分类模型的训练方法、装置、电子设备以及存储介质

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及图像处理技术，具体涉及一种分类模型的训练方法、装置、电子设备以及存储介质。

背景技术

随着人工智能的发展，图像分类是计算机视觉中一个重要的研究课题。对于分类任务，最终目的是最大化类间距离，最小化类内距离，使得分类结果更好。

但现有方法，如果在类别之间差距较小的情况下，直接进行分类，导致训练出来的分类器分类准确性差，即分类的结果中出现数据类间距离小于类内距离，导致分类结果与预期相差甚大，亟需改进。

发明内容

本发明提供一种分类模型的训练方法、装置、电子设备以及存储介质，以提高图像的分类准确率。

第一方面，本发明实施例提供了一种分类模型的训练方法，包括：

通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；所述目标分类分支用于预测样本图像中目标对象的目标分类结果；

通过所述初始模型的样本识别分支，对所述样本图像进行处理得到识别损失值；所述样本识别分支用于预测样本图像中目标对象的样本识别结果；

通过所述初始模型的权重调节分支，对所述样本图像进行处理，得到对所述目标分类分支和所述样本识别分支进行权重调节的损失权重；

根据所述分类损失值、所述识别损失值和所述损失权重，对所述初始模型进行训练，得到目标分类模型。

第二方面，本发明实施例还提供了一种目标图像的分类方法，包括：

将目标图像输入至通过如本发明第一方面提供的分类模型的训练方法训练得到的目标分类模型，将通过所述目标分类模型的目标分类分支输出的目标分类结果作为所述目标图像中目标对象的类别。

第三方面，本发明实施例还提供了一种分类模型的训练装置，包括：

分类损失值确定模块，用于通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；所述目标分类分支用于预测样本图像中目标对象的目标分类结果；

识别损失值确定模块，用于通过所述初始模型的样本识别分支，对所述样本图像进行处理得到识别损失值；所述样本识别分支用于预测样本图像中目标对象的样本识别结果；

损失权重确定模块，用于通过所述初始模型的权重调节分支，对所述样本图像进行处理得到对所述目标分类分支和所述样本识别分支进行权重调节的损失权重；

目标分类模型确定模块，用于根据所述分类损失值、所述识别损失值和所述损失权重，对所述初始模型进行训练，得到目标分类模型。

第四方面，本发明实施例还提供了一种目标图像的分类装置，包括：

类别确定模块，用于将目标图像输入至通过如本发明第一方面所提供的分类模型的训练方法训练得到的目标分类模型，将通过所述目标分类模型的目标分类分支输出的目标分类结果作为所述目标图像中目标对象的类别。

第五方面，本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面所提供的分类模型的训练方法，或如本发明第二方面所提供的目标图像的分类方法。

第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面所提供的分类模型的训练方法，或如本发明第二方面所提供的目标图像的分类方法。

本发明实施例的技术方案，通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；目标分类分支用于预测样本图像中目标对象的目标分类结果，之后通过初始模型的样本识别分支，对样本图像进行处理得到识别损失值；样本识别分支用于预测样本图像中目标对象的样本识别结果，并通过初始模型的权重调节分支，对样本图像进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重，进而根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。上述技术方案，在模型的训练过程中，基于权重平衡目标分类分支和样本识别分支，使得目标分类分支和样本识别分支相互限制并相互提升，进而提高了模型的分类准确率。

