(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 202211149524.8 (22)申请日 2022.09.21 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 武文琦　 (74)专利代理 机构 北京市一法律师事务所 11654 专利代理师 李琳娜　刘荣娟 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 图像分类网络的训练方法、 图像 分类方法和 系统 (57)摘要 本说明书提供的图像 分类网络的训练方法、 图像分类方法和系统， 计算无偏损失信息， 以最 小化所述无偏损失信息为约束条件训练所述图 像分类网络， 所述无偏损失信息表征不同类别的 训练图像在特征空间中的特征分布之间的分布 偏差， 使得当图像 分类网络采用相同的置信度阈 值对不同类别的目标图像进行分类时， 每种类别 的目标图像的分类准确率都超 过预设准确率， 也 即是， 图像分类网络能够采用相同的置信度阈值 对不同类别的图像全部进行准确分类， 从而提高 分类准确率。 权利要求书2页 说明书14页 附图4页 CN 115482413 A 2022.12.16 CN 115482413 A 1.一种图像分类网络的训练方法， 包括： 获取多种类别的训练图像； 以及 基于所述训练图像迭代训练所述图像分类网络直至预设的迭代次数， 使得当所述图像 分类网络采用相同的置信度阈值对不同类别的目标图像进 行分类时， 每种类别的目标图像 的分类准确率超过 预设准确率， 其中， 所述训练所述图像分类网络包括： 计算无偏损失信 息， 所述无偏损失信 息表征不同类别的所述训练图像在特征空间中的 特征分布之间的分布偏差， 以及 以最小化所述无偏损失信 息为约束条件训练所述图像分类网络， 达到所述迭代次数时 所述分布偏差小于预设偏差值。 2.如权利要求1所述的方法， 其中所述训练图像包括真实场景的无 标签图像。 3.如权利要求2所述的方法， 其中所述无标签图像包括经过数据增广的图像， 所述数据 增广至少包括如下一种： 纹 理增广以及敏感区域掩码增广。 4.如权利要求1所述的方法， 其中所述计算无偏损失信息包括： 获取自适应网络， 所述自适应网络与所述图像分类网络的网络结构相同； 以及 基于所述训练图像采用所述元学习的方式训练所述自适应网络， 并通过所述自适应网 络计算所述无偏损失信息 。 5.如权利要求4所述的方法， 其中所述自适应网络的初始参数与所述图像分类网络的 初始参数相同， 所述图像分类网络的初始参数是在首次迭代训练之前经过有监督训练后的 参数。 6.如权利要求4所述的方法， 其中所述基于所述训练图像采用所述元学习的方式训练 所述自适应网络包括： 获取所述训练图像中真实场景的无标签图像， 所述无标签图像包括多批 图像， 每批 图 像中包括元训练图像和元测试图像； 采用所述多批图像中的所述元训练图像和所述元测试图像训练所述自适应网络 。 7.如权利要求6所述的方法， 其中所述无标签图像具有虚拟标签， 所述虚拟标签是所述 图像分类网络为所述无 标签图像生成的。 8.如权利要求6所述的方法， 其中所述元训练图像中还 包括有标签图像。 9.如权利要求4所述的方法， 其中所述基于所述自适应网络计算所述无偏损失信息包 括： 从所述自适应网络中获取不同类别的所述训练图像在所述特征空间中的所述特征分 布， 得到多种所述特 征分布； 根据无偏损失函数计算多种所述特 征分布之间的所述分布偏差； 以及 将所述分布偏差确定为所述无偏损失信息 。 10.如权利要求1所述的方法， 其中所述图像分类网络包括表情识别网络， 所述训练图 像包括表情图像， 所述类别包括表情类别。 11.一种图像分类方法， 包括： 获取开放场景中的目标图像， 所述开放场景是未使用所述图像分类网络进行分类的场 景； 以及 将所述目标图像输入所述图像分类网络进行分类， 输出所述目标图像的类别， 其中， 所权　利　要　求　书 1/2 页 2 CN 115482413 A 2述图像分类网络根据如权利要求1至10中任一项所述的训练方法训练得到 。 12.一种图像分类系统， 包括： 至少一个存 储介质， 存 储有用于图像分类的图像分类网络； 以及 至少一个处 理器， 同所述至少一个存 储介质通信连接， 其中当所述图像分类系统运行时， 所述至少一个处理器读取所述图像分类网络并实施 权利要求11的图像分类方法， 所述图像分类网络根据如权利要求1至10中任一项所述的训 练方法训练得到 。权　利　要　求　书 2/2 页 3 CN 115482413 A 3