确定图像分类网络的方法、装置、设备、介质及产品与流程

本技术涉及计算机，特别涉及确定图像分类网络的方法和装置、图像分类的方法和装置、计算设备、计算机可读存储介质及计算机程序产品。

背景技术：

1、目前，互联网技术的发展导致图像数据的爆发式增长，这些图像数据可以用作图像样本来训练图像分类网络，使得图像分类网络能够对图像数据进行分类。目前常常遇到这样一种场景，因为人力等因素的局限性，只能从这些图像样本中识别出一部分图像样本的类别为正类别，其他大量图像样本的类别无法知悉，并且不适合用于训练的不良图像样本无法被排除。因此，如何在知道部分正类别的图像样本，且不知道其他大量图像样本的类别的情况下来训练图像分类网络，使其具备良好的分类能力，是需要解决的问题。

2、在相关技术中，一种解决办法是将未知类别的图像样本默认为负类别，然后使用正类别的图像样本和被默认为负类别的图像样本训练图像分类网络。由于被默认为负类别的图像样本中的一些图像样本的标签存在噪声(即其标签应该是正类别)，这种解决方案训练出来的图像分类网络准确性不高。另一种解决办法是两步法，首先利用正类别的图像样本，从未知类别的图像样本中识别负类别的图像样本，然后使用监督学习技术基于正类别的图像样本和负类别的图像样本训练图像分类网络。这种解决办法无法充分利用未知类别的图像样本的价值，导致用于训练的图像样本较少，图像分类网络的分类能力不够高。

技术实现思路

1、鉴于此，本技术提供了一种确定图像分类网络的方法和装置、图像分类的方法和装置、计算设备、计算机可读存储介质及计算机程序产品，期望缓解或克服上面提到的部分或全部缺陷以及其他可能的缺陷。

2、根据本技术的第一方面，提供了一种确定图像分类网络的方法，所述图像分类网络基于图像样本集合而确定，所述图像样本集合包括正类别的图像样本集合和未知类别的图像样本集合，所述方法包括：将每个正类别的图像样本的标签设定为正类别，每个未知类别的图像样本的标签设定为负类别，并且基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，其中所述第一分类网络为经过第一数量的批次训练得到的，所述第二分类网络为经过第二数量的批次训练得到的，所述第一数量与所述第二数量不同，并在所述批次训练中根据所述图像样本集合的分类损失来调整所述图像分类网络的参数；根据所述第一分类网络和所述第二分类网络分别针对所述未知类别的图像样本集合中每个未知类别的图像样本预测的图像类别值间的差异来确定所述每个未知类别的图像样本的不确定性程度；根据所述第一分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签；基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第一分类网络进行批次训练，以得到经训练的第一分类网络；基于所述经训练的第一分类网络的参数，确定所述图像分类网络的参数。

3、在根据本技术的一些确定图像分类网络的方法的实施例中，所述根据所述第一分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签，包括：对于所述未知类别的图像样本集合中的每个未知类别的图像样本，执行下述步骤：响应于所述第一分类网络针对所述未知类别的图像样本预测的图像类别值大于正类别阈值，将所述未知类别的图像样本的标签更新为正类别；响应于所述第一分类网络针对所述未知类别的图像样本预测的图像类别值小于或等于所述正类别阈值，将所述未知类别的图像样本的标签更新为负类别。

4、在根据本技术的一些确定图像分类网络的方法的实施例中，所述基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第一分类网络进行批次训练，包括：根据每个未知类别的图像样本的不确定性程度确定每个未知类别的图像样本的影响权重，所述影响权重与所述不确定性程度成反比关系；循环执行下述步骤直到所述第一分类网络收敛：使用所述第一分类网络确定每个未知类别的图像样本的分类值；根据每个未知类别的图像样本的标签和分类值确定每个未知样本的分类损失；基于每个未知类别的图像样本的分类损失和影响权重，确定所述未知类别的图像样本集合的分类损失；根据所述未知类别的图像样本集合的分类损失调整所述第一分类网络的参数。

5、在根据本技术的一些确定图像分类网络的方法的实施例中，每个未知类别的图像样本的不确定性程度大于等于0，并且所述根据每个未知类别的图像样本的不确定性程度确定每个未知类别的图像样本的影响权重，包括：将每个未知类别的图像样本的不确定性程度的负值与第一预设参数的商，作为自然常数的幂，来确定每个未知类别的图像样本的影响权重。

