技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：获取携带有标签值的m张图像样本并进行数据增强处理，基于增强处理后的图像样本，构建若干训练样本对，形成训练集；其中，所述标签值用于表征图像样本的类别，m为不小于2的正整数；将所述训练集中每个训练样本对输入特征提取网络，得到每个训练样本对的特征向量；输入每个训练样本对的特征向量至基准分类模型，得到联合损失；根据所述联合损失调整所述基准分类模型中的训练参数并训练所述基准分类模型，得到目标分类模型。2.根据权利要求1所述的方法，其特征在于，对所述m张图像样本进行数据增强处理包括：对所述m张图像样本进行第一数据增强处理，所述第一数据增强处理包括：水平与垂直翻转处理、模糊变化处理、亮度变化处理、随机裁剪处理，将经所述第一数据增强处理后的图像样本与所述m张图像样本作为增强处理后的图像样本；或者，基于生成模型对所述m张图像样本进行第二数据增强处理，将经所述第二数据增强处理后的图像样本与所述m张图像样本作为增强处理后的图像样本；或者，对所述m张图像样本进行第一数据增强处理，所述第一数据增强处理包括：水平与垂直翻转处理、模糊变化处理、亮度变化处理、随机裁剪处理，基于生成模型对经所述第一数据增强处理后的图像样本，以及所述m张图像样本进行第二数据增强处理，将经所述第二数据增强处理后的图像样本与经所述第一数据增强处理后的图像样本、以及所述m张图像样本作为增强处理后的图像样本。3.根据权利要求1所述的方法，其特征在于，所述基于增强处理后的图像样本，构建若干训练样本对，形成训练集包括：基于图像样本的标签值，根据增强处理后的图像样本，构建多类子数据集，每类所述子数据集包含有多个类别相同的图像样本；从每个所述子数据集中随机抽取两张图像样本、和/或从任意两个子数据集中分别抽取一张图像样本，构建若干训练样本对，并对每个所述训练样本对设置相应的标签值；利用构建的若干训练样本对，形成训练集。4.根据权利要求1所述的方法，其特征在于，所述训练样本对包括两个相同类别的图像样本或两个不同类别的图像样本；所述特征提取网络包括第一特征提取网络和第二特征提取网络；将所述训练集中每个训练样本对输入特征提取网络，得到每个训练样本对的特征向量包括：将每个训练样本对中两张图像样本分别输入第一特征提取网络和第二特征提取网络，得到每个训练样本对中两张图像样本的特征向量。5.根据权利要求4所述的方法，其特征在于，所述输入每个训练样本对的特征向量至基准分类模型，得到联合损失包括：将每个训练样本对中两张图像样本的特征向量输入至所述基准分类模型，得到每个训练样本对中两张图像样本的损失；计算每个训练样本对中两张图像样本的特征向量之间的绝对差值向量，将每个训练样
本对中两张图像样本的特征向量之间的绝对差值向量输入至所述基准分类模型，得到每个训练样本对的损失；将每个训练样本对中两张图像样本的损失与每个训练样本对的损失进行加权求和，得到联合损失。6.根据权利要求5所述的方法，其特征在于，所述基准分类模型包括：第一子网络、第二子网络与第三子网络；其中，所述第一子网络中包含有第一全连接层、第一分类器和第一激活函数，所述第一全连接层用于将训练样本对中一张图像样本的特征向量进行特征缩放，所述第一分类器用于将经所述第一全连接层特征缩放后的特征向量进行分类，得到训练样本对中一张图像样本的类别预测结果；所述第一激活函数用于基于所述第一分类器的分类结果，结合对应的图像样本的标签值，计算训练样本对中一张图像样本的损失；其中，所述第二子网络中包含有第二全连接层、第二分类器与第二激活函数，其中，所述第二全连接层用于将训练样本对中另一张图像样本的特征向量进行特征缩放，所述第二分类器用于将经所述第二全连接层特征缩放后的特征向量进行分类，得到训练样本对中另一张图像样本的类别预测结果；所述第二激活函数用于基于所述第二分类器的分类结果，结合对应的图像样本的标签值，计算训练样本对中另一张图像样本的损失；其中，所述第三子网络中包含有第三全连接层、第三分类器和第三激活函数，其中，所述第三全连接层用于将训练样本对中两张图像样本的特征向量之间的绝对差值向量进行特征缩放，所述第三分类器用于将经所述第三全连接层特征缩放后的绝对差值向量进行分类，得到训练样本对中两张图像样本的类别一致性的预测结果；所述第三激活函数用于基于所述第三分类器的分类结果，结合训练样本对的标签值，计算训练样本对的损失。