附图说明

图1A是本发明实施例一提供的一种分类模型的训练方法的流程图；

图1B是本发明实施例一提供的一种初始模型的结构示意图；

图2A是本发明实施例二提供的一种分类模型的训练方法的流程图；

图2B是本发明实施例二提供的一种初始模型的结构示意图；

图3A是本发明实施例三提供的一种分类模型的训练方法的流程图；

图3B是本发明实施例三提供的一种初始模型的结构示意图；

图4是本发明实施例四提供的一种目标图像的分类方法的流程图；

图5是本发明实施例五提供的一种分类模型的训练装置的结构示意图；

图6是本发明实施例六提供的一种目标图像的分类装置的结构示意图；

图7是本发明实施例七提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1A是本发明实施例一提供的一种分类模型的训练方法的流程图；图1B是本发明实施例一提供的一种初始模型的结构示意图。本发明实施例可适用于图像分类的情况，尤其适用于片状/层状农作物图像分类，如木薯叶片图像分类等。该方法可以由分类模型的训练装置来执行，该装置可以采用软件和/或硬件来实现，该装置可集成于电子设备中，比如移动终端或服务端中。

如图1A所示，该方法具体可以包括如下步骤：

S110、通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；目标分类分支用于预测样本图像中目标对象的目标分类结果。

本实施例中，所谓初始模型可以是已经构建好的，但是未经训练的用于图像分类的目标分类模型。可选的，如图1B所示，该初始模型至少可以包括目标分类分支10、样本识别分支11和权重调节分支12，其中目标分类分支10、样本识别分支11和权重调节分支12并行，输入均为样本图像。具体的，初始模型的输入即为目标分类分支10、样本识别分支11和权重调节分支12的输入，目标分类分支10的输出为目标分类结果，即为初始模型的输出。

可选的，本实施例可以采用有监督学习方式对初始模型进行训练，相应地，训练初始模型所需要的样本数据至少可以包括：样本图像、样本图像的分类监督数据和样本图像的识别监督数据。其中，样本图像可以是模型训练时所使用的用于图像分类的图像数据集，例如片状/层状农作物图像数据集(木薯叶片图像数据集)等。所谓样本图像的分类监督数据可以包括对样本图像中目标对象类别标注的数据，例如表示类别的类别标签可以用数字表示，不同的数字表示不同的类别。所谓样本图像的识别监督数据可以包括样本图像中目标对象的标识；目标对象的标识用于表征或识别目标对象的唯一性标识符，比如可以是目标对象的ID。其中，可以通过如下方式确定样本图像的识别监督数据：在训练前，采集每个目标对象不同角度、不同拍摄环境下的多张图像，对每张图像进行ID标号，将ID标号作为样本图像的识别监督数据，例如可以是片状农作物的ID标号。将类别标签或ID标号输入初始模型后，可以将其转化成one-hot向量形式。

目标分类分支10主要用于预测样本图像中目标对象的目标分类结果；可选的，本实施例中目标分类分支10至少可以包含多个卷积层、多个池化层和多个归一化层，以及全连接层和第一分类层。其中，目标分类分支10中的多个卷积层、多个池化层和多个归一化层用于提取样本图像的特征，输出特征图谱；目标分类分支10中的全连接层和第一分类层，用于对特征图谱进行处理，输出样本图像中目标对象的类别概率，例如可以是片状农作物的等级类别。其中，第一分类层可以是softmax分类层。

具体的，本实施例中可以将样本图像输入至初始模型的目标分类分支10，由目标分类分支10预测样本图像中目标对象的目标分类结果，并基于预先设定的损失函数，根据目标分类结果和分类监督数据，得到分类损失值。可选的，预先设定的损失函数可以是交叉熵损失函数。

所谓损失值用于表征实际输出结果与期望输出结果之间的接近程度。可选的，损失值越小，则说明实际输出结果越接近期望输出结果。本实施例中，分类损失值可以表示目标分类结果与分类监督数据之间的接近程度。其中，目标分类结果可以包括目标分类分支10对样本图像中目标对象的类别进行预测的结果。

S120、通过初始模型的样本识别分支，对样本图像进行处理得到识别损失值；样本识别分支用于预测样本图像中目标对象的样本识别结果。

样本识别分支11主要用于预测样本图像中目标对象的样本识别结果；可选的，本实施例中样本识别分支11也可以包括多个卷积层、多个池化层和多个归一化层，以及全连接层和第二分类层。其中，样本识别分支11中的多个卷积层、多个池化层和多个归一化层用于提取样本图像的特征，输出特征图谱；样本识别分支11中的全连接层和第二分类层，用于对特征图谱进行识别，输出样本图像中目标对象的ID标号概率。其中，第二分类层可以是改进的softmax层。

