图像分类模型的训练方法、装置及电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉、深度学习技术领域，尤其涉及一种图像分类模型的训练方法、装置及电子设备。

背景技术

目前，图像分类模型的训练效果，取决于大规模可信赖的图像的获取，以及对图像的正确标注过程。然而，获取大规模可信赖的图像以及对图像的正确标注，是极其困难的。

相关技术中，训练数据中经常包含有部分错误标注的图像。采用该训练数据对图像分类模型进行训练时，训练得到的图像分类模型的准确度低。

发明内容

本公开提供了一种图像分类模型的训练方法、装置及电子设备。

根据本公开的一方面，提供了一种图像分类模型的训练方法，所述方法包括：获取训练数据，所述训练数据包括：样本图像，以及所述样本图像对应的样本类别；根据所述样本图像以及所述样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取所述样本图像在至少一个轮次的类别预测数据；根据所述样本图像的所述类别预测数据，确定所述样本图像对应的类别标注情况；根据所述样本图像、所述样本图像对应的样本类别以及类别标注情况，对所述图像分类模型进行第二阶段训练，得到训练好的图像分类模型。

根据本公开的另一方面，提供了一种噪声标注检测器的训练方法，所述方法包括：获取参考训练数据，所述参考训练数据包括：样本图像，以及所述样本图像对应的样本类别以及类别标注情况；根据所述样本图像以及所述样本图像对应的样本类别，对初始的深度学习模型进行训练，以获取所述样本图像在至少一个轮次的类别预测数据；根据所述样本图像对应的类别标注情况以及所述样本图像的所述类别预测数据，对所述噪声标注检测器进行训练，得到训练好的用于根据样本图像的类别预测数据确定类别标注情况的噪声标注检测器。

根据本公开的另一方面，提供了一种图像分类模型的训练装置，所述装置包括：获取模块，用于获取训练数据，所述训练数据包括：样本图像，以及所述样本图像对应的样本类别；第一训练模块，用于根据所述样本图像以及所述样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取所述样本图像在至少一个轮次的类别预测数据；确定模块，用于根据所述样本图像的所述类别预测数据，确定所述样本图像对应的类别标注情况；第二训练模块，用于根据所述样本图像、所述样本图像对应的样本类别以及类别标注情况，对所述图像分类模型进行第二阶段训练，得到训练好的图像分类模型。

根据本公开的另一方面，提供了一种噪声标注检测器的训练装置，包括：获取模块，用于获取参考训练数据，所述参考训练数据包括：样本图像，以及所述样本图像对应的样本类别以及类别标注情况；第一训练模块，用于根据所述样本图像以及所述样本图像对应的样本类别，对初始的深度学习模型进行训练，以获取所述样本图像在至少一个轮次的类别预测数据；第二训练模块，用于根据所述样本图像对应的类别标注情况以及所述样本图像的所述类别预测数据，对所述噪声标注检测器进行训练，得到训练好的用于根据样本图像的类别预测数据确定类别标注情况的噪声标注检测器。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述提出的图像分类模型的训练方法，或者，执行本公开上述提出的噪声标注检测器的训练方法。

根据本公开的另一方面，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，所述计算机指令用于使计算机执行本公开上述提出的图像分类模型的训练方法，或者，执行本公开上述提出的噪声标注检测器的训练方法。

根据本公开的另一方面，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上述提出的图像分类模型的训练方法，或者，实现本公开上述提出的噪声标注检测器的训练方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是噪声标注检测器的训练示意图；

图6是根据本公开第五实施例的示意图；

图7是根据本公开第六实施例的示意图；

图8是用来实现本公开实施例的图像分类模型的训练方法或者噪声标注检测器的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

