像类别检测模型的目标层可以是技术人员预先指定的第一图像类别检测模型中的某一层或多层。例如，可以是最后一个全连接层，或者最后一个卷积层，或者归一化层，或者，可以包括最后一个全连接层和归一化层。初始模型的目标层可以是技术人员预先指定的与第一图像类别检测模型的目标层相对应的层。例如，若第一图像类别检测模型的目标层为最后一个全连接层，则初始模型的目标层也可以是初始模型的全连接层(若初始模型有两个或两个以上的全连接层，则目标层为最后一个全连接层)。若图像类别检测模型的目标层为最后一个卷积层，则初始模型的目标层也可以是初始模型中最后一个卷积层。此处，初始模型输出的类别预测结果，可以是所输入的样本图像属于各个类别的概率。实践中，初始模型和第一图像类别检测模型的全连接层可以使用softmax函数计算样本图像属于各个类别的概率。

在提取第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息和初始模型输出的类别预测结果之后，上述执行主体可以将所提取的上述内容以及所提取的样本中的标注信息输入至预先建立的损失函数(lossfunction)，得到损失值。此处，损失函数的设置可以考虑到两部分的损失(例如可以设定为两部分损失之和，或者两部分损失的加权结果)。即，其中一部分损失可以用于估量第一图像类别检测模型的目标层所输出的信息与初始模型的目标层所输出的信息的差异程度。另一部分损失可以用于表征初始模型所输出的信息(例如样本图像属于其标注的类别的概率)与标注信息的差异程度。损失函数是一个非负实值函数。一般情况下，损失函数的值(损失值)越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。

由于损失值不仅考虑了初始模型所输出的信息与标注信息的差异，还考虑了第一图像类别检测模型的目标层所输出的信息与初始模型的目标层所输出的信息的差异。由此，可以使初始模型训练过程中，从已经训练好且表现较好的第一图像类别检测模型中进行学习。从而训练得到的第二图像类别检测模型，相对于仅通过样本集进行有监督学习所得到的模型，提高了对图像类别检测的准确率。同时，由此训练得到的第二图像类别检测模型由于结构较为简单，因而，使用其进行图像类别检测，相对于复杂结构的第一图像类别检测模型，可以提高检测效率，降低计算资源的占用率，并且可以适用于移动端的部署。

在本实施例的一些可选的实现方式中，上述第一图像类别检测模型的目标层可以包括第一全连接层。初始模型的目标层可以包括第二全连接层。此处，作为示例，第一全连接层可以是第一图像类别检测模型的最后一个全连接层。第二全连接层可以是初始图像的全连接层(若初始模型有两个或两个以上的全连接层，则目标层可以为最后一个全连接层)。实践中，最后一个全连接层的输出，可以是softmax函数的输入。此时，可以按照如下步骤确定所提取的样本的损失值：

第一步，可以将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。其中，上述第一损失函数可以用于表征初始模型输出的类别预测结果和所提取的样本中的标注信息的差异程度。即，所输入的样本图像属于其标注的类别的概率与真实值(例如1或0，分别表征所输入的样本图像是否属于该预设类别)的差异程度。

第二步，可以将上述第一全连接层输出的信息、上述第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值。其中，上述第二损失函数可以用于表征第一图像类别检测模型的第一全连接层所输出的信息与初始模型的第二全连接层所输出的信息的差异程度。

第三步，可以将上述第一损失值与上述第二损失值的加权结果确定为所提取的样本的损失值。此处，第一损失值与第二损失值的权重，可以是技术人员基于大量的数据统计和试验而预先设定的数值。

在本实施例的一些可选的实现方式中，上述第一图像类别检测模型的目标层可以包括第一归一化层。初始模型的目标层包括第二归一化层。实践中，卷积神经网络中的归一化层的输出通常是全局池化层(globalpooling)层的输入，即归一化层通常为全局池化层的前一层。因此，第一归一化层的输出可以是第一图像类别检测模型的全局池化层的输入。第二归一化层的输出可以是初始模型的全局池化层的输入。此时，可以按照如下步骤确定所提取的样本的损失值：