具体的，本实施例中可以将样本图像输入至初始模型的样本识别分支11，由样本识别分支11预测样本图像中目标对象的样本识别结果，并基于预先设定的损失函数，根据样本识别结果和识别监督数据，得到识别损失值。需要说明的是，样本识别分支11可以采用与目标分类分支10不同的损失函数，例如可以是人脸识别损失函数(arcface loss)。

其中，识别损失值可以表示样本识别结果与识别监督数据之间的接近程度。样本识别结果可以包括样本识别分支11对样本图像中目标对象的标识进行预测的结果。

S130、通过初始模型的权重调节分支，对样本图像进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重。

权重调节分支12主要用于对初始模型的目标分类分支和样本识别分支进行权重调节；可选的，权重调节分支12至少可以包括全连接层和分类层，具体的，将样本图像输入至权重调节分支12，权重调节分支12的全连接层和分类层对样本图像进行处理，输出损失权重，该损失权重用于对目标分类分支10和样本识别分支11进行权重调节。

具体的，为了提高初始模型的分类性能，分别为目标分类分支10和样本识别分支11设置损失权重，即损失权重还可以包括第一损失权重和第二损失权重。具体的，通过对权重调节分支12的分类层进行设定，使得权重调节分支12对样本图像进行处理后，输出两个概率，分别为第一损失权重和第二损失权重；其中，第一损失权重用于对目标分类分支10进行权重调节；第二损失权重用于对样本识别分支11进行权重调节。

S140、根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。

本实施例中，首先根据分类损失值、识别损失值、第一损失权重和第二损失权重，确定初始模型的目标损失值。具体的，将分类损失值和第一损失权重相乘的结果，与识别损失值和第二损失权重的相乘的结果，进行作和运算，将作和后的结果作为目标分类模型的目标损失值。

在得到目标损失值后，可选的，对初始模型进行训练可以是，将目标损失值进行反向传播以对初始模型进行训练，在训练过程中对第一损失权重和第二损失权重进行更新。若目标损失值达到设定条件，则停止对初始模型进行训练，并确定第一损失权重和第二损失权重的最终值，得到目标分类模型。

具体的，利用反向传播算法，对初始模型进行训练，在训练过程中对第一损失权重和第二损失权重进行自动更新，进而更新目标损失值。若在连续更新设定次数后，目标损失值保持不变，或者目标损失值的变化范围在设定误差范围内，则停止对初始模型进行训练，并确定第一损失权重和第二损失权重的最终值，得到目标分类模型。其中，设定次数是本领域技术人员根据实际情况设定的；设定误差范围是本领域技术人员根据实际情况设定的。

可以理解的是，现有技术中设定固定的损失权重不一定是最优的，而通过第一损失权重和第二损失权重的自动更新，可以使得最终训练得到的目标分类模型的性能更优。

本发明实施例的技术方案，通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；目标分类分支用于预测样本图像中目标对象的目标分类结果，之后通过初始模型的样本识别分支，对样本图像进行处理得到识别损失值；样本识别分支用于预测样本图像中目标对象的样本识别结果，并通过初始模型的权重调节分支，对样本图像进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重，进而根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。上述技术方案，在模型的训练过程中，基于权重平衡目标分类分支和样本识别分支，使得目标分类分支和样本识别分支相互限制并相互提升，进而提高了模型的分类准确率。

可选的，在上述实施例的基础上，一种获得样本图像的可实施方式如下：对样本进行线性扫描，得到至少一张单行图像，将至少一张单行图像进行拼接，得到样本的拼接图像；对拼接图像中的目标对象进行目标提取，得到样本图像。