目前，图像分类模型的训练效果，取决于大规模可信赖的图像的获取，以及对图像的正确标注过程。然而，获取大规模可信赖的图像以及对图像的正确标注，是极其困难的。

相关技术中，训练数据中经常包含有部分错误标注的图像。采用该训练数据对图像分类模型进行训练时，训练得到的图像分类模型的准确度低。

针对上述问题，本公开提出一种图像分类模型的训练方法、装置及电子设备。

图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的图像分类模型的训练方法可应用于图像分类模型的训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行图像分类模型的训练功能。以下实施例中以执行主体为电子设备为例进行说明。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图1所示，该图像分类模型的训练方法可以包括如下步骤：

步骤101，获取训练数据，训练数据包括：样本图像，以及样本图像对应的样本类别。

在本公开实施例中，样本图像可以为原始图像，或者，对原始图像进行图像增强等处理得到的图像。其中，图像增强，例如旋转、剪切、仿射变换、高斯模糊等，可以根据实际需要进行设置。

其中，样本图像对应的样本类别，可以为样本图像的真实类别，或者预设类别集合中除真实类别之外的其他类别，或者除预设类别集合之外的其他类别，此处不做具体限定。

步骤102，根据样本图像以及样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取样本图像在至少一个轮次的类别预测数据。

在本公开实施例中，图像分类模型的第一阶段，例如可以为warm-up阶段。其中，warm-up阶段为图像分类模型的训练过程中前预设轮次的训练。预设轮次例如30个轮次等，可以根据实际需要进行设定。

其中，在第一阶段中，电子设备可以将样本图像输入初始的图像分类模型，获取图像分类模型输出的在各个类别上的预测概率；根据各个类别上的预测概率以及样本类别，构建损失函数；根据损失函数的数值对图像分类模型进行系数调整，实现在第一阶段的训练。

其中，第一阶段中图像分类模型的损失函数可以为交叉熵函数，交叉熵函数的公式例如可以如以下公式(1)所示：

其中，L

在本公开实施例中，一种示例中，样本图像在第i个轮次的类别预测数据可以包括：第i个轮次中样本图像输入图像分类模型时，图像分类模型输出的各个类别的预测概率。

另一种示例中，样本图像在第i个轮次的类别预测数据可以包括：第i个轮次中样本图像输入图像分类模型时，图像分类模型输出的样本类别的预测概率。其中，i大于0且小于或者等于M，M为至少一个轮次的总轮次数量。

其中，至少一个轮次，可以为从起始轮次开始到第M个轮次。其中，针对正确标注情况的样本图像，在对应的样本类别上的预测概率一般较大，且方差较小；而针对错误标注情况的样本图像，例如，闭集噪声标注情况的样本图像以及开集噪声标注情况的样本图像，在对应的样本类别上的预测概率一般较小，且方差较大。另外，在图像分类模型训练的靠后阶段，错误标注情况的样本图像比正确标注情况的样本图像更难以拟合。另外，除了在图像分类模型训练的初期阶段，图像分类模型一般会对开集噪声标注情况的样本图像，在各个类别上给出均匀的预测概率，即在各个类别上的预测概率基本相当。因此，结合样本图像在至少一个轮次的类别预测数据，可以有效的区分正确标注情况的样本图像、闭集噪声标注情况的样本图像、以及开集噪声标注情况的样本图像，提高不同类别标注情况的样本图像的识别准确度。

步骤103，根据样本图像的类别预测数据，确定样本图像对应的类别标注情况。

在本公开实施例中，类别标注情况可以包括正确标注情况、闭集噪声标注情况和开集噪声标注情况。其中，正确标注情况，表示样本图像对应的样本类别为样本图像的真实类别；闭集噪声标注情况，表示样本图像对应的样本类别不为样本图像的真实类别，且样本类别存在于预设类别集合中；开集噪声标注情况，表示样本图像对应的样本类别不为样本图像的真实类别，且样本类别未存在于预设类别集合中。

