本公開涉及計算機，尤其涉及計算機視覺、深度學習等人工智能，具體涉及一種分類模型的生成方法、裝置、電子設備及存儲介質。

背景技術：

1、圖像分類為計算機視覺領域的一個重要研究方向，隨著深度學習的發(fā)展，圖像分類模型在工業(yè)界、醫(yī)學領域、軍事領域等多個方面都有廣泛的應用。因此，如何對圖像分類模型進行訓練，提高圖像分類模型對圖像分類的準確率，成為重點的研究方向。

技術實現(xiàn)思路

1、本公開提供了一種分類模型的生成方法、裝置、電子設備及存儲介質。

2、根據(jù)本公開的第一方面，提供了一種分類模型的生成方法，包括：

3、獲取第一數(shù)據(jù)集，其中，所述第一數(shù)據(jù)集中包括第一樣本圖像、所述第一樣本圖像對應的第一類別標簽；

4、將所述第一樣本圖像輸入目標檢測模型中，以獲取每個對象種類對應的第一概率圖；

5、將所述第一樣本圖像輸入初始分類模型中，以獲取每個圖像類別對應的類別激活圖及所述第一樣本圖像對應的第一預測類別；

6、根據(jù)所述第一預測類別與所述第一類別標簽之間的差異、及所述第一概率圖與所述類別激活圖之間的差異，對所述初始分類模型進行修正，以獲取目標分類模型。

7、根據(jù)本公開的第二方面，提供了一種圖像分類方法，包括：

8、獲取待分類圖像；

9、將所述待分類圖像，輸入目標分類模型中，以獲取所述待分類圖像對應的目標類別；其中，所述目標分類模型為根據(jù)第一方面所述的方法訓練生成的。

10、根據(jù)本公開的第三方面，提供了一種醫(yī)學圖像分類方法，包括：

11、獲取待分類的醫(yī)學圖像；

12、將所述醫(yī)學圖像，輸入目標分類模型中，以獲取所述醫(yī)學圖像對應的目標類別；其中，所述目標分類模型為根據(jù)第一方面所述的方法訓練生成的。

13、根據(jù)本公開的第四方面，提供了一種分類模型的生成裝置，包括：

14、獲取模塊，用于獲取第一數(shù)據(jù)集，其中，所述第一數(shù)據(jù)集中包括第一樣本圖像、所述第一樣本圖像對應的第一類別標簽；

15、第一處理模塊，用于將所述第一樣本圖像輸入目標檢測模型中，以獲取每個對象種類對應的第一概率圖；

16、第二處理模塊，用于將所述第一樣本圖像輸入初始分類模型中，以獲取每個圖像類別對應的類別激活圖及所述第一樣本圖像對應的第一預測類別；

17、修正模塊，用于根據(jù)所述第一預測類別與所述第一類別標簽之間的差異、及所述第一概率圖與所述類別激活圖之間的差異，對所述初始分類模型進行修正，以獲取目標分類模型。

18、根據(jù)本公開的第五方面，提供了一種圖像分類裝置，包括：

19、獲取模塊，用于獲取待分類圖像；

20、分類模塊，用于將所述待分類圖像，輸入目標分類模型中，以獲取所述待分類圖像對應的目標類別；其中，所述目標分類模型為根據(jù)第四方面所述的裝置訓練生成的。

21、根據(jù)本公開的第六方面，提供了一種醫(yī)學圖像分類裝置，包括：

22、獲取模塊，用于獲取待分類的醫(yī)學圖像；

23、分類模塊，用于將所述醫(yī)學圖像，輸入目標分類模型中，以獲取所述醫(yī)學圖像對應的目標類別；其中，所述目標分類模型為根據(jù)第四方面所述的裝置訓練生成的。

24、根據(jù)本公開的第七方面，提供了一種電子設備，包括：

25、至少一個處理器；以及

26、與所述至少一個處理器通信連接的存儲器；其中，

27、所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行如第一方面所述的分類模型的生成方法，或者能夠執(zhí)行如第二方面所述的圖像分類方法，或者能夠執(zhí)行如第三方面所述的醫(yī)學圖像分類方法。

28、根據(jù)本公開第八方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質，所述計算機指令用于使所述計算機執(zhí)行如第一方面所述的分類模型的生成方法，或者能夠執(zhí)行如第二方面所述的圖像分類方法，或者能夠執(zhí)行如第三方面所述的醫(yī)學圖像分類方法。

29、根據(jù)本公開的第九方面，提供了一種計算機程序產品，包括計算機指令，所述計算機指令在被處理器執(zhí)行時實現(xiàn)如第一方面所述的分類模型的生成方法的步驟，或者能夠執(zhí)行如第二方面所述的圖像分類方法的步驟，或者能夠執(zhí)行如第三方面所述的醫(yī)學圖像分類方法的步驟。