具体的，可以采用线扫描相机对样本进行线性扫描，得到至少一张单行图像，然后按照至少一张单行图像的扫描顺序，将至少一张单行图像进行拼接，得到拼接图像。为便于后续模型训练，若单行图像的图像格式是bmp格式，则可以将其转化为jpg格式。

进一步地，本实施例的一种可实施方式，对拼接图像中的目标对象进行目标提取可以是，从拼接图像中提取目标对象的最小外接矩形框，并将其背景设置成黑色，从而得到目标提取后的拼接图像。

示例性地，为了提高初始模型训练的准确度，作为本实施例的一种可选实施例方式，可以采用数据增强算法和/或归一化操作，对目标提取后的拼接图像进行处理，得到样本图像。采用数据增强处理后的样本图像对初始模型进行训练可以提升模型的训练效果和泛化性能。

具体的，可以对目标提取后的拼接图像进行水平和/或垂直翻转、光照调节，对比度增强等操作。若目标提取后的拼接图像的大小不一致，对目标提取后的拼接图像进行尺寸大小调节操作，将各拼接图像的大小调节至同一分辨率，使得最终得到的样本图像的大小一致，尺寸调节的大小可以根据具体的图像数据的情况而设定。

实施例二

图2A是本发明实施例二提供的一种分类模型的训练方法的流程图；图2B是本发明实施例二提供的一种初始模型的结构示意图。在上述实施例的基础上，对构建的初始模型的结构进行了进一步的优化，如图2B所示，在初始模型中增加了主干网络13，可选的，主干网络13可以包括至少一个残差模块，该主干网络13用于提取样本图像的特征图，分别与并行的目标分类分支10、样本识别分支11和权重调节分支12相连，主干网络13的输入即初始模型的输入，为样本图像；主干网络13的输出为样本图像的特征图，即为目标分类分支10、样本识别分支11和权重调节分支12的输入；目标分类分支10的输出即为初始模型的输出。进而对“通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值”和“通过初始模型的样本识别分支，对样本图像进行处理得到识别损失值”进一步优化，提供一种可选实施方案。

如图2A所示，该方法具体可以包括：

S210、将样本图像输入主干网络进行处理得到样本图像的特征图。

本实施例中，样本图像的特征图用于表征样本图像的浅层特征。

具体的，将样本图像输入主干网络13，通过主干网络13中的至少一个残差模块对样本图像进行处理，得到样本图像的特征图。

S220、通过初始模型的目标分类分支，对样本图像的特征图进行处理得到分类损失值。

可选的，为了提取图像更加丰富的局部特征，使得目标分类分支10的分类性能更优，本实施例中目标分类分支10可以包括至少一个分类残差模块，所谓分类残差模块可以是加入第一注意力机制的残差模块。所谓注意力机制是聚焦于局部信息的机制，例如图像中的某一个图像区域。第一注意力机制可以是制挤压和激励(Squeeze-and-Excitation，SE)注意力机制，该注意力机制注重通道信息，可以解决在卷积池化过程中特征图谱的不同通道所占的重要性不同带来的损失问题。可选的，第一注意力机制还可以是卷积注意力机制模块(Convolutional Block Attention Module，CBAM)，该注意力机制不仅关注了通道信息，还提取了更高层次的特征。

进一步地，通过初始模型的目标分类分支10，对样本图像的特征图进行处理得到分类损失值，可以通过以下三步实现，具体可以是，第一，可以通过目标分类分支10的分类残差模块，对特征图进行处理，得到特征图的第一深层特征图。所谓第一深层特征图可以是包含特征图中更加丰富的局部信息的特征图。具体的，将样本图像的特征图输入至目标分类分支10，通过目标分类分支10的分类残差模块对样本图像的特征图进行处理，得到特征图的第一深层特征图。

第二，通过目标分类分支10的第一分类层，对第一深层特征图进行处理得到目标分类结果。其中，第一分类层可以包括全连接层和softmax层。具体的，通过全连接层和softmax层，依次对第一深层特征图进行处理，得到样本图像的目标分类结果。