其中，正确标注情况、闭集噪声标注情况和开集噪声标注情况，可以有效的区分样本图像的不同的类别标注情况，方便后续采用不同的类别标注情况的样本图像对图像分类模型进行不同的训练，进一步提高图像分类模型的训练准确度。

步骤104，根据样本图像、样本图像对应的样本类别以及类别标注情况，对图像分类模型进行第二阶段训练，得到训练好的图像分类模型。

在本公开实施例中，电子设备可以针对不同类别标注情况的样本图像，构建不同的子损失函数。

一种示例中，在一个批次的训练数据中只包含正确标注情况的样本图像时，采用正确标注情况下的子损失函数作为总损失函数，根据总损失函数的数值对图像分类模型的系数进行调整，实现训练。

另一种示例中，在一个批次的训练数据中包含两种类别标注情况的样本图像，例如，正确标注情况的样本图像以及闭集噪声标注情况的样本图像，则可以将正确标注情况下的子损失函数与闭集噪声标注情况下的子损失函数的加和，作为总损失函数，根据总损失函数的数值对图像分类模型的系数进行调整，实现训练。

另一种示例中，在一个批次的训练数据中包含三种类别标注情况的样本图像，例如，正确标注情况的样本图像、闭集噪声标注情况的样本图像以及开集噪声标注情况的样本图像，则可以将3种标注情况下的子损失函数的加和，作为总损失函数，根据总损失函数的数值对图像分类模型的系数进行调整，实现训练。

本公开实施例的图像分类模型的训练方法，通过获取训练数据，训练数据包括：样本图像，以及样本图像对应的样本类别；根据样本图像以及样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取样本图像在至少一个轮次的类别预测数据；根据样本图像的类别预测数据，确定样本图像对应的类别标注情况；根据样本图像、样本图像对应的样本类别以及类别标注情况，对图像分类模型进行第二阶段训练，得到训练好的图像分类模型，从而能够在图像分类模型的训练中，结合样本图像在至少一个轮次的类别预测数据区分不同类别标注情况的样本图像，进而进行后续阶段的训练，提高训练得到的图像分类模型的准确度。

其中，为了准确结合样本图像在至少一个轮次的类别预测数据，确定样本图像对应的类别标注情况，提高类别标注情况的确定准确度，可以将样本图像在至少一个轮次的类别预测数据输入噪声标注检测器，以获取类别标注情况。如图2所示，图2是根据本公开第二实施例的示意图，图2所示实施例可以包括以下步骤：

步骤201，获取训练数据，训练数据包括：样本图像，以及样本图像对应的样本类别。

步骤202，根据样本图像以及样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取样本图像在至少一个轮次的类别预测数据。

步骤203，将样本图像的类别预测数据输入噪声标注检测器，获取噪声标注检测器输出的类别标注情况；其中，噪声标注检测器，根据至少一个参考样本图像、参考样本图像的参考类别预测数据以及参考类别标注情况训练得到。

在本公开实施例中，一种示例中，样本图像在第i个轮次的类别预测数据可以包括：第i个轮次中样本图像输入图像分类模型时，图像分类模型输出的各个类别的预测概率。对应的，噪声标注检测器的输入可以为样本图像在至少一个轮次的各个类别上的预测概率。其中，样本图像在至少一个轮次的各个类别上的预测概率可以采用序列的形式表示，序列中可以包含多个数组，每个数组对应一个轮次的各个类别上的预测概率。

另一种示例中，样本图像在第i个轮次的类别预测数据可以包括：第i个轮次中样本图像输入图像分类模型时，图像分类模型输出的样本类别的预测概率。对应的，噪声标注检测器的输入可以为样本图像在至少一个轮次的样本类别上的预测概率，其中，样本图像在至少一个轮次的样本类别上的预测概率可以采用序列的形式表示，序列中可以包含多个数值，每个数值对应一个轮次的样本类别上的预测概率。