7.根据权利要求1所述的方法，其特征在于，根据所述联合损失调整所述基准分类模型中的训练参数并训练所述基准分类模型，得到目标分类模型包括：将所述联合损失反馈到所述基准分类模型中并调整所述基准分类模型中的训练参数；根据所述联合损失训练所述基准分类模型，直至所述联合损失低于预设阈值，则停止训练；将包含所述训练参数的所述基准分类模型，确定为目标分类模型。8.一种模型训练装置，其特征在于，所述装置包括：包括处理器和存储介质，所述存储介质包括可读指令，所述可读指令用于被所述处理器执行如权利要求1-7任一所述的模型训练方法。9.一种图像分类方法，其特征在于，所述方法包括：获取待分类的目标图像以及包含有多类标准样本子集的标准样本集，基于每类标准样本子集与目标图像，构建多组待测样本对；将所述多组待测样本对输入至目标分类模型，得到目标图像属于每类标准样本子集所属类别的概率，形成概率数组，所述目标分类模型为根据携带有标签值的m张图像样本构成的若干训练样本对训练得到；归一化处理所述概率数组，选取归一化的概率数组中概率最大的类别作为所述目标图像的类别。10.根据权利要求9所述的方法，其特征在于，每类所述标准样本子集包含有多个相同
类别的图像样本；所述基于每类标准样本子集与目标图像，构建多组待测样本对包括：选取每类所述标准样本子集中所有图像样本分别与目标图像构成待测样本对，得到每类所述标准样本子集相对应的若干待测样本对；将所有标准样本子集相对应的所有待测样本对进行整合，得到多组待测样本对。11.根据权利要求9所述的方法，其特征在于，所述将所述多组待测样本对输入至训练好的目标分类模型，得到目标图像属于每类标准样本子集所属类别的概率值，形成概率数组包括：将每类标准样本子集与目标图像所组成的所有待测样本对输入目标分类模型，得到所有待测样本对的类别一致性的预测结果，其中，所述预测结果包括类别相同和类别不同；计算所有预测结果中类别相同的预测结果数量与待测样本对数量的比值，得到待识别的目标图像对属于每类标准样本子集所属类别的概率；基于目标图像属于标准样本集中所有标准样本子集所属类别的概率，构建概率数组。12.一种图像分类装置，其特征在于，所述装置包括：通信器，用于接收待分类的目标图像以及包含有多类标准样本子集的标准样本集；处理器，耦接所述通信器，用于：基于每类标准样本子集与目标图像，构建多组待测样本对；将所述多组待测样本对输入至训练好的目标分类模型，得到目标图像属于每类标准样本子集所属类别的概率，形成概率数组，所述目标分类模型为根据携带有标签值的m张图像样本构成的若干训练样本对训练得到；归一化处理所述概率数组，选取归一化的概率数组中概率最大的类别作为所述目标图像的类别。
技术总结
本申请实施例提出了一种模型训练方法、训练装置、分类方法及分类装置，够基于较少的训练样本训练出性能较高的图像分类模型，从而实现较为准确的分类识别效果。其中，模型训练方法包括：获取携带有标签值的M张图像样本并进行数据增强处理，基于增强处理后的图像样本，构建若干训练样本对，形成训练集；其中，标签值用于表征图像样本的类别，M为不小于2的正整数；将训练集中每个训练样本对输入特征提取网络，得到每个训练样本对的特征向量；输入每个训练样本对的特征向量至基准分类模型，得到联合损失；根据联合损失调整基准分类模型中的训练参数并训练基准分类模型，得到目标分类模型。型。型。
技术研发人员：吴振廷 张洪伟 王姗姗 张继兴 芈绍桂 胡楠 李贺 刘凯雯
受保护的技术使用者：富联裕展科技（深圳）有限公司
技术研发日：2022.12.14
技术公布日：2023/3/21