技术摘要：
本申请提供了一种图像分类模型的训练方法、装置、计算机设备及存储介质，属于机器学习技术领域。方法包括：基于具有图像分割信息的第一样本图像和第一图像分类模型，更新第二图像分类模型；将具有图像分类标签的第二样本图像输入更新后的第二图像分类模型，输出第二样  全部
背景技术：
随着计算机技术的飞速发展，图像处理技术可应用的范围越来越广泛。通过图像 处理技术，可以根据图像中包括的内容，基于图像分类模型对图像进行分类，该图像中包括 的内容可以为动物、植物、风景、建筑物、人体器官甚至是细胞等。对图像进行分类的精确度 通常与图像分类模型的训练程度相关。 目前，在训练图像分类模型时，通常会使用深度卷积网络对大量的经过标注的样 本图像进行端到端的训练。经过充分训练的图像分类模型可以对图像进行较为精确的分 类，如分辨动物的种类等。 上述技术方案存在的问题是，在某些专业领域，如医疗领域、绘画领域等，对样本 图像进行标注需要由本领域的专家来完成，这就导致无法获取到大量的经过标注的样本图 像，从而导致训练得到的图像分类模型的精确度不高。
技术实现要素：
本申请实施例提供了一种图像分类模型的训练方法、图像分类方法、装置、计算机 设备及存储介质，使第二图像分类模型可以得到充分的训练，在减少了训练过程中对具有 图像分类标签的样本图像的需求量的同时，也保证了训练得到的图像分类模型的精确度。 所述技术方案如下： 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： 基于具有图像分割信息的第一样本图像和第一图像分类模型，更新第二图像分类 模型； 将具有图像分类标签的第二样本图像输入更新后的所述第二图像分类模型，通过 所述第二图像分类模型对所述第二样本图像进行分类，输出所述第二样本图像的分类结 果； 响应于所述第二样本图像的分类结果不符合第一目标条件，基于所述第二样本图 像的分类结果和所述第二样本图像的图像分类标签，更新所述第二图像分类模型； 基于具有图像分类标签的第三样本图像，更新所述第一图像分类模型，基于更新 后的所述第一图像分类模型继续训练，以得到训练完成的图像分类模型。 另一方面，提供了一种图像分类方法，所述方法包括： 获取待分类图像； 将所述待分类图像输入图像分类模型，通过所述图像分类模型对所述待分类图像 进行图像分类，输出所述待分类图像的分类结果； 根据所述待分类图像的分类结果，确定所述待分类图像所属的图像类型； 5 CN 111598160 A 说　明　书 2/23 页 其中，所述图像分类模型基于多个具有分割信息的第一样本图像、另一个图像分 类模型、多个具有图像分类标签的第二样本图像以及多个具有图像分类标签的第三样本图 像训练得到。 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： 更新模块，用于基于具有图像分割信息的第一样本图像和第一图像分类模型，更 新第二图像分类模型； 图像分类模块，用于将具有图像分类标签的第二样本图像输入更新后的所述第二 图像分类模型，通过所述第二图像分类模型对所述第二样本图像进行分类，输出所述第二 样本图像的分类结果； 所述更新模块，还用于响应于所述第二样本图像的分类结果不符合第一目标条 件，基于所述第二样本图像的分类结果和所述第二样本图像的图像分类标签，更新所述第 二图像分类模型； 所述更新模块，还用于基于具有图像分类标签的第三样本图像，更新所述第一图 像分类模型，基于更新后的所述第一图像分类模型继续训练，以得到训练完成的图像分类 模型。 在一种可选的实现方式中，所述更新模块，用于将第一样本图像和所述第一样本 图像的图像分割信息输入所述第一图像分类模型，得到第一特征信息；将所述第一样本图 像输入所述第二图像分类模型，得到第二特征信息；根据所述第一特征信息和所述第二特 征信息之间的差异信息，更新所述第二图像分类模型。 在一种可选的实现方式中，所述更新模块，还用于将所述第三样本图像输入所述 第二图像分类模型，通过所述第二图像分类模型对所述第三样本图像进行分类，输出所述 第三样本图像的分类结果；根据所述第三样本图像的分类结果和所述第三样本图像的图像 分类标签，更新所述第一图像分类模型。 