第三，根据目标分类结果和样本图像的分类监督数据，确定分类损失值。具体的，基于目标分类结果和样本图像的分类监督数据，通过目标分类分支10中的设定的损失函数，确定分类损失值。

S230、通过初始模型的样本识别分支，对样本图像的特征图进行处理得到识别损失值。

可选的，为了提取不同的更加丰富的图像的局部特征，使得样本识别分支11的识别性能更优，本实施例中样本识别分支11可以包括至少一个识别残差模块。所谓识别残差模块是加入了第二注意力机制的残差模块。其中，第二注意力机制可以与第一注意力机制相同，也可以与第一注意力机制不同。

示例性地，第一注意力机制和第二注意力机制可以采用SE注意力机制，进一步的，第一注意力机制和第二注意力机制还可以采用CBAM注意力机制。

示例性的，第一注意力机制和第二注意力机制还可以采用不同的注意力机制，例如第一注意力机制采用SE注意力机制，第二注意力机制采用CBAM注意力机制；可以理解的是，第一注意力机制和第二注意力机制通过采用不同的注意力机制，可以提取到图像不同的局部特征，使得在学习过程中不同分支之间相互牵制，相互提升训练效果。

可选的，本实施例中通过初始模型的样本识别分支11，对样本图像的特征图进行处理得到识别损失值，可以通过以下三步实现，具体可以是，第一，通过样本识别分支11的识别残差模块，对特征图进行处理得到第二深层特征图。其中，所谓第二深层特征图可以是包含特征图中更加丰富的局部信息的特征图。具体的，将样本图像的特征图输入至样本识别分支11，通过样本识别分支11的识别残差模块对样本图像的特征图进行处理，得到特征图的第二深层特征图。

第二，通过样本识别分支11的第二分类层，对第二深层特征图进行处理得到样本识别结果。其中，第二分类层可以包括全连接层和改进的softmax层。具体的，通过全连接层和改进的softmax层，依次对第二深层特征图进行处理，得到样本图像的样本识别结果。

第三，根据样本识别结果和样本图像的识别监督数据，确定识别损失值。具体的，基于样本识别结果和样本图像的识别监督数据，通过样本识别分支11中的损失函数，确定识别损失值。

S240、通过初始模型的权重调节分支，对样本图像的特征图进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重。

可选的，将样本图像的特征图输入至权重调节分支12，权重调节分支12对样本图像的特征图进行处理，输出损失权重，该损失权重用于对目标分类分支10进行权重调节。

具体的，为了提高初始模型的分类性能，分别为目标分类分支和样本识别分支的设置损失权重，即损失权重包括第一损失权重和第二损失权重，具体的，对权重调节分支12的分类层进行设定，通过权重调节分支12对样本图像的特征图进行处理，输出两个概率，分别为第一损失权重和第二损失权重；其中，第一损失权重用于对目标分类分支10进行权重调节；第二损失权重用于对样本识别分支11进行权重调节。

S250、根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。

本发明实施例的技术方案，通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；目标分类分支用于预测样本图像中目标对象的目标分类结果，之后通过初始模型的样本识别分支，对样本图像进行处理得到识别损失值；样本识别分支用于预测样本图像中目标对象的样本识别结果，并通过初始模型的权重调节分支，对样本图像进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重，进而根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。上述技术方案，在模型的训练过程中，基于权重平衡目标分类分支和样本识别分支，使得目标分类分支和样本识别分支相互限制并相互提升，进而提高了模型的分类准确率。

