本發(fā)明涉及智能決策，揭露一種基于深度學習的圖像分類方法，包括：構建第一分類模型，訓練第一分類模型得到調整后的第一分類模型，將第一樣本輸入調整后的第一分類模型得到第一特征數據；對第一分類模型的結構進行壓縮處理得到第二分類模型，將第一特征數據及第二分類模型發(fā)送給各個第二服務器，接收各個第二服務器反饋的第二參數，基于第二參數得到更新后的第一分類模型，訓練更新后的第一分類模型得到目標分類模型；將待分類圖像輸入目標分類模型得到圖像分類結果。本發(fā)明還提供一種圖像分類裝置、服務器及介質。本發(fā)明提高了模型訓練效率、提升了圖像分類準確度。

技術領域

本發(fā)明涉及智能決策領域，尤其涉及一種基于深度學習的圖像分類方法、裝置、服務器及介質。

背景技術

隨著人工智能的發(fā)展，深度學習的應用愈加廣泛。例如，某大型銀行聯合多家小型銀行通過深度學習訓練一個公用分類模型以實現對圖像分類，各家銀行本地數據庫以圖像形式存儲了用戶數據(用戶辦理業(yè)務時留存的證件圖像、現場采集的圖像、業(yè)務內容圖像、回執(zhí)圖像等)。

深度學習時，由于每個小型銀行對應的模型都比較龐大，從而對小型銀行的算力要求較高，而大型銀行潛在的算力又得不到充分的利用，從而使得模型訓練效率低、訓練得到的模型參數不準確，導致公有分類模型的圖像分類準確度不高。因此，亟需一種基于深度學習的圖像分類方法，以提高模型訓練效率、提升圖像分類準確度。

發(fā)明內容

鑒于以上內容，有必要提供一種基于深度學習的圖像分類方法，旨在提高模型訓練效率、提升圖像分類準確度。

本發(fā)明提供的基于深度學習的圖像分類方法，應用于第一服務器，所述第一服務器與多個第二服務器通信連接，所述方法包括：

獲取各個所述第二服務器的公用圖像數據，將所述公用圖像數據作為第一樣本，將各個所述第二服務器的私有圖像數據作為第二樣本；

構建第一分類模型，利用所述第一樣本對所述第一分類模型進行訓練，確定所述第一分類模型的第一參數，得到調整后的第一分類模型，將所述第一樣本輸入所述調整后的第一分類模型得到第一特征數據；

對所述第一分類模型的結構進行壓縮處理得到第二分類模型，將所述第一特征數據及所述第二分類模型發(fā)送給各個所述第二服務器，接收各個所述第二服務器基于所述第一特征數據及所述第二樣本訓練所述第二分類模型得到的第二參數，基于所述第一參數及所述第二參數確定所述調整后的第一分類模型的第三參數，得到更新后的第一分類模型，利用所述第一樣本訓練所述更新后的第一分類模型得到目標分類模型；

解析用戶基于客戶端發(fā)出的圖像分類請求，獲取所述圖像分類請求攜帶的待分類圖像，將所述待分類圖像輸入所述目標分類模型得到圖像分類結果。

本發(fā)明還提供一種基于深度學習的圖像分類方法，應用于第二服務器，所述第二服務器與第一服務器通信連接，所述方法包括：

接收第一特征數據及第二分類模型，所述第一特征數據包括第二特征圖及第一相關系數矩陣；

將第二樣本輸入所述第二分類模型的特征提取區(qū)得到第三特征圖，求解所述第二特征圖與所述第三特征圖的相似度損失值；

將所述第三特征圖輸入所述第二分類模型的圖像分類區(qū)得到所述第二樣本的預測類別，基于所述第二樣本的標注信息獲取所述第二樣本的真實類別，求解所述預測類別與真實類別的誤差損失值；

依照第一網絡集及第一組合對的分組方式，對所述第二分類模型的特征提取區(qū)進行劃分得到多個第二網絡集及各個所述第二網絡集對應的多個第二組合對，基于所述第三特征圖計算每個所述第二組合對中兩層網絡的各個通道的第二相關系數值，得到各個所述第二組合對對應的第二相關系數矩陣，基于所述第一相關系數矩陣及所述第二相關系數矩陣求解相關系數損失值；