在本公开实施例中，噪声标注检测器的损失函数可以结合参考样本图像的参考类别预测数据、预测类别标注情况以及参考类别标注情况构建得到。其中，预测类别标注情况，为将参考类别预测数据输入噪声标注检测器后，噪声标注检测器输出的类别标注情况。

其中，参考类别标注情况的数值例如可以为0、1或者2。其中，例如，0可以表示正确标注情况，1可以表示闭集噪声标注情况，2可以表示开集噪声标注情况。

步骤204，根据样本图像、样本图像对应的样本类别以及类别标注情况，对图像分类模型进行第二阶段训练，得到训练好的图像分类模型。

其中，需要说明的是，步骤201、步骤202和步骤204的详细内容，可以参考图1所示实施例中的步骤101、步骤102和步骤104，此处不再进行详细说明。

本公开实施例的图像分类模型的训练方法，通过获取训练数据，训练数据包括：样本图像，以及样本图像对应的样本类别；根据样本图像以及样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取样本图像在至少一个轮次的类别预测数据；将样本图像的类别预测数据输入噪声标注检测器，获取噪声标注检测器输出的类别标注情况；其中，噪声标注检测器，根据至少一个参考样本图像、参考样本图像的参考类别预测数据以及参考类别标注情况训练得到；根据样本图像、样本图像对应的样本类别以及类别标注情况，对图像分类模型进行第二阶段训练，得到训练好的图像分类模型，从而能够在图像分类模型的训练中，结合样本图像在至少一个轮次的类别预测数据区分不同类别标注情况的样本图像，进而进行后续阶段的训练，提高训练得到的图像分类模型的准确度。

其中，为了结合样本图像、样本图像对应的样本类别以及类别标注情况，对图像分类模型进行准确的训练，提高训练得到的图像分类模型的准确度，可以针对不同类别标注情况的样本图像，图像分类模型采用不同的数据构建子损失函数，以进行训练。如图3所示，图3是根据本公开第三实施例的示意图，图3所示实施例可以包括以下步骤：

步骤301，获取训练数据，训练数据包括：样本图像，以及样本图像对应的样本类别。

步骤302，根据样本图像以及样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取样本图像在至少一个轮次的类别预测数据。

步骤303，根据样本图像的类别预测数据，确定样本图像对应的类别标注情况。

步骤304，根据样本图像、样本图像对应的样本类别以及类别标注情况，生成子训练数据；子训练数据包括：正确标注情况的样本图像以及对应的样本类别、闭集噪声标注情况的样本图像、开集噪声标注情况的样本图像对；样本图像对由同一个样本图像进行不同的增强处理得到。

在本公开实施例中，对应的类别标注情况为闭集噪声标注情况或者开集噪声标注情况的样本图像，该样本图像对应的样本类别，很大概率上不是样本图像的真实图像；而对应的类别标注情况为正确标注情况的样本图像，该样本图像对应的样本类别，很大概率上是样本图像的真实图像。因此，在确定样本图像对应的类别标注情况后，在对图像分类模型的后续训练中，可以考虑正确标注情况的样本图像对应的样本类别，而不考虑闭集噪声标注情况或者开集噪声标注情况的样本图像对应的样本类别，从而进一步提高图像分类模型的训练准确度。

其中，开集噪声标注情况的样本图像对中的两个样本图像，可以为开集噪声标注情况的样本图像经过不同的图像增强处理得到；或者，两个样本图像中其中一个为开集噪声标注情况的样本图像，另一个为该样本图像经过图像增强处理得到的。其中，图像增强，例如旋转、剪切、仿射变换、高斯模糊等，可以根据实际需要进行设置。

例如，开集噪声标注情况的样本图像对中的两个样本图像分别为图像A和图像B，图像A为对开集噪声标注情况的样本图像C经过旋转处理得到的，图像B为对开集噪声标注情况的样本图像C经过剪切处理得到的。