实施例三

图3A是本发明实施例三提供的一种分类模型的训练方法的流程图；图3B是本发明实施例三提供的一种初始模型的结构示意图；在上述实施例的基础上，如图3B所示，初始模型包括主干网络13，可选的，主干网络可以包括ResNet18第一层至倒数第四层的部分网络结构，即部分残差模块，该主干网络13用于提取样本图像的特征图，分别与并行的目标分类分支10、样本识别分支11和权重调节分支12相连；其中，目标分类分支10包括一个加入第一注意力机制的残差模块、全连接层和第一分类层；样本识别分支11包括一个加入第二注意力机制的残差模块、全连接层和第二分类层；权重调节分支12包括全连接层；主干网络13的输入即初始模型的输入，为样本图像；主干网络的输出为样本图像的特征图，即为目标分类分支10、样本识别分支11和权重调节分支12的输入，目标分类分支10的输出即为初始模型的输出；权重调节分支12的输出为第一损失权重w1和第二损失权重w2，以调节目标分类分支10的分类损失值和样本识别分支11的识别损失值，进而调节初始模型的目标损失值。进一步提供一种优选实施例。

如图3A所示，该方法具体可以包括：

S310、将样本图像输入主干网络进行处理得到样本图像的特征图。

其中，主干网络13可以包括精度较高的ResNet18(Residual Network，残差网络)中的第一层至倒数第四层的部分网络结构。

具体的，将样本图像输入至主干网络13，主干网络13的残差模块对样本图像进行处理，得到样本图像的特征图。

S320、通过初始模型的目标分类分支，对样本图像的特征图进行处理得到分类损失值，目标分类分支用于预测样本图像中目标对象的目标分类结果。

本实施例中，目标分类分支10可以包括一个加入第一注意力机制的残差模块，其中，第一注意力机制为SE注意力机制，通过加入注意力机制，可以提取到不同等级的图像的局部细节特征。目标分类分支10还包括全连接层和第一分类层。需要说明的是，目标分类分支10中所采用的损失函数为交叉熵损失函数。

具体的，将样本图像的特征图输入至目标分类分支10，目标分类分支10对样本图像的特征图进行处理，得到样本图像中目标对象的目标分类结果和分类损失值。

S330、通过初始模型的样本识别分支，对样本图像的特征图进行处理得到识别损失值，样本识别分支用于预测样本图像中目标对象的样本识别结果。

本实施例中，样本识别分支11可以包括一个加入第二注意力机制的残差模块，其中，第二注意力机制为CBAM注意力机制，通过加入注意力机制，可以提取到图像与目标分类分支10不同的局部特征，以提高样本识别分支11的识别准确率，进而提升目标分类分支10的分类效果。样本识别分支11还包括全连接层和第二分类层。需要说明的是，样本识别分支11中所采用的损失函数为人脸识别损失函数(arcface loss)。

具体的，将样本图像的特征图输入至样本分支11，样本识别分支11对样本图像的特征图进行处理，得到样本图像中目标对象的样本识别结果和识别损失值。

S340、通过初始模型的权重调节分支，对样本图像的特征图进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重。

本实施例中，权重调节分支12可以包括全连接层和分类层。

可选的，权重调节分支12对样本图像的特征图进行处理，得到两个概率，即对目标分类分支10和样本识别分支11进行权重调节的损失权重。其中，损失权重包括第一损失权重和分别为第一损失权重w1和第二损失权重w2；第一损失权重w1用于对目标分类分支10进行权重调节；第二损失权重w2用于对样本识别分支11进行权重调节。

具体的，将样本图像的特征图输入至权重调节分支12，权重调节分支12对样本图像的特征图进行处理，得到第一损失权重w1和第二损失权重w2。

S350、根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。

本实施例中，将分类损失值和第一损失权重w1相乘的结果，与识别损失值和第二损失权重w2的相乘的结果，进行作和运算，将作和后的结果作为目标分类模型的目标损失值。

在确定目标损失值后，将目标损失值进行反向传播以对初始模型进行训练，在训练过程中对第一损失权重和第二损失权重进行更新。若目标损失值达到设定条件，则停止对初始模型进行训练，并确定第一损失权重和第二损失权重的最终值，得到目标分类模型。