第一步，可以将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。

第二步，可以将上述第一归一化层输出的信息、上述第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值。其中，上述第三损失函数可以用于表征第一图像类别检测模型的第一归一化层所输出的信息与初始模型的第二归一化层所输出的信息的差异程度。

第三步，可以将上述第一损失值与上述第三损失值的加权结果确定为所提取的样本的损失值。此处，第一损失值与第三损失值的权重，可以是技术人员基于大量的数据统计和试验而预先设定的数值。

在本实施例的一些可选的实现方式中，上述第一图像类别检测模型的目标层可以包括第一全连接层和第一归一化层。初始模型的目标层可以包括第二全连接层和第二归一化层。此时，可以按照如下步骤确定所提取的样本的损失值：

第一步，可以将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。

第二步，可以将上述第一全连接层输出的信息、上述第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值。

第三步，可以将上述第一归一化层输出的信息、上述第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值。

第四步，可以将上述第一损失值、上述第二损失值和上述第三损失值三者的加权结果确定为所提取的样本的损失值。此处，第一损失值、第二损失值、第三损失值的权重，可以是技术人员基于大量的数据统计和试验而预先设定的数值。

步骤205，基于损失值与目标值的比较，确定初始模型是否训练完成。

在本实施例中，上述执行主体可以基于所确定损失值与目标值进行比较。根据比较结果确定初始模型是否训练完成。需要说明的是，若步骤202中提取有多个(至少两个)样本，则执行主体可以将每个样本的损失值分别与目标值进行比较。从而可以确定每个样本的损失值是否小于或等于目标值。作为示例，如果步骤202中提取有多个样本，那么在每个样本的损失值均小于或等于目标值的情况下，执行主体可以确定初始模型训练完成。再例如，执行主体可以统计损失值小于等于目标值的样本占提取的样本的比例。且在该比例达到预设样本比例(如95％)，可以确定初始模型训练完成。需要说明的是，目标值一般可以用于表示预测值与真实值之间的不一致程度的理想情况。也就是说，当损失值小于或等于目标值时，可以认为预测值接近或近似真实值。目标值可以根据实际需求来设置。

需要说明的是，响应于确定初始模型已训练完成，则可以继续执行步骤206。响应于确定初始模型未训练完成，可以基于所确定的损失值，更新初始模型中的参数，从上述样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行上述训练步骤。此处，可以利用反向传播算法求得损失值相对于模型参数的梯度，而后利用梯度下降算法基于梯度更新模型参数。需要说明的是，上述反向传播算法、梯度下降算法以及机器学习方法是目前广泛研究和应用的公知技术，在此不再赘述。需要指出的是，这里的提取方式在本申请中也不限制。例如在样本集中有大量样本的情况下，执行主体可以从中提取未被提取过的样本。

步骤206，响应于确定初始模型训练完成，将训练后的初始模型确定为第二图像类别检测模型。

在本实施例中，响应于确定初始模型训练完成，上述执行主体可以将训练后的初始模型确定为第二图像类别检测模型。

在本实施例的一些可选的实现方式中，执行主体可以将生成的第二图像类别检测模型发送给终端设备，以便终端设备利用该第二图像类别检测模型进行图像类别检测。

在本实施例的一些可选的实现方式中，上述样本集中的样本的个数可以小于预设数量(例如3000个)。由于样本集中的一些样本难以获得，因而，很多情况下，样本集中的样本数量较少(例如小于3000个)。当样本集中的样本数量较少时，或者样本分布不太均匀的情况下，训练得到的第一图像类别检测模型可能会出现过拟合(overfitting)的情况，导致检测的准确率无法达到预期。而在这种情况下，使用本实施例提供的方法所训练得到的第二图像类别检测模型，由于样本更加平滑，模型更易收敛，因而，其检测的准确性高于第一图像类别检测模型检测的准确性。