步骤305，根据子训练数据，对图像分类模型进行第二阶段训练，得到训练好的图像分类模型。

在本公开实施例中，电子设备执行步骤305的过程例如可以为，将子训练数据中的样本图像输入图像分类模型，获取样本图像在预设类别集合中各个类别上的预测概率；针对正确标注情况的样本图像，根据样本图像在各个类别上的预测概率以及样本图像对应的样本类别，构建第一子损失函数；针对闭集噪声标注情况的样本图像，根据样本图像在各个类别上的预测概率，构建第二子损失函数；针对开集噪声标注情况的样本图像对，根据样本图像对中两个样本图像在各个类别上的预测概率，构建第三子损失函数；根据第一子损失函数、第二子损失函数和第三子损失函数，确定损失函数；根据损失函数的数值对图像分类模型进行系数调整，实现第二阶段训练，得到训练好的图像分类模型。

在本公开实施例中，假设子训练数据中的样本图像可以分为3个集合，分别为正确标注情况的样本图像集合N′

其中，针对正确标注情况的样本图像集合N′

其中，L

其中，针对闭集噪声标注情况的样本图像集合N′

其中，L

其中，针对开集噪声标注情况的样本图像集合N′

其中，L

其中，损失函数的公式例如可以如以下公式(5)所示：

L

其中，L

其中，在对图像分类模型的第二阶段训练中，考虑正确标注情况的样本图像对应的样本类别，而不考虑闭集噪声标注情况或者开集噪声标注情况的样本图像对应的样本类别，针对不同类别标注情况的样本图像构建不同的子损失函数进行训练，从而进一步提高图像分类模型的训练准确度。

其中，需要说明的是，步骤301至步骤303的详细内容，可以参考图1所示实施例中的步骤101至步骤103，此处不再进行详细说明。

本公开实施例的图像分类模型的训练方法，通过获取训练数据，训练数据包括：样本图像，以及样本图像对应的样本类别；根据样本图像以及样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取样本图像在至少一个轮次的类别预测数据；根据样本图像的类别预测数据，确定样本图像对应的类别标注情况；根据样本图像、样本图像对应的样本类别以及类别标注情况，生成子训练数据；子训练数据包括：正确标注情况的样本图像以及对应的样本类别、闭集噪声标注情况的样本图像、开集噪声标注情况的样本图像对；样本图像对由同一个样本图像进行不同的增强处理得到；根据子训练数据，对图像分类模型进行第二阶段训练，得到训练好的图像分类模型，从而能够在图像分类模型的训练中，结合样本图像在至少一个轮次的类别预测数据区分不同类别标注情况的样本图像，进而进行后续阶段的训练，提高训练得到的图像分类模型的准确度。

图4是根据本公开第四实施例的示意图，需要说明的是，本公开实施例的噪声标注检测器的训练方法可应用于噪声标注检测器的训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行噪声标注检测器的训练功能。以下实施例中以执行主体为电子设备为例进行说明。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图4所示，该噪声标注检测器的训练方法可以包括如下步骤：

步骤401，获取参考训练数据，参考训练数据包括：样本图像，以及样本图像对应的样本类别以及类别标注情况。

在本公开实施例中，类别标注情况可以包括正确标注情况、闭集噪声标注情况和开集噪声标注情况。其中，正确标注情况，表示样本图像对应的样本类别为样本图像的真实类别；闭集噪声标注情况，表示样本图像对应的样本类别不为样本图像的真实类别，且样本类别存在于预设类别集合中；开集噪声标注情况，表示样本图像对应的样本类别不为样本图像的真实类别，且样本类别未存在于预设类别集合中。

其中，正确标注情况、闭集噪声标注情况和开集噪声标注情况，可以有效的区分样本图像的不同的类别标注情况，方便后续采用不同的类别标注情况的样本图像对图像分类模型进行不同的训练，进一步提高图像分类模型的训练准确度。