在一种可选的实现方式中，所述装置还包括： 信息获取模块，还用于根据所述第二样本图像的分类结果和所述第二样本图像的 图像分类标签，获取所述第二样本图像的难度信息，所述难度信息用于表示所述第二样本 图像被正确分类的难易程度； 所述信息获取模块，还用于根据权重系数、所述第二样本图像的图像分类标签、所 述第二样本图像的难度信息以及激活函数，获取所述第二样本图像的概率信息； 图像获取模块，用于响应于根据所述第二样本图像的概率信息确定所述第二样本 图像满足第二目标条件，将所述第二样本图像作为所述第三样本图像。 在一种可选的实现方式中，所述信息获取模块，还用于根据所述权重系数和所述 第二样本图像的图像分类标签，确定第一参数；根据所述第二样本图像的难度信息，确定第 二参数；根据所述激活函数包括的缩放系数、偏移系数以及平均难度信息，确定第三参数， 所述平均难度信息用于表示多个样本图像被正确分类的平均难易程度；根据所述第一参 数、所述第二参数以及所述第三参数，获取所述第二样本图像的概率信息。 在一种可选的实现方式中，所述第二目标条件包括： 所述第三样本图像的数量少于目标数量；或者， 所述第三样本图像的数量不少于目标数量，且所述第二样本图像的概率信息所指 6 CN 111598160 A 说　明　书 3/23 页 示的概率大于任一第三样本图像的概率信息所指示的概率。 在一种可选的实现方式中，所述装置还包括： 图像获取模块，用于获取多个具有图像分类标签的样本图像； 所述图像获取模块，还用于从所述多个样本图像中随机选择目标比例的样本图像 作为所述第二样本图像，将剩余的样本图像作为所述第三样本图像。 另一方面，提供了一种图像分类装置，所述装置包括： 获取模块，用于获取待分类图像； 模型处理模块，用于将所述待分类图像输入图像分类模型，通过所述图像分类模 型对所述待分类图像进行图像分类，输出所述待分类图像的分类结果； 确定模块，用于根据所述待分类图像的分类结果，确定所述待分类图像所属的图 像类型； 其中，所述图像分类模型基于多个具有分割信息的第一样本图像、另一个图像分 类模型、多个具有图像分类标签的第二样本图像以及多个具有图像分类标签的第三样本图 像训练得到。 另一方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器用于 存储至少一段程序代码，所述至少一段程序代码由所述处理器加载并执行以实现本申请实 施例中的图像分类模型的训练方法中所执行的操作，或者执行以实现本申请实施例中的图 像分类方法中所执行的操作。 另一方面，提供了一种存储介质，所述存储介质中存储有至少一段程序代码，所述 至少一段程序代码用于执行本申请实施例中的图像分类模型的训练方法，或者执行本申请 实施例中的图像分类方法。 本申请实施例提供的技术方案带来的有益效果是： 在本申请实施例中，通过具有图像分割信息的第一样本图像和第一图像分类模型 来对第二图像分类模型进行一次更新，然后在该第二图像分类模型输出的分类结果不符合 目标条件时，再次对该第二图像分类模型进行更新，并对上述第一图像分类模型进行更新， 使得在下一次迭代时，更新后的第一图像分类模型可以对上述第二图像分类模型进行进一 步的更新，使第二图像分类模型可以得到充分的训练，从而在减少了训练过程中对具有图 像分类标签的样本图像的需求量的同时，也保证了训练得到的图像分类模型的精确度。 附图说明 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他 的附图。 图1是根据本申请实施例提供的一种图像分类模型的训练方法的实施环境示意 图； 图2是本申请实施例提供的一种图像分类模型的训练方法的流程图； 图3是本申请实施例提供的一种图像分类方法的流程图； 图4是本申请实施例提供的另一种图像分类模型的训练方法的流程图； 7 CN 111598160 A 说　明　书 4/23 页 图5是根据本申请实施例提供的一种图像分类模型的训练方法的结构示意图； 图6是本申请实施例提供的另一种图像分类模型的训练方法的流程图； 图7是本申请实施例提供的另一种图像分类模型的训练方法的流程图； 图8是本申请实施例提供的另一种图像分类模型的训练方法的流程图； 图9是根据本申请实施例提供的一种图像分类模型的训练装置的框图； 图10是根据本申请实施例提供的一种图像分类装置的框图； 图11是根据本申请实施例提供的一种终端的结构框图； 图12是根据本申请实施例提供的一种服务器的结构示意图。