图像分类模型构建方法、图像分类方法及装置、电子设备

技术特征：
1.一种图像分类模型构建方法，其特征在于，包括：使用多个源域分别各自训练对应的辅助学生模型；使用所述多个源域混合训练一个学生组长模型；对多个所述辅助学生模型的预测输出进行互相蒸馏，得到第一蒸馏损失；根据所述第一蒸馏损失，更新多个所述辅助学生模型；将更新后的多个所述辅助学生模型的预测输出蒸馏给所述学生组长模型，得到第二蒸馏损失；根据所述第二蒸馏损失，更新所述学生组长模型，所述学生组长模型用于对待分类的图像进行分类。2.根据权利要求1所述的方法，其特征在于，在使用多个源域分别各自训练对应的辅助学生模型之后，在对多个所述辅助学生模型的预测输出进行互相蒸馏之前，还包括：将所有辅助学生模型的预测输出与真实标签进行比对，正确的预测输出被保留，错误的预测输出则被直接剔除。3.根据权利要求1所述的方法，其特征在于，使用多个源域分别各自训练对应的辅助学生模型，包括：按照相同的类别获取多个源域的图像数据；调整所述多个源域图像的尺寸并编码，得到多个源域图像的编码矩阵；将所述多个编码矩阵分别输入至多个预训练的辅助学生模型，得到多个预测输出；根据所述预测输出和真实标签，计算分类损失；根据所述分类损失，更新对应的辅助学生模型的参数。4.根据权利要求1所述的方法，其特征在于，使用所述多个源域混合训练一个学生组长模型，包括：按照类别获取多个源域随机混合的图像数据；调整所述混合图像的尺寸并编码，获得混合图像的编码矩阵；将所述编码矩阵输入至一个预训练的学生组长模型，得到预测输出；根据所述预测输出和真实标签，计算分类损失；根据所述分类损失，更新学生组长模型的参数。5.根据权利要求1所述的方法，其特征在于，对多个所述辅助学生模型的预测输出进行互相蒸馏，得到第一蒸馏损失，包括：按照顺序依次选取一个辅助学生模型的预测输出作为临时的教师分布；将剩下所有的辅助学生模型的预测分布的均值作为学生分布；根据所述教师分布和学生分布，利用对齐损失函数，依次计算相应的蒸馏损失；将所述所有蒸馏损失之和作为第一蒸馏损失。6.根据权利要求1所述的方法，其特征在于，将更新后的多个所述辅助学生模型的预测输出蒸馏给所述学生组长模型，得到第二蒸馏损失，包括：将所述所有辅助学生模型的预测输出的均值作为教师分布；将所述学生组长模型的预测输出作为学生分布；根据所述教师分布和学生分布，利用对齐损失函数计算第二蒸馏损失。7.一种图像分类模型构建方法，其特征在于，包括：
第一训练模块，用于使用多个源域分别各自训练对应的辅助学生模型；第二训练模块，用于使用所述多个源域混合训练一个学生组长模型；第一蒸馏模块，用于对多个所述辅助学生模型的预测输出进行互相蒸馏，得到第一蒸馏损失；第一更新模块，用于根据所述第一蒸馏损失，更新多个所述辅助学生模型；第二蒸馏模块，用于将更新后的多个所述辅助学生模型的预测输出蒸馏给所述学生组长模型，得到第二蒸馏损失；第二更新模块，用于根据所述第二蒸馏损失，更新所述学生组长模型，所述学生组长模型用于对待分类的图像进行分类。8.一种图像分类方法，其特征在于，包括：获取待分类的目标域图像；将所述获取待分类的图像输入到权利要求1所构建的更新后的学生组长模型中，得到预测输出概率；将所述概率最大值所对应的类别设置为所述目标域图像的类别。9.一种图像分类装置，其特征在于，包括：获取模块，用于获取待分类的目标域图像；预测输出模块，用于将所述获取待分类的图像输入到权利要求1-6任一项所构建的更新后的学生组长模型中，得到预测输出概率；设置模块，用于将所述概率最大值所对应的类别设置为所述目标域图像的类别。10.一种电子设备，其特征在于，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权利要求1-6、8任一项所述的方法。

技术总结
本发明公开了一种图像分类模型构建方法、图像分类方法及装置、电子设备，图像分类模型构建方法包括：使用多个源域分别各自训练对应的辅助学生模型；使用所述多个源域混合训练一个学生组长模型；对多个所述辅助学生模型的预测输出进行互相蒸馏，得到第一蒸馏损失；根据所述第一蒸馏损失，更新多个所述辅助学生模型；将更新后的多个所述辅助学生模型的预测输出蒸馏给所述学生组长模型，得到第二蒸馏损失；根据所述第二蒸馏损失，更新所述学生组长模型，所述学生组长模型用于对待分类的图像进行分类。行分类。行分类。


技术研发人员：林兰芬 牛子未 袁俊坤 马旭
受保护的技术使用者：浙江大学
技术研发日：2022.04.20
技术公布日：2022/8/22