在本公开实施例中，电子设备执行步骤401的过程例如可以为，获取候选训练数据，候选训练数据包括：正确标注情况的样本图像，以及样本图像对应的样本类别；针对候选训练数据中的第一部分的样本图像，将样本图像对应的样本类别采用预设类别集合中除真实类别之外的其他类别进行替换处理，得到闭集噪声标注情况的样本图像；针对候选训练数据中的第二部分的样本图像，将样本图像对应的样本类别采用除预设类别集合中类别之外的其他类别进行替换处理，得到开集噪声标注情况的样本图像；根据正确标注情况的样本图像以及对应的样本类别、闭集噪声标注情况的样本图像以及对应的样本类别、开集噪声标注情况的样本图像以及对应的样本类别，生成参考训练数据。

其中，需要说明的是，由于只包括正确标注情况的样本图像的候选训练数据很难获取，因此，可替代的，可以采用其中正确标注情况的样本图像的占比大于一定占比阈值的训练数据，作为候选训练数据。

在本公开实施例中，针对候选训练数据中的第一部分的样本图像，也可以根据预设类别集合中除样本图像对应的样本类别之外的其他类别，以及样本图像，生成闭集噪声标注情况的样本图像。针对候选训练数据中的第二部分的样本图像，也可以根据除预设类别集合中类别之外的其他类别以及样本图像，生成开集噪声标注情况的样本图像。

其中，在参考训练数据中包含正确标注情况的样本图像、闭集噪声标注情况的样本图像以及开集噪声标注情况的样本图像，是为了将各种类别标注情况的样本图像作为训练数据进行训练，以提高噪声标注检测器的训练准确度。另外，根据候选训练数据，生成参考训练数据，可以一定程度上确保参考训练数据中类别标注情况的准确度。

步骤402，根据样本图像以及样本图像对应的样本类别，对初始的深度学习模型进行训练，以获取样本图像在至少一个轮次的类别预测数据。

在本公开实施例中，一种示例中，样本图像在第i个轮次的类别预测数据可以包括：第i个轮次中样本图像输入深度学习模型时，深度学习模型输出的各个类别的预测概率。

另一种示例中，样本图像在第i个轮次的类别预测数据可以包括：第i个轮次中样本图像输入深度学习模型时，深度学习模型输出的样本类别的预测概率。其中，i大于0且小于或者等于M，M为至少一个轮次的总轮次数量。

其中，至少一个轮次，可以为从起始轮次开始到第M个轮次。其中，针对正确标注情况的样本图像，在对应的样本类别上的预测概率一般较大，且方差较小；而针对错误标注情况的样本图像，例如，闭集噪声标注情况的样本图像以及开集噪声标注情况的样本图像，在对应的样本类别上的预测概率一般较小，且方差较大。因此，结合样本图像在至少一个轮次的类别预测数据，可以有效的区分正确标注情况的样本图像、闭集噪声标注情况的样本图像、以及开集噪声标注情况的样本图像，提高不同类别标注情况的样本图像的识别准确度，进而提高噪声标注检测器的训练准确度。

步骤403，根据样本图像对应的类别标注情况以及样本图像的类别预测数据，对噪声标注检测器进行训练，得到训练好的用于根据样本图像的类别预测数据确定类别标注情况的噪声标注检测器。

在本公开实施例中，电子设备执行步骤403的过程例如可以为，将样本图像的类别预测数据输入噪声标注检测器，获取噪声标注检测器输出的预测类别标注情况；根据预测类别标注情况以及样本图像对应的类别标注情况构建损失函数；根据损失函数的数值对噪声标注检测器进行系数调整，实现训练。