30、本公開提供的分類模型的生成方法、裝置、電子設備及存儲介質，存在如下有益效果：

31、本公開實施例中，先獲取第一樣本圖像、第一樣本圖像對應的第一類別標簽，之后將第一樣本圖像輸入目標檢測模型中，以獲取每個對象種類對應的第一概率圖，并將第一樣本圖像輸入初始分類模型中，以獲取每個圖像類別對應的類別激活圖及第一樣本圖像對應的第一預測類別，最后根據(jù)第一預測類別與第一類別標簽之間的差異、及第一概率圖與類別激活圖之間的差異，對初始分類模型進行修正，以獲取目標分類模型。由此，在訓練目標分類模型的過程中，可以基于類別激活圖與第一概率圖之間的差異，學習第一樣本圖像中對象的位置信息，從而使得目標分類模型具備對象定位能力，進而可以基于對象的位置信息，更加準確地對圖像進行分類，提高了目標分類模型對圖像分類的準確性。

32、應當理解，本部分所描述的內容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術特征：

1.一種分類模型的生成方法，其中，包括：

2.根據(jù)權利要求1所述的方法，其中，所述根據(jù)所述第一預測類別與所述第一類別標簽之間的差異、及所述第一概率圖與所述類別激活圖之間的差異，對所述初始分類模型進行修正，以獲取目標分類模型，包括：

3.根據(jù)權利要求2所述的方法，其中，所述根據(jù)所述第一概率圖與所述類別激活圖之間的差異，確定第二損失值，包括：

4.根據(jù)權利要求3所述的方法，其中，所述根據(jù)每張所述類別激活圖與對應的第一概率圖之間的差異，確定每張所述類別激活圖對應的第三損失值，包括：

5.根據(jù)權利要求3所述的方法，其中，在所述根據(jù)每張所述類別激活圖與對應的第一概率圖之間的差異，確定每張所述類別激活圖對應的第三損失值之前，還包括：

6.根據(jù)權利要求1所述的方法，其中，在所述將所述第一樣本圖像輸入目標檢測模型中，以獲取每個對象種類對應的第一概率圖之前，還包括：

7.根據(jù)權利要求1所述的方法，其中，在所述將所述第一樣本圖像輸入初始分類模型中，以獲取每個圖像類別對應的類別激活圖及所述第一樣本圖像對應的第一預測類別之前，還包括：

8.一種圖像分類方法，其中，包括：

9.根據(jù)權利要求8所述的方法，其中，還包括：

10.一種醫(yī)學圖像分類方法，其中，包括：

11.一種分類模型的生成裝置，其中，包括：

12.根據(jù)權利要求11所述的裝置，其中，所述修正模塊，用于：

13.根據(jù)權利要求12所述的裝置，其中，所述修正模塊，用于：

14.根據(jù)權利要求13所述的裝置，其中，所述修正模塊，用于：

15.根據(jù)權利要求13所述的裝置，其中，還包括采樣模塊，用于：

16.根據(jù)權利要求11所述的裝置，其中，還包括第一訓練模塊，用于：

17.根據(jù)權利要求11所述的裝置，其中，還包括第二訓練模塊，用于：

18.一種圖像分類裝置，其中，包括：

19.根據(jù)權利要求18所述的裝置，其中，所述分類模塊，用于：

20.一種醫(yī)學圖像分類裝置，其中，包括：

21.一種電子設備，包括：

22.一種存儲有計算機指令的非瞬時計算機可讀存儲介質，其中，所述計算機指令用于使所述計算機執(zhí)行權利要求1-7中任一項所述的方法，或者，能夠執(zhí)行權利要求8-9中任一項所述的方法，或者能夠執(zhí)行權利要求10中所述的方法的步驟。

23.一種計算機程序產品，包括計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)權利要求1-7中任一項所述方法的步驟，或者，能夠執(zhí)行權利要求8-9中任一項所述的方法的步驟，或者能夠執(zhí)行權利要求10中所述的方法的步驟。

技術總結
本公開提供了一種分類模型的生成方法、裝置、電子設備及存儲介質，涉及計算機技術領域，尤其涉及計算機視覺、深度學習等人工智能技術領域。具體實現(xiàn)方案為：獲取第一數(shù)據(jù)集，其中，所述第一數(shù)據(jù)集中包括第一樣本圖像、所述第一樣本圖像對應的第一類別標簽；將所述第一樣本圖像輸入目標檢測模型中，以獲取每個對象種類對應的第一概率圖；將所述第一樣本圖像輸入初始分類模型中，以獲取每個圖像類別對應的類別激活圖及所述第一樣本圖像對應的第一預測類別；根據(jù)所述第一預測類別與所述第一類別標簽之間的差異、及所述第一概率圖與所述類別激活圖之間的差異，對所述初始分類模型進行修正，以獲取目標分類模型。

技術研發(fā)人員：尚方信,陳俊,黃海峰
受保護的技術使用者：北京百度網訊科技有限公司
技術研發(fā)日：
技術公布日：2024/12/19