6、在根据本技术的一些确定图像分类网络的方法的实施例中，所述基于每个未知类别的图像样本的分类损失和影响权重，确定所述未知类别的图像样本集合的分类损失，包括：根据第一集合中每个未知类别的图像样本的影响权重和分类损失来确定所述第一集合的平均分类损失，作为第一分类损失，其中所述第一集合包括所述未知类别的图像样本集合中由所述第一分类网络预测的图像类别值大于所述正类别阈值的未知类别的图像样本；根据第二集合中每个未知类别的图像样本的影响权重和分类损失来确定所述第二集合的平均分类损失，作为第二分类损失，其中所述第二集合包括所述未知类别的图像样本集合中由所述第一分类网络预测的图像类别值小于负类别阈值的未知类别的图像样本；根据第三集合中每个未知类别的图像样本的分类损失来确定所述第三集合的平均分类损失，作为第三分类损失，其中所述第三集合包括所述未知类别的图像样本集合中由所述第一分类网络预测的图像类别值小于等于所述正类别阈值且大于等于所述负类别阈值的未知类别的图像样本；根据所述第一分类损失和所述第二分类损失以及所述第三分类损失的加权和来确定所述未知类别的图像样本集合的分类损失。

7、在根据本技术的一些确定图像分类网络的方法的实施例中，所述正类别阈值为所述未知类别的图像样本集合的未知类别的图像样本的图像类别值中，各个指示正类别的图像类别值的平均值；并且所述负类别阈值为所述未知类别的图像样本集合的未知类别的图像样本的图像类别值中，各个指示负类别的图像类别值的平均值。

8、在根据本技术的一些确定图像分类网络的方法的实施例中，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：在所述图像分类网络的所述第一数量的批次训练中，将最后一个批次训练的针对每个未知类别的图像样本的分类值作为所述第一分类网络针对每个未知类别的图像样本预测的图像类别值；在所述图像分类网络的所述第二数量的批次训练中，将最后一个批次训练的针对每个未知类别的图像样本的分类值作为所述第二分类网络针对每个未知类别的图像样本预测的图像类别值。

9、在根据本技术的一些确定图像分类网络的方法的实施例中，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：按照预设权重，确定所述图像分类网络针对每个未知类别的图像样本在所述第一数量的批次训练中输出的各个分类值的加权和，作为所述第一分类网络针对每个未知类别的图像样本预测的图像类别值；按照所述预设权重，确定所述图像分类网络针对每个未知类别的图像样本在所述第二数量的批次训练中输出的各个分类值的加权和，作为所述第二分类网络针对每个未知类别的图像样本预测的图像类别值。

10、在根据本技术的一些确定图像分类网络的方法的实施例中，所述基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，包括：对于每个未知类别的图像样本，执行下述步骤：将所述图像分类网络在第一批次训练中对所述未知类别的图像样本的分类值与第二预设参数的乘积作为所述未知类别的图像样本在所述图像分类网络的第一批次训练预测的图像类别值，所述第二预设参数大于0小于1；根据下述公式确定所述未知类别的图像样本在所述图像分类网络的其他批次训练预测的图像类别值：st(x)＝(1-α)×st-1(x)+α×gt(x)，其中x指示所述未知类别的图像样本，t指示批次训练的序数，st(x)为所述未知类别的图像样本在所述图像分类网络的第t批次训练预测的图像类别值，st-1(x)为所述未知类别的图像样本在所述图像分类网络的第t-1批次训练预测的图像类别值，α为所述第二预设参数，gt(x)为所述未知类别的图像样本在所述图像分类网络的第t批次训练的分类值；将所述未知类别的图像样本在所述图像分类网络的所述第一数量的批次训练的图像类别值，作为所述第一分类网络针对所述未知类别的图像样本预测的图像类别值；将所述未知类别的图像样本在所述图像分类网络的所述第二数量的批次训练的图像类别值，作为所述第二分类网络针对所述未知类别的图像样本预测的图像类别值。

11、在根据本技术的一些确定图像分类网络的方法的实施例中，所述根据所述第一分类网络和所述第二分类网络分别针对所述未知类别的图像样本集合中每个未知类别的图像样本预测的图像类别值之间的差异来确定所述每个未知类别的图像样本的不确定性程度，包括：确定第一分类网络和第二分类网络分别针对每个未知类别的图像样本预测的图像类别值之间的差值的绝对值，作为每个未知类别的图像样本的第一差异；确定第一分类网络和第二分类网络分别针对每个未知类别的图像样本预测的图像类别值之间的总和的绝对值，作为每个未知类别的图像样本的第二差异；确定每个未知类别的图像样本的不确定性程度，其中每个未知类别的图像样本的不确定性程度与所述每个未知类别的图像样本的第一差异成正比，且与所述每个未知类别的图像样本的第二差异成反比。

12、在根据本技术的一些确定图像分类网络的方法的实施例中，基于所述经训练的第一分类网络的参数，确定所述图像分类网络的参数，包括：将所述经训练的第一分类网络的参数，确定为所述图像分类网络的参数。