其中，噪声标注检测器的损失函数的公式例如可以如以下公式(6)所示：

其中，

本公开实施例的噪声标注检测器的训练方法，通过获取参考训练数据，参考训练数据包括：样本图像，以及样本图像对应的样本类别以及类别标注情况；根据样本图像以及样本图像对应的样本类别，对初始的深度学习模型进行训练，以获取样本图像在至少一个轮次的类别预测数据；根据样本图像对应的类别标注情况以及样本图像的类别预测数据，对噪声标注检测器进行训练，得到训练好的用于根据样本图像的类别预测数据确定类别标注情况的噪声标注检测器，从而能够采用噪声标注检测器，结合样本图像的类别预测数据确定样本图像的类别标注情况，从而能够区分不同类别标注情况的样本图像，进而对图像分类模型进行各个阶段的训练，提高训练得到的图像分类模型的准确度。

举例而言，噪声标注检测器的训练示意图可以如图5所示，在图5中，获取参考训练数据D

为了实现上述实施例，本公开还提供一种图像分类模型的训练装置，以及噪声标注检测器的训练装置。

如图6所示，图6是根据本公开第五实施例的示意图。该图像分类模型的训练装置60可以包括：获取模块601、第一训练模块602、确定模块603和第二训练模块604。

其中，获取模块601，用于获取训练数据，所述训练数据包括：样本图像，以及所述样本图像对应的样本类别；第一训练模块602，用于根据所述样本图像以及所述样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取所述样本图像在至少一个轮次的类别预测数据；确定模块603，用于根据所述样本图像的所述类别预测数据，确定所述样本图像对应的类别标注情况；第二训练模块604，用于根据所述样本图像、所述样本图像对应的样本类别以及类别标注情况，对所述图像分类模型进行第二阶段训练，得到训练好的图像分类模型。

作为本公开实施例的一种可能实现方式，所述样本图像在第i个轮次的类别预测数据包括：第i个轮次中所述样本图像输入所述图像分类模型时，所述图像分类模型输出的所述样本类别的预测概率；其中，i大于0且小于或者等于M，M为至少一个轮次的总轮次数量。

作为本公开实施例的一种可能实现方式，所述确定模块603具体用于，将所述样本图像的所述类别预测数据输入噪声标注检测器，获取所述噪声标注检测器输出的类别标注情况；其中，所述噪声标注检测器，根据至少一个参考样本图像、所述参考样本图像的参考类别预测数据以及参考类别标注情况训练得到。

作为本公开实施例的一种可能实现方式，所述类别标注情况包括正确标注情况、闭集噪声标注情况和开集噪声标注情况；所述正确标注情况，表示所述样本图像对应的样本类别为所述样本图像的真实类别；所述闭集噪声标注情况，表示所述样本图像对应的样本类别不为所述样本图像的真实类别，且所述样本类别存在于预设类别集合中；所述开集噪声标注情况，表示所述样本图像对应的样本类别不为所述样本图像的真实类别，且所述样本类别未存在于所述预设类别集合中。

作为本公开实施例的一种可能实现方式，所述第二训练模块604具体用于，根据所述样本图像、所述样本图像对应的样本类别以及类别标注情况，生成子训练数据；所述子训练数据包括：正确标注情况的样本图像以及对应的样本类别、闭集噪声标注情况的样本图像、开集噪声标注情况的样本图像对；所述样本图像对由同一个样本图像进行不同的增强处理得到；根据所述子训练数据，对所述图像分类模型进行第二阶段训练，得到训练好的图像分类模型。

作为本公开实施例的一种可能实现方式，所述第二训练模块604具体用于，将所述子训练数据中的样本图像输入所述图像分类模型，获取所述样本图像在所述预设类别集合中各个类别上的预测概率；针对正确标注情况的样本图像，根据所述样本图像在各个所述类别上的预测概率以及所述样本图像对应的样本类别，构建第一子损失函数；针对闭集噪声标注情况的样本图像，根据所述样本图像在各个所述类别上的预测概率，构建第二子损失函数；针对开集噪声标注情况的样本图像对，根据所述样本图像对中两个样本图像在各个所述类别上的预测概率，构建第三子损失函数；根据所述第一子损失函数、所述第二子损失函数和所述第三子损失函数，确定损失函数；根据所述损失函数的数值对所述图像分类模型进行系数调整，实现第二阶段训练，得到训练好的图像分类模型。