继续参见图3，图3是根据本实施例的用于生成图像类别检测模型的方法的应用场景的一个示意图。在图3的应用场景中，用户(例如技术人员)所使用的终端设备301上可以安装有模型训练类应用。当用户打开该应用，并上传样本集或样本集的存储路径后，对该应用提供后台支持的服务器302可以运行用于生成图像类别检测模型的方法，包括：

首先，可以获取样本集。其中，样本集中的样本可以包括样本图像和用于指示样本图像的类别的标注信息。之后，可以从样本集中提取样本，以及执行如下训练步骤：将所提取的样本中的样本图像303分别输入至初始模型305和预先训练的第一图像类别检测模型304；基于上述第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息306，确定所提取的样本的损失值307；基于上述损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为第二图像类别检测模型308。

本申请的上述实施例提供的方法，通过获取样本集，可以从中提取样本以进行初始模型的训练。其中，上述样本集中的样本可以包括样本图像和用于表征样本图像的类别的标注信息。这样，将提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型，便可以得到第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息和初始模型输出的类别预测结果。基于所得到的上述内容和所提取的样本中的标注信息，即可确定所提取的样本的损失值。最后，可以基于上述损失值确定初始模型是否训练完成。若初始模型训练完成，就可以将训练后的初始模型确定为第二图像类别检测模型。从而能够得到一种可以用于图像类别检测的模型。

由于损失值不仅考虑了初始模型所输出的信息与标注信息的差异，还考虑了第一图像类别检测模型的目标层所输出的信息与初始模型的目标层所输出的信息的差异。从而可以使初始模型训练过程中，从已经训练好且表现较好的第一图像类别检测模型中进行学习。由此训练得到的第二图像类别检测模型，相对于仅通过样本集进行有监督学习所得到的模型，提高了对图像类别检测的准确率。同时，由此训练得到的第二图像类别检测模型由于结构较为简单。因而，使用其进行图像类别检测，相对于复杂结构的第一图像类别检测模型，可以提高检测效率，降低计算资源的占用率，并且可以适用于移动端的部署。

进一步参考图4，其示出了用于生成图像类别检测模型的方法的又一个实施例的流程400。该用于生成图像类别检测模型的方法的流程400，包括以下步骤：

步骤401，获取样本集。

在本实施例中，用于生成图像类别检测模型的方法的执行主体(例如图1所示的服务器105)可以获取样本集。此处，样本集中可以包括多个样本。其中，样本可以包括样本图像以及用于指示样本图像的类别的标注信息。

步骤402，从样本集中提取样本。

在本实施例中，执行主体可以从步骤401中获取的样本集中提取样本，以及执行步骤403至步骤409的训练步骤。其中，样本的提取方式和提取数量在本申请中并不限制。

步骤403，将所提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型。

在本实施例中，上述执行主体可以将步骤402中提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型。其中，第一图像类别检测模型可以是利用机器学习方法和上述样本集，对卷积神经网络进行有监督训练而得到的。此处，用于训练第一图像类别检测模型的卷积神经网络，并且，所使用的卷积神经网络可以具有较为复杂的网络结构。例如，可以包含多层卷积层、多层池化层、归一化层、多层全连接层等。其中，每一个卷积层可以设置有多个卷积核。此处，初始模型也可以是使用各种现有的结构的卷积神经网络。并且，初始模型的网络结构可以较为简单。例如，可以包含少量的卷积层、少量的池化层、归一化层以及全连接层。

在本实施例中，可以将上述第一图像类别检测模型的最后一个全连接层作为第一全连接层，将上述第一图像类别检测模型的归一化层作为第一归一化层。将第一全连接层和第一归一化层作为第一图像类别检测模型的目标层，获取第一图像类别检测模型的目标层所输出的信息。同时，可以将初始模型的最后一个全连接层作为第二全连接层，将初始模型的归一化层作为第二归一化层。将第二全连接层和第二归一化层作为初始模型的目标层，获取初始模型的目标层所输出的信息。

步骤404，将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。

在本实施例中，上述执行主体可以将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。其中，上述第一损失函数可以用于表征初始模型输出的类别预测结果和所提取的样本中的标注信息的差异程度。即，所输入的样本图像属于其标注的类别的概率与真实值(例如1或0，分别表征所输入的样本图像是否属于该预设类别)的差异程度。