具体的，若在连续更新设定次数后，目标损失值保持不变，或者目标损失值的变化范围在设定误差范围内，则停止对初始模型进行训练，并确定第一损失权重和第二损失权重的最终值，得到目标分类模型。其中，设定次数是本领域技术人员根据实际情况设定的；设定误差范围是本领域技术人员根据实际情况设定的。

实施例四

图4是本发明实施例四提供的一种目标图像的分类方法的流程图；本实施例的方法适用于采用在上述实施例所提供的分类模型的训练方法训练得到的目标分类模型，进行目标图像的分类的情况，尤其适用于片状/层状农作物图像分类，如木薯叶片图像分类等。该方法可以由目标图像的分类装置执行，该装置可采用软件和/或硬件的方式实现，并可集成于承载目标图像的分类功能的电子设备中，例如服务端或者移动端。可选的，如图4所示，该方法具体可以包括：

S410、将目标图像输入至目标分类模型，并将通过目标分类模型的目标分类分支输出的目标分类结果作为目标图像中目标对象的类别。

其中，目标分类模型是通过上述实施例所提供的分类模型的训练方法所训练好的目标分类模型。目标图像可以是需要进行类别预测的图像。

具体的，将目标图像输入至训练好的目标分类模型，目标分类模型对目标图像进行处理，将目标分类模型中的目标分类分支输出的目标分类结果作为目标图像中目标对象的类别。

本实施例的技术方案，通过训练好的目标分类模型对目标图像中目标对象进行预测，可以准确的确定目标图像中目标对象的类别。

实施例五

图5是本发明实施例五提供的一种提供的一种分类模型的训练装置的结构示意图；本实施例可适用于图像分类的情况，尤其适用于片状/层状农作物图像分类，如木薯叶片图像分类等。该装置可以采用软件和/或硬件来实现，该装置可集成于电子设备中，比如移动终端或服务端中。

如图5所示，该装置包括分类损失值确定模块510、识别损失值确定模块520、损失权重确定模块530和目标分类模型确定模块540，其中，

分类损失值确定模块510，用通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；目标分类分支用于预测样本图像中目标对象的目标分类结果；

识别损失值确定模块520，用于通过初始模型的样本识别分支，对样本图像进行处理得到识别损失值；样本识别分支用于预测样本图像中目标对象的样本识别结果；

损失权重确定模块530，用于通过初始模型的权重调节分支，对样本图像进行处理得到对目标分类分支和样本识别分支进行权重调节的损失权重；

目标分类模型确定模块540，用于根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。

本发明实施例的技术方案，通过初始模型的目标分类分支，对样本图像进行处理得到分类损失值；目标分类分支用于预测样本图像中目标对象的目标分类结果，之后通过初始模型的样本识别分支，对样本图像进行处理得到识别损失值；样本识别分支用于预测样本图像中目标对象的样本识别结果，并通过初始模型的权重调节分支，对样本图像进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重，进而根据分类损失值、识别损失值和损失权重，对初始模型进行训练，得到目标分类模型。上述技术方案，在模型的训练过程中，基于权重平衡目标分类分支和样本识别分支，使得目标分类分支和样本识别分支相互限制并相互提升，进而提高了最终分类识别的准确率。

