(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210626206.X (22)申请日 2022.06.02 (71)申请人 电子科技大 学长三角研究院 （衢州） 地址 324000 浙江省衢州市柯 城区芹江东 路288号1幢18楼 (72)发明人 邓佳丽　丁子霖　刘明　龚海刚　 王晓敏　刘明辉　程旋　解天舒　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 张欣欣 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 图像分类模型训练方法、 图像 分类方法及相 关装置 (57)摘要 本发明的实施例提供了一种图像分类模型 训练方法、 图像分类方法及相关装置， 涉及图像 处理领域。 首先， 获取原始图像及原始图像的类 型标签； 将原始图像输入预先构建的图像分类模 型， 图像分类模 型包括特征提取网络和类型预测 网络， 特征提取网络包括N个依次串联的卷积层； 再利用特征提取网络对原始图像进行特征提取， 得到第N个所述卷积层输出的第一特征图和第N ‑ 1个卷积层输 出的第二特征图； 基于第一特征图、 类型标签和预设的多个二值掩码， 生成第一训练 集， 基于第二特征图、 类型标签和多个二值掩码， 生成第二训练集； 最后， 利用第一训练集和第二 训练集对类型预测网络进行训练， 得到训练后的 图像分类模 型， 从而减少模型训练过程产生的额 外开销。 权利要求书2页 说明书14页 附图7页 CN 114972791 A 2022.08.30 CN 114972791 A 1.一种图像分类模型训练方法， 其特 征在于， 所述方法包括： 获取原始图像及所述原 始图像的类型 标签； 将所述原始图像输入预先构建的图像分类模型， 所述图像分类模型包括特征提取网络 和类型预测网络， 所述特 征提取网络包括 N个依次串联的卷积层； 利用所述特征提取网络对所述原始图像进行特征提取， 得到第N个所述卷积层输出的 第一特征图和第N ‑1个卷积层输出的第二特 征图； 基于所述第一特 征图、 所述类型 标签和预设的多个二 值掩码， 生成第一训练集； 基于所述第二特 征图、 所述类型 标签和所述多个二 值掩码， 生成第二训练集； 利用所述第 一训练集和所述第 二训练集对所述类型预测网络进行训练， 得到训练后的 图像分类模型。 2.如权利要求1所述的方法， 其特征在于， 所述基于所述第一特征图、 所述类型标签和 预设的多个二 值掩码， 生成第一训练集的步骤 包括： 利用所述多个二值掩码处理所述第一特征图， 得到多个第一训练样本， 所述多个第一 训练样本和所述多个二 值掩码一 一对应； 根据所述多个二值掩码和所述类型标签， 生成每个所述第一训练样本的标签， 得到第 一训练集， 其中， 所述第一训练集包括多个第一训练样本和每 个所述第一训练样本的标签。 3.如权利要求2所述的方法， 其特征在于， 每个所述二值掩码的边长与 所述第一特征图 的边长相同， 每 个所述二值掩码包括全1区域和/或全0区域； 所述利用所述多个二值掩码处理所述第一特征图， 得到多个第一训练样本的步骤包 括： 针对所述多个二值掩码中的任意一个目标二值掩码， 保留所述第 一特征图中与所述目 标二值掩码的全1区域重合的区域， 并抹除所述第一特征图中与所述目标二值掩码的全0区 域重合的区域， 得到所述目标二 值掩码对应的第一训练样本； 遍历每个所述二值掩码， 得到每 个所述二值掩码对应的第一训练样本 。 4.如权利要求2所述的方法， 其特征在于， 所述根据所述多个二值掩码和所述类型标 签， 生成每 个所述第一训练样本的标签的步骤 包括： 将每个所述第 一训练样本对应的所述二值掩码的标识均与所述类型标签进行关联， 得 到每个所述第一训练样本的标签。 5.如权利要求1所述的方法， 其特征在于， 所述基于所述第二特征图、 所述类型标签和 所述多个二 值掩码， 生成第二训练集的步骤 包括： 利用所述多个二值掩码处理所述第二特征图， 得到多个第二训练样本， 所述多个第二 训练样本和所述多个二 值掩码一 一对应； 根据所述多个二值掩码和所述类型标签， 生成每个所述第二训练样本的标签， 得到第 二训练集， 其中， 所述第二训练集包括多个第二训练样本和每 个所述第二训练样本的标签。 6.如权利要求1所述的方法， 其特征在于， 所述利用所述第 一训练集和所述第 二训练集 对所述类型 预测网络进行训练， 得到训练后的图像分类模型的步骤 包括： 利用所述第一训练集训练所述类型 预测网络， 得到第一类型 预测网络； 利用所述第二训练集训练所述类型 预测网络， 得到第二类型 预测网络； 对所述第一类型预测网络的参数和所述第 二类型预测网络的参数进行蒸馏， 得到所述权　利　要　求　书 1/2 页 2 CN 114972791 A 2类型预测网络的参数， 以完成对所述图像分类模型的训练。 7.一种图像分类方法， 其特 征在于， 所述方法包括： 获取待分类图像； 将所述待分类图像输入利用权利要求1 ‑6任一项所述的图像分类模型训练方法得到的 图像分类模型， 预测所述待分类图像的类型。 8.一种图像分类模型训练装置， 其特 征在于， 所述装置包括： 第一获取 单元， 用于获取原 始图像及所述原 始图像的类型 标签； 处理单元， 用于： 将所述原始图像输入预先构建的图像分类模型， 所述图像分类模型包括特征提取网络 和类型预测网络， 所述特 征提取网络包括 N个依次串联的卷积层； 利用所述特征提取网络对所述原始图像进行特征提取， 得到第N个所述卷积层输出的 第一特征图和第N ‑1个卷积层输出的第二特 征图； 基于所述第一特 征图、 所述类型 标签和预设的多个二 值掩码， 生成第一训练集； 基于所述第二特 征图、 所述类型 标签和所述多个二 值掩码， 生成第二训练集； 训练单元， 用于利用所述第一训练集和所述第二训练集对所述类型预测网络进行训 练， 得到训练后的图像分类模型。 9.一种图像分类装置， 其特 征在于， 所述装置包括： 第二获取 单元， 用于获取待分类图像； 预测单元， 用于将所述待分类 图像输入利用权利要求1 ‑6任一项所述的图像分类模型 训练方法得到的图像分类模型， 预测所述待分类图像的类型。 10.一种计算机设备， 其特征在于， 包括存储器和处理器， 所述存储器存储有计算机程 序， 所述处理器执行所述计算机程序时实现如权利要求1 ‑6任一项所述的图像分类模型训 练方法， 和/或， 权利要求7 所述的图像分类方法。权　利　要　求　书 2/2 页 3 CN 114972791 A 3