13、在根据本技术的一些确定图像分类网络的方法的实施例中，基于所述经训练的第一分类网络的参数，确定所述图像分类网络的参数，包括：根据所述第二分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签；基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第二分类网络进行批次训练，以得到经训练的第二分类网络；对于所述经训练的第一分类网络的每个参数，确定所述参数与所述第二分类网络的对应参数之间的平均值，作为所述图像分类网络的对应参数。

14、根据本技术的第二方面，提供了一种图像分类方法，包括：获取待检测图像；使用根据本技术的第一方面提供的方法确定的图像分类网络来对所述待检测图像进行分类，以得到所述待检测图像的分类值。

15、根据本技术的第三方面，提供了一种确定图像分类网络的装置，所述图像分类网络基于图像样本集合而确定，所述图像样本集合包括正类别的图像样本集合和未知类别的图像样本集合，所述装置包括：预训练模块，配置为将每个正类别的图像样本的标签设定为正类别，每个未知类别的图像样本的标签设定为负类别，并且基于每个图像样本的标签，以所述图像样本集合为一个批次对所述图像分类网络进行批次训练，以得到第一分类网络和所述第一分类网络针对每个未知类别的图像样本预测的图像类别值，以及第二分类网络和所述第二分类网络针对每个未知类别的图像样本预测的图像类别值，其中所述第一分类网络为经过第一数量的批次训练得到的，所述第二分类网络为经过第二数量的批次训练得到的，所述第一数量与所述第二数量不同，并在所述批次训练中根据所述图像样本集合的分类损失来调整所述图像分类网络的参数；比较模块，配置为根据所述第一分类网络和所述第二分类网络分别针对所述未知类别的图像样本集合中每个未知类别的图像样本预测的图像类别值之间的差异来确定所述每个未知类别的图像样本的不确定性程度；标签更新模块，配置为根据所述第一分类网络针对每个未知类别的图像样本预测的图像类别值来更新所述每个未知类别的图像样本的标签；再训练模块，配置为基于每个未知类别的图像样本的不确定性程度和经更新的标签，以所述未知类别的图像样本集合为一个批次对所述第一分类网络进行批次训练，以得到经训练的第一分类网络；参数确定模块，配置为基于所述经训练的第一分类网络的参数，确定所述图像分类网络的参数。

16、根据本技术的第四方面，提供了一种图像分类装置，所述图像分类装置包括：获取模块，配置为获取待检测图像；分类模块，配置为使用前述实施例所述的图像分类网络来对所述待检测图像进行分类，以得到所述待检测图像的分类值。

17、根据本技术的第五方面，提供了一种计算设备，包括存储器和处理器，其中所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时促使所述处理器执行根据本技术一些实施例的确定图像分类网络的方法的步骤。

18、根据本技术的第六方面，提供了一种计算机可读存储介质，其上存储计算机可读指令，所述计算机可读指令在被执行时实现根据本技术一些实施例的确定图像分类网络的方法。

19、根据本技术的第七方面，提供了一种计算机程序产品，包括计算机指令，计算机指令在被处理器执行时实现根据本技术一些实施例的确定图像分类网络的方法。

20、在根据本技术一些实施例的确定图像分类网络的方法和装置中，先基于正类别的图像样本和未知类别的图像样本对图像分类网络进行预训练以得到两个分类网络，使得这两个分类网络具有初步的分类能力，这有利于精确地计算不确定性程度和准确地更新标签；然后在第一层面，比较这两个分类网络针对同一个未知类别的图像样本得到的图像类别值，根据其差异来确定该未知类别的图像样本的不确定性程度，以确定该未知类别的图像样本在后续批次训练过程中的影响程度，减少不太适合用于训练的不良图像样本带来的噪声；在第二层面，根据图像类别值更新一部分未知类别的图像样本的标签，实现标签的校正，以减少各个未知类别的图像样本的标签中的噪声；进一步地，在第一分类网络的后续批次训练中，根据各个未知类别的图像样本的不确定性程度和更新的标签来调整各个未知类别的图像样本的分类损失，其中根据不确定性程度可以抑制不确定性程度较高的未知类别的图像样本对第一分类网络的参数调整的影响，这也意味着不确定性程度较低的未知类别的图像样本对第一分类网络的参数调整的影响被相对放大，再结合经更新的标签，因为各个未知类别的图像样本的标签中的噪声和不太适合用于训练的不良图像样本的噪声被抑制，这可以提高第一分类网络的分类能力；最后至少根据第一分类网络得到图像分类网络，因为第一分类网络的分类能力被提高，因此该图像分类网络也具有较高的分类能力。

21、根据下文描述的实施例，本技术的这些和其它优点将变得清楚，并且参考下文描述的实施例来阐明本技术的这些和其它优点。