进一步地，损失权重包括第一损失权重和第二损失权重；其中，第一损失权重用于对目标分类分支进行权重调节；第二损失权重用于对样本识别分支进行权重调节。

进一步地，目标分类模型确定模块540包括目标损失值确定单元、权重更新单元和目标分类模型确定单元，其中，

目标损失值确定单元，用于根据分类损失值、识别损失值、第一损失权重和第二损失权重，确定目标分类模型的目标损失值；

权重更新单元，用于将目标损失值进行反向传播以对初始模型进行训练，在训练过程中对第一损失权重和第二损失权重进行更新；

目标分类模型确定单元，用于若目标损失值达到设定条件，则停止对初始模型进行训练，并确定第一损失权重和第二损失权重的最终值，得到目标分类模型。

进一步地，初始模型还包括主干网络，主干网络包括至少一个残差模块；

相应地，该装置还包括特征图确定模块，该模块具体用于：

将样本图像输入主干网络进行处理得到样本图像的特征图；

相应地，分类损失值确定模块510，具体用于：

通过初始模型的目标分类分支，对样本图像的特征图进行处理得到分类损失值；

识别损失值确定模块520，具体用于：

通过初始模型的样本识别分支，对样本图像的特征图进行处理得到识别损失值；

损失权重确定模块530，具体用于：

通过初始模型的权重调节分支，对样本图像的特征图进行处理，得到对目标分类分支和样本识别分支进行权重调节的损失权重。

进一步地，目标分类分支包括至少一个分类残差模块，样本识别分支包括至少一个识别残差模块。

进一步地，分类损失值确定模块510包括第一特征图确定单元、目标分类结果确定单元和分类损失值确定单元，其中，

第一特征图确定单元，用于通过目标分类分支的分类残差模块，对特征图进行处理，得到特征图的第一深层特征图；

目标分类结果确定单元，用于通过目标分类分支的第一分类层，对第一深层特征图进行处理得到目标分类结果；

分类损失值确定单元，用于根据目标分类结果和样本图像的分类监督数据，确定分类损失值。

进一步地，识别损失值确定模块520包括第二特征图确定单元、样本识别结果确定单元和识别损失值确定单元，其中，

第二特征图确定单元，用于通过样本识别分支的识别残差模块，对特征图进行处理得到第二深层特征图；

样本识别结果确定单元，用于通过样本识别分支的第二分类层，对第二深层特征图进行处理得到样本识别结果；

识别损失值确定单元，用于根据样本识别结果和样本图像的识别监督数据，确定识别损失值。

进一步地，至少一个分类残差模块加入第一注意力机制，至少一个识别残差模块加入第二注意力机制；第一注意力机制和第二注意力机制不同。

进一步地，目标分类分支与样本识别分支采用不同的损失函数。

进一步地，该装置还包括拼接图像确定模块和样本图像确定模块，其中，

拼接图像确定模块，用于对样本进行线性扫描，得到至少一张单行图像，将至少一张单行图像进行拼接，得到样本的拼接图像；

样本图像确定模块，用于对拼接图像中的目标对象进行目标提取，得到样本图像。

进一步地，样本图像确定模块具体用于：

采用数据增强算法和/或归一化操作，对目标提取后的拼接图像进行处理，得到样本图像。

上述分类模型的训练装置可执行本发明任意实施例所提供的分类模型的训练方法，具备执行方法相应的功能模块和有益效果。

实施例六

图6是本发明实施例六提供的一种目标图像的分类装置的结构示意图；本实施例适用于采用在上述实施例所提供的分类模型的训练方法训练得到的目标分类模型，进行目标图像的分类，尤其适用于片状/层状农作物图像分类，如木薯叶片图像分类等。该装置可采用软件和/或硬件的方式实现，并可集成于承载目标对象的分类功能的电子设备中，例如服务端或者移动端。可选的，如图6所示，该装置可以包括类别确定模块610，其中，

类别确定模块610，用于将目标图像输入至通过上述实施例所提供的分类模型的训练方法训练得到的目标分类模型，将通过目标分类模型的目标分类分支输出的目标分类结果作为所述目标图像中目标对象的类别。

本实施例的技术方案，通过训练好的目标分类模型对目标图像中目标对象进行预测，可以准确的确定目标图像中目标对象的类别。

实施例七

图7是本发明实施例七提供的一种电子设备的结构示意图，图7示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图7显示的设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器(高速缓存32)。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明实施例各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的分类模型的训练方法，或本发明实施例所提供的目标图像的分类方法。

实施例八

本发明实施例八还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行本发明实施例所提供的分类模型的训练方法，或本发明实施例所提供的目标图像的分类方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

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。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。