(19)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 202210265517.8 (22)申请日 2022.03.17 (71)申请人 北京迈格威科技有限公司 地址 100086 北京市海淀区科 学院南路2号 3层317 申请人 深圳旷视金智科技有限公司 (72)发明人 赵博睿　宋仁杰　崔权　赵冰辰　 梁嘉骏　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 专利代理师 王婷婷 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/44(2022.01) G06K 9/62(2022.01) (54)发明名称 一种图像分类方法、 电子设备、 存储介质及 程序产品 (57)摘要 本申请提供了一种图像分类方法、 电子设 备、 存储介质及程序产品， 涉及计算机技术领域， 旨在准确对图像进行分类。 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， 得到所述待分类图像的分类预测结果； 其中， 所述图像分类模型是分多个阶段对第一模型进 行训练得到的， 在训练所述第一模型的每个阶 段， 所述第一模 型向已完成该阶段的训练的第二 模型进行 学习。 权利要求书2页 说明书11页 附图2页 CN 114821150 A 2022.07.29 CN 114821150 A 1.一种图像分类方法， 其特 征在于， 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， 得到所述待分类图像的分类预测结果； 其中， 所述图像分类模型是分多个阶段对第一模型进行训练得到的， 在训练所述第一 模型的每 个阶段， 所述第一模型向已完成该阶段的训练的第二模型进行 学习。 2.根据权利要求1所述的方法， 其特征在于， 在训练所述第一模型的每个阶段， 所述第 一模型向已完成该阶段的训练的第二模型进行 学习， 包括： 获取已完成该阶段的训练的第 二模型针对样本图像提取的图像特征， 以及输出的所述 样本图像的分类预测结果； 在训练所述第 一模型的每个阶段， 以学习已完成该阶段的训练 的第二模型针对样本图 像提取的图像特征， 以及输出 的所述样本图像的分类预测结果为 目标， 对所述第一模型进 行该阶段的训练。 3.根据权利要求1或2所述的方法， 其特征在于， 所述多个阶段为N个阶段； 在训练所述 第一模型的每 个阶段， 所述第一模型向已完成该阶段的训练的第二模型进行 学习， 包括： 对待训练的第 二模型进行第 n阶段的训练， 并获取完成所述第n阶段的训练的第 二模型 针对样本图像提取的图像特征， 以及输出的所述样本图像的分类预测结果， 所述n的取值为 从1到N‑1的整数； 根据完成所述第n阶段的训练的第二模型针对所述样本 图像提取的图像特征， 以及输 出的所述样本图像的分类预测结果， 对第一模型进行第n阶段的训练； 对完成所述第n阶段的训练的第二模型进行第n+1阶段的训练， 并获取完成所述第n+1 阶段的训练的第二模型针对所述样本图像提取的图像特征， 以及输出的所述样本图像的分 类预测结果； 根据完成所述第n+1阶段的训练的第二模型针对所述样本 图像提取的图像特征， 以及 输出的所述样本图像的分类预测结果， 对完成第n阶段的训练的第一模 型进行第n+1阶段的 训练。 4.根据权利要求1或2所述的方法， 其特征在于， 所述多个阶段为N个阶段； 在训练所述 第一模型的每 个阶段， 所述第一模型向已完成该阶段的训练的第一模型进行 学习， 包括： 对待训练的第 二模型进行所述N个阶段的训练， 并存储完成第m阶段的训练的所述第二 模型针对样本图像提取的图像特征， 以及输出的所述样本图像的分类预测结果， 所述m的取 值为从1到N的整数； 根据完成第m阶段的训练的第二模型针对所述样本 图像提取的图像特征， 以及输出的 所述样本图像的分类预测结果， 对第一模型进行第m阶段的训练。 5.根据权利要求1或2所述的方法， 其特征在于， 所述多个阶段为N个阶段； 在训练所述 第一模型的每 个阶段， 所述第一模型向已完成该阶段的训练的第一模型进行 学习， 包括： 对待训练的第二模型进行所述N个阶段的训练， 并记录完成每个阶段的训练的第二模 型的模型参数； 根据完成第p阶段的训练的所述第 二模型的模型参数， 得到完成第p阶段的训练的第二 模型， 所述p的取值 为从1到N的整数； 将所述样本图像输入所述完成第p阶段的训练的第 二模型， 得到所述完成第p阶段的训权　利　要　求　书 1/2 页 2 CN 114821150 A 2练的第二模型针对所述样本图像提取的图像特征， 以及输出的所述样本图像的分类预测结 果； 根据所述完成第p阶段的训练的第二模型针对所述样本 图像提取的图像特征， 以及输 出的所述样本图像的分类预测结果， 对第一模型进行第p阶段的训练。 6.根据权利要求2 ‑5任一所述的方法， 其特征在于， 在训练所述第一模型的每个阶段， 以学习已完成该阶段的训练的第二模型针对样本图像提取的图像特征， 以及输出的所述样 本图像的分类预测结果 为目标， 对第一模型进行 该阶段的训练， 包括： 在训练所述第一模型的每 个阶段， 执 行以下步骤： 获取处于该阶段的第 一模型针对所述样本图像以目标尺度提取的图像特征， 以及所述 已完成该阶段的训练的第二模型针对所述样本图像以所述目标尺度提取的图像特 征； 获取处于该阶段的第 一模型输出的所述样本图像的分类预测结果， 以及所述已完成该 阶段的训练的第二模型输出的所述样本图像的分类预测结果； 根据处于该阶段的第一模型和已完成该阶段的训练的第二模型各自针对所述样本图 像以所述目标尺度提取的图像特 征之间的差异， 建立特 征损失函数； 根据处于该阶段的第一模型和已完成该阶段的训练的第二模型各自输出的所述样本 图像的分类预测结果之间的差异， 建立分类损失函数； 基于所述特征损失函数和所述分类损失函数， 对处于该阶段的所述第一模型进行训 练。 7.根据权利要求1 ‑6任一所述的方法， 其特征在于， 所述图像分类模型的训练还包括以 下步骤： 获取带类别标签的样本图像； 利用所述带类别标签的样本图像， 对所述第一模型进行有监 督训练。 8.一种电子设备， 包括存储器、 处理器及存储在所述存储器上的计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序以实现权利要求1至7中任一项所述的图像分类方法。 9.一种计算机可读存储介质， 其上存储有计算机程序/指令， 其特征在于， 该计算机程 序/指令被处 理器执行时实现如权利要求1至7中任一项所述的图像分类方法。 10.一种计算机程序产品， 包括计算机程序/指令， 其特征在于， 该计算机程序/指令被 处理器执行时实现如权利要求1至7中任一项所述的图像分类方法。权　利　要　求　书 2/2 页 3 CN 114821150 A 3