本公开实施例的图像分类模型的训练装置，通过获取训练数据，训练数据包括：样本图像，以及样本图像对应的样本类别；根据样本图像以及样本图像对应的样本类别，对初始的图像分类模型进行第一阶段训练，以获取样本图像在至少一个轮次的类别预测数据；根据样本图像的类别预测数据，确定样本图像对应的类别标注情况；根据样本图像、样本图像对应的样本类别以及类别标注情况，对图像分类模型进行第二阶段训练，得到训练好的图像分类模型，从而能够在图像分类模型的训练中，结合样本图像在至少一个轮次的类别预测数据区分不同类别标注情况的样本图像，进而进行后续阶段的训练，提高训练得到的图像分类模型的准确度。

如图7所示，图7是根据本公开第六实施例的示意图。该噪声标注预测器的训练装置70可以包括：获取模块701、第一训练模块702和第二训练模块703。

其中，获取模块701，用于获取参考训练数据，所述参考训练数据包括：样本图像，以及所述样本图像对应的样本类别以及类别标注情况；第一训练模块702，用于根据所述样本图像以及所述样本图像对应的样本类别，对初始的深度学习模型进行训练，以获取所述样本图像在至少一个轮次的类别预测数据；第二训练模块703，用于根据所述样本图像对应的类别标注情况以及所述样本图像的所述类别预测数据，对所述噪声标注检测器进行训练，得到训练好的用于根据样本图像的类别预测数据确定类别标注情况的噪声标注检测器。

作为本公开实施例的一种可能实现方式，所述获取模块701具体用于，获取候选训练数据，所述候选训练数据包括：正确标注情况的样本图像，以及所述样本图像对应的样本类别；针对所述候选训练数据中的第一部分的样本图像，将所述样本图像对应的样本类别采用预设类别集合中除所述真实类别之外的其他类别进行替换处理，得到闭集噪声标注情况的样本图像；针对所述候选训练数据中的第二部分的样本图像，将所述样本图像对应的样本类别采用除所述预设类别集合中类别之外的其他类别进行替换处理，得到开集噪声标注情况的样本图像；根据正确标注情况的样本图像以及对应的样本类别、闭集噪声标注情况的样本图像以及对应的样本类别、开集噪声标注情况的样本图像以及对应的样本类别，生成所述参考训练数据。

作为本公开实施例的一种可能实现方式，所述样本图像在第i个轮次的类别预测数据包括：第i个轮次中所述样本图像输入所述深度学习模型时，所述深度学习模型输出的所述样本类别的预测概率；其中，i大于0且小于或者等于M，M为至少一个轮次的总轮次数量。

本公开实施例的噪声标注检测器的训练装置，通过获取参考训练数据，参考训练数据包括：样本图像，以及样本图像对应的样本类别以及类别标注情况；根据样本图像以及样本图像对应的样本类别，对初始的深度学习模型进行训练，以获取样本图像在至少一个轮次的类别预测数据；根据样本图像对应的类别标注情况以及样本图像的类别预测数据，对噪声标注检测器进行训练，得到训练好的用于根据样本图像的类别预测数据确定类别标注情况的噪声标注检测器，从而能够采用噪声标注检测器，结合样本图像的类别预测数据确定样本图像的类别标注情况，从而能够区分不同类别标注情况的样本图像，进而对图像分类模型进行各个阶段的训练，提高训练得到的图像分类模型的准确度。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803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。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如图像分类模型的训练方法或者噪声标注检测器的训练方法。例如，在一些实施例中，图像分类模型的训练方法或者噪声标注检测器的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的图像分类模型的训练方法或者噪声标注检测器的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分类模型的训练方法或者噪声标注检测器的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。