步骤405，将第一全连接层输出的信息、第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值。

在本实施例中，上述执行主体可以将上述第一全连接层输出的信息、上述第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值。其中，上述第二损失函数可以用于表征第一图像类别检测模型的第一全连接层所输出的信息与初始模型的第二全连接层所输出的信息的差异程度。

步骤406，将第一归一化层输出的信息、第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值。

在本实施例中，上述执行主体可以将上述第一归一化层输出的信息、上述第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值。其中，上述第三损失函数可以用于表征第一图像类别检测模型的第一归一化层所输出的信息与初始模型的第二归一化层所输出的信息的差异程度。

步骤407，将第一损失值、第二损失值和第三损失值三者的加权结果确定为所提取的样本的损失值。

在本实施例中，上述执行主体可以将上述第一损失值、上述第二损失值和上述第三损失值三者的加权结果确定为所提取的样本的损失值。此处，第一损失值、第二损失值、第三损失值的权重，可以是技术人员基于大量的数据统计和试验而预先设定的数值。

步骤408，基于损失值与目标值的比较，确定初始模型是否训练完成。

在本实施例中，上述执行主体可以将所确定损失值与目标值进行比较。根据比较结果确定初始模型是否训练完成。需要说明的是，若步骤402中提取有多个(至少两个)样本，则执行主体可以将每个样本的损失值分别与目标值进行比较。从而可以确定每个样本的损失值是否小于等于目标值。作为示例，如果步骤202中提取有多个样本，那么在每个样本的损失值均小于等于目标值的情况下，执行主体可以确定初始模型训练完成。再例如，执行主体可以统计损失值小于等于目标值的样本占提取的样本的比例。且在该比例达到预设样本比例(如95％)，可以确定初始模型训练完成。

需要说明的是，响应于确定初始模型已训练完成，则可以继续执行步骤409。响应于确定初始模型未训练完成，可以基于所确定的损失值，更新初始模型中的参数，从上述样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行上述训练步骤。

步骤409，响应于确定初始模型训练完成，将训练后的初始模型确定为第二图像类别检测模型。

在本实施例中，响应于确定初始模型训练完成，上述执行主体可以将训练后的初始模型确定为第二图像类别检测模型。

步骤410，对于第二图像类别检测模型中的卷积层，确定该卷积层中的每一个卷积核中的参数的绝对值之和；确定该卷积层中待删除的卷积核的目标数量；按照绝对值之和从小到大的顺序，删除该卷积层中目标数量的卷积核。

在本实施例中，在得到第二图像类别检测模型后，对于第二图像类别检测模型中的卷积层(例如某一个或多个，或者全部的卷积层)，上述执行主体可以执行如下步骤：

第一步，确定该卷积层中的每一个卷积核中的参数的绝对值之和。实践中，卷积核可以是视为一个参数矩阵。卷积核中的参数的绝对值之和即为参数矩阵中的各参数的绝对值的和。

第二步，确定该卷积层中待删除的卷积核的目标数量。作为示例，可以将预先指定的数量作为目标数量。作为又一示例，可以将预设比例和该卷积层中的卷积核的数量的乘积作为该卷积层中的待删除的卷积核的数量。作为再一示例，可以将绝对值之和小于预设阈值的卷积核的数量作为预设数量。

第三步，按照绝对值之和从小到大的顺序，删除该卷积层中目标数量的卷积核。

步骤411，利用机器学习方法，基于上述样本集，对删除卷积核后的第二图像类别检测模型进行更新。

在本实施例中，上述执行主体可以利用机器学习方法，基于上述样本集，对删除卷积核后的第二图像类别检测模型进行更新。具体地，可以将样本集中的样本图像作为删除卷积核后的第二图像类别检测模型的输入，将所输入的样本图像对应的标注信息作为删除卷积核后的第二图像类别检测模型的输出，利用机器学习方法对删除卷积核后的第二图像类别检测模型进行训练，得到训练后的第二图像类别检测模型。训练后的第二图像类别检测模型，即为更新后的第二图像类别检测模型。

