(19)中华 人民共和国 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 202111668948.0 (22)申请日 2021.12.3 0 (71)申请人 中国农业银行股份有限公司 地址 100005 北京市东城区建国门内大街 69号 (72)发明人 蒋亚菊　许迪　沈德星　刘旸　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 代理人 马明明　刘芳 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 图像分类模型训练方法、 图像分类方法、 设 备及存储介质 (57)摘要 本申请提供一种图像 分类模型训练方法、 图 像分类方法、 设备及存储介质， 具体实现方案包 括： 获取目标图像 分类模型及对目标图像分类模 型进行训练的图像训练样本； 采用图像训练样本 对目标图像分类模型进行训练， 并在每次训练时 先后执行对目标图像分类模型中的决策函数的 学习训练过程及对图像训练样本对应的特征表 示的学习训练过程， 两个学习训练过程对应的损 失函数表 示为L2正则化推广形式， 并且在对应的 损失函数中对决策函数或特征表示进行正交化 处理； 判断是否满足目标图像分类模 型的收敛条 件； 若确定满足目标图像分类模型的收敛条件， 则将满足收敛条件的目标图像分类模型确定为 训练至收敛的图像分类模型。 权利要求书2页 说明书11页 附图6页 CN 114332538 A 2022.04.12 CN 114332538 A 1.一种图像分类模型训练方法， 其特 征在于， 包括： 获取目标图像分类模型及对所述目标图像分类模型进行训练的图像训练样本； 所述目 标图像分类模型为有监 督的神经网络模型； 采用图像训练样本对所述目标图像分类模型进行训练， 并在每次训练时先后执行对目 标图像分类模型中的决策函数的学习训练过程及对图像训练样本对应的特征表示的学习 训练过程， 两个学习训练过程对应的辅助损失函数表示为L2正则化推广形式， 并且在辅助 损失函数中对决策函数或特 征表示进行正交化处 理； 判断是否满足目标图像分类模型的收敛 条件； 若确定满足目标图像分类模型的收敛条件， 则将满足收敛条件的目标图像分类模型确 定为训练至收敛的图像分类模型。 2.根据权利要求1所述的方法， 其特征在于， 所述在每次训练时先后执行对目标图像分 类模型中的决策函数的学习训练过程及 对图像训练样本对应的特征表示的学习训练过程， 包括： 在每次训练时先后采用第一损失函数和第二损失函数对所述目标图像分类模型进行 训练； 所述第一损失函数中包括的辅助损失函数为高斯决策正则损失函数， 第二损失函数 中包括的辅助损失函数为高斯特 征表示损失函数； 所述高斯决策正则损失函数中对决策函数进行正交化处理， 所述高斯特征表示损失函 数中对特 征表示进行正交化处 理。 3.根据权利要求2所述的方法， 其特征在于， 所述在每次训练时先后采用第 一损失函数 和第二损失函数对所述目标图像分类模型进行训练， 包括： 在每次训练时计算基础损失函数， 并计算基础损失函数与高斯决策正则损失函数的第 一求和结果， 以及基础损失函数与高斯特 征表示损失函数的第二 求和结果； 将第一求和结果确定为第一损失函数并将第二 求和结果确定为第二损失函数； 每次训练时先后采用第一损失函数和第二损失函数对所述目标图像分类模型进行训 练。 4.根据权利要求2所述的方法， 其特征在于， 所述高斯决策正则损失函数中包括第 一超 参数， 所述高斯特征表示损失函数中包括第二超参数， 所述第一超参数和所述第二超参数 的取值在预设区间范围内。 5.根据权利要求4所述的方法， 其特征在于， 所述在每次训练时先后执行对目标图像分 类模型中的决策函数的学习训练过程及对图像训练样本对应的特征表示的学习训练过程 之前， 还包括： 采用截断高斯分布函数生成 目标图像分类模型的初始化训练参数矩阵， 以生成初始化 的目标图像分类模型； 对所述图像训练样本进行归一 化处理。 6.一种图像分类方法， 其特 征在于， 包括： 获取待分类的目标图像； 将所述目标图像输入到训练至收敛的图像分类模型中， 采用所述训练至收敛的图像分 类模型对所述目标图像进行分类； 所述训练至收敛的图像分类模型是根据权利要求1 ‑5任一项所述图像分类模型训练方权　利　要　求　书 1/2 页 2 CN 114332538 A 2法训练获得的。 7.一种图像分类模型训练装置， 其特 征在于， 包括： 获取模块， 用于获取目标图像分类模型及对所述目标图像分类模型进行训练 的图像训 练样本； 所述目标图像分类模型为有监 督的神经网络模型； 训练模块， 用于采用图像训练样本对所述目标图像分类模型进行训练， 并在每次训练 时先后执行对目标图像分类模型中的决策函数的学习训练过程及对图像训练样本对应的 特征表示的学习训练过程， 两个学习训练过程对应的辅助损失函数表示为L2 正则化推广形 式， 并且在辅助损失函数中对决策函数或特 征表示进行正交化处 理； 判断模块， 用于判断是否满足目标图像分类模型的收敛 条件； 确定模块， 用于若确定满足目标图像分类模型的收敛条件， 则将满足收敛条件的目标 图像分类模型确定为训练至收敛的图像分类模型。 8.一种图像分类装置， 其特 征在于， 包括： 获取模块， 用于获取待分类的目标图像； 分类模块， 用于将所述目标图像输入到训练至收敛的图像分类模型中， 采用所述训练 至收敛的图像分类模型对所述目标图像进行分类； 所述训练至收敛的图像分类模型是根据权利要求1 ‑5任一项所述图像分类模型训练方 法训练获得的。 9.一种电子设备， 其特 征在于， 包括： 至少一个处 理器及存 储器； 所述存储器存储计算机执 行指令； 所述至少一个处理器执行所述存储器存储的计算机执行指令， 使得所述至少一个处理 器执行如权利要求1 ‑6任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有计算机 执行指令， 所述计算机执行指令被处理器执行时用于实现如权利要求1 ‑6任一项所述的方 法。权　利　要　求　书 2/2 页 3 CN 114332538 A 3