由此，将卷积层中参数绝对值较小的卷积核删除，可以在对模型性能影响较小的情况下，对第二图像类别检测模型进行简化。简化后的模型结构更为简单，由此，可以进一步提高检测效率，进一步减少计算资源占用量。对删除卷积核后的第二图像类别检测模型进行更新，就可以提高删除卷积核后的第二图像类别检测模型的检测的准确性。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成图像类别检测模型的方法的流程400体现了将第二图像类别检测模型中的卷积层中的部分卷积核删除，并对删除卷积核后的第二图像类别检测模型进行更新的步骤。由此，可以在对模型性能影响较小的情况下，对第二图像类别检测模型进行简化。简化后的模型结构更为简单，由此，可以进一步提高检测效率，进一步减少计算资源占用量。对删除卷积核后的第二图像类别检测模型进行更新，就可以提高删除卷积核后的第二图像类别检测模型的检测的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成图像类别检测模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例所述的用于生成图像类别检测模型的装置500包括：获取单元501，被配置成获取样本集，其中，上述样本集中的样本包括样本图像和用于表征样本图像的类别的标注信息；训练单元502，被配置成从上述样本集中提取样本，执行如下训练步骤：将所提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型；基于上述第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值；基于上述损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为第二图像类别检测模型。

在本实施例的一些可选的实现方式中，上述第二图像类别检测模型可以包括至少一个卷积层；以及该装置还可以包括删除单元和第一更新单元(图中未示出)。其中，上述删除单元可以被配置成对于上述第二图像类别检测模型中的卷积层，确定该卷积层中的每一个卷积核中的参数的绝对值之和；确定该卷积层中待删除的卷积核的目标数量；按照绝对值之和从小到大的顺序，删除该卷积层中上述目标数量的卷积核。上述第一更新单元可以被配置成利用机器学习方法，基于上述样本集，对删除卷积核后的第二图像类别检测模型进行更新。

在本实施例的一些可选的实现方式中，上述第一图像类别检测模型的目标层可以包括第一全连接层，初始模型的目标层可以包括第二全连接层。以及上述训练单元502可以包括第一输入模块、第二输入模块和第一确定模块(图中未示出)。其中，上述第一输入模块可以被配置成将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。上述第二输入模块可以被配置成将上述第一全连接层输出的信息、上述第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值。上述第一确定模块可以被配置成将上述第一损失值与上述第二损失值的加权结果确定为所提取的样本的损失值。

在本实施例的一些可选的实现方式中，上述第一图像类别检测模型的目标层可以包括第一归一化层，初始模型的目标层可以包括第二归一化层。以及上述训练单元502可以包括第三输入模块、第四输入模块和第二确定模块(图中未示出)。其中，上述第三输入模块可以被配置成将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。上述第四输入模块可以被配置成将上述第一归一化层输出的信息、上述第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值。上述第二确定模块可以被配置成将上述第一损失值与上述第三损失值的加权结果确定为所提取的样本的损失值。

在本实施例的一些可选的实现方式中，上述第一图像类别检测模型的目标层可以包括第一全连接层和第一归一化层，初始模型的目标层可以包括第二全连接层和第二归一化层。以及上述训练单元502可以包括第五输入模块、第六输入模块、第七输入模块和第三确定模块(图中未示出)。其中，上述第五输入模块可以被配置成将初始模型输出的类别预测结果和所提取的样本中的标注信息输入至预先建立的第一损失函数，得到第一损失值。上述第六输入模块可以被配置成将上述第一全连接层输出的信息、上述第二全连接层输出的信息输入至预先建立的第二损失函数，得到第二损失值。上述第七输入模块可以被配置成将上述第一归一化层输出的信息、上述第二归一化层输出的信息输入至预先建立的第三损失函数，得到第三损失值。上述第三确定模块可以被配置成将上述第一损失值、上述第二损失值和上述第三损失值三者的加权结果确定为所提取的样本的损失值。

在本实施例的一些可选的实现方式中，该装置还可以包括第二更新单元(图中未示出)。其中，上述第二更新单元可以被配置成响应于确定初始模型未训练完成，基于上述损失值，更新初始模型中的参数，从上述样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行上述训练步骤。

在本实施例的一些可选的实现方式中，上述样本集中的样本的个数可以小于预设数量。

本申请的上述实施例提供的装置，通过获取单元501获取样本集，可以从中提取样本以进行初始模型的训练。其中，上述样本集中的样本可以包括样本图像和用于表征样本图像的类别的标注信息。这样，训练单元502将提取的样本中的样本图像分别输入至初始模型和预先训练的第一图像类别检测模型，便可以得到第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息和初始模型输出的类别预测结果。基于所得到的上述内容和所提取的样本中的标注信息，即可确定所提取的样本的损失值。最后，可以基于上述损失值确定初始模型是否训练完成。若初始模型训练完成，就可以将训练后的初始模型确定为第二图像类别检测模型。从而能够得到一种可以用于图像类别检测的模型。

由于损失值不仅考虑了初始模型所输出的信息与标注信息的差异，还考虑了第一图像类别检测模型的目标层所输出的信息与初始模型的目标层所输出的信息的差异。从而可以使初始模型训练过程中，从已经训练好且表现较好的第一图像类别检测模型中进行学习。由此训练得到的第二图像类别检测模型，相对于仅通过样本集进行有监督学习所得到的模型，提高了对图像类别检测的准确率。同时，由此训练得到的第二图像类别检测模型由于结构较为简单。因而，使用其进行图像类别检测，相对于复杂结构的第一图像类别检测模型，可以提高检测效率，降低计算资源的占用率，并且可以适用于移动端的部署。

请参见图6，其示出了本申请提供的用于检测图像类别的方法的一个实施例的流程600。该用于检测图像类别的方法可以包括以下步骤：

步骤601，获取待检测图像。

在本实施例中，用于检测图像类别的方法的执行主体(例如图1所示的终端设备101、102、103)可以获取待检测图像。其中，上述待检测图像可以是上述执行主体所安装的摄像头等图像采集装置所采集的，也可以是上述执行主体从互联网中、或者其他电子设备中获取的。此处，待检测图像的获取位置不作限定。

步骤602，将待检测图像输入第二图像类别检测模型中，生成上述待检测图像的类别检测结果。

在本实施例中，上述执行主体中可以存储有第二图像类别检测模型。上述执行主体可以将步骤601所获取的待检测图像输入至该第二图像类别检测模型中，得到上述待检测图像的类别检测结果(即上述图像类别检测模型所输出的概率最大值所对应的类别)。

在本实施例中，第二图像类别检测模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，此处不再赘述。

需要说明的是，本实施例用于检测图像类别的方法可以用于测试上述各实施例所生成的第二图像类别检测模型。进而根据测试结果可以不断地优化第二图像类别检测模型。该方法也可以是上述各实施例所生成的第二图像类别检测模型的实际应用方法。采用上述各实施例所生成的第二图像类别检测模型，来进行图像类别检测，有助于提高图像类别检测的性能。

继续参见图7，作为对上述图6所示方法的实现，本申请提供了一种用于检测图像类别的装置的一个实施例。该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例所述的用于生成图像类别检测模型的装置700包括：获取单元701，被配置成获取待检测图像。输入单元702，被配置成采用如上述图2实施例所描述的方法生成的第二图像类别检测模型中，生成上述待检测图像的类别检测结果。

可以理解的是，该装置700中记载的诸单元与参考图6描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元，在此不再赘述。

下面参考图8，其示出了适于用来实现本申请实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取样本集的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取样本集；从该样本集中提取样本，执行如下训练步骤：将所提取的样本中的样本图像分别输入至预先训练的第一图像类别检测模型和初始模型；基于该第一图像类别检测模型的目标层所输出的信息、初始模型的目标层所输出的信息、初始模型输出的类别预测结果和所提取的样本中的标注信息，确定所提取的样本的损失值；基于该损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为第二图像类别检测模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。