[發明專利]識別分類模型訓練方法和系統

在審

• 申請號: 201811095132.1
• 申請日: 2018-09-19
• 公開（公告）號: CN109242029A
• 公開（公告）日: 2019-01-18
• 發明（設計）人: 徐智浩;王達;周雪峰;蘇澤榮;鄢武
• 申請（專利權）人: 廣東省智能制造研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 周清華

1.一種識別分類模型訓練方法，其特征在于，包括以下步驟：

根據破壞率和初始圖片樣本數據，獲取有損圖片樣本數據；

將所述有損圖片樣本數據輸入去噪聲模型中進行訓練，獲取還原圖片樣本數據和去噪損失值；

將所述還原圖片樣本數據輸入識別分類模型中進行訓練，獲取樣本標簽值和識別損失值；

根據所述樣本標簽值、所述去噪損失值和所述識別損失值，分別對所述去噪聲模型和所述識別分類模型進行反向傳導算法的計算，獲取訓練好的去噪聲模型和訓練好的識別分類模型。

2.根據權利要求1所述的識別分類模型訓練方法，其特征在于，所述根據破壞率和初始圖片樣本數據，獲取有損圖片樣本數據的步驟，包括以下步驟：

根據所述破壞率獲取隨機值和預設范圍；

在所述初始圖片樣本數據中所述預設范圍的數據值上疊加所述隨機值，并生成所述有損圖片樣本數據。

3.根據權利要求1所述的識別分類模型訓練方法，其特征在于，所述去噪聲模型包括卷積層、下采樣層、還原層、融合還原層和全連接層；

所述將所述有損圖片樣本數據輸入去噪聲模型中進行訓練，獲取還原圖片樣本數據和去噪損失值的步驟，包括以下步驟：

將所述有損圖片樣本數據輸入所述卷積層，并提取所述有損圖片樣本數據的特征；

將所述有損圖片樣本數據的特征輸入所述下采樣層，并獲取深化特征；

將所述深化特征輸入所述還原層，并獲取還原數據；

將所述還原數據輸入所述融合還原層并獲取融合還原數據，將所述融合還原數據輸入所述全連接層，并獲取所述還原圖片樣本數據；

根據所述初始圖片樣本數據和所述還原圖片樣本數據，獲取所述去噪損失值。

4.根據權利要求3所述的識別分類模型訓練方法，其特征在于，所述破壞率包括第一破壞率和第二破壞率，所述有損圖片樣本數據包括第一有損圖片樣本數據和第二有損圖片樣本數據，所述根據破壞率和初始圖片樣本數據，獲取有損圖片樣本數據的步驟，包括以下步驟：

根據所述第一破壞率和所述初始圖片樣本數據生成所述第一有損圖片樣本數據，根據所述第二破壞率和所述初始圖片樣本數據生成所述第二有損圖片樣本數據；

所述卷積層包括第一卷積層、第二卷積層和第三卷積層，所述有損圖片樣本數據的特征包括所述第一有損圖片樣本數據的第一特征、所述第二有損圖片樣本數據的第二特征和第三特征，所述將所述有損圖片樣本數據輸入所述卷積層，并提取所述有損圖片樣本數據的特征的步驟，包括以下步驟：

將所述第一有損圖片樣本數據和所述第一破壞率輸入所述第一卷積層，并提取所述第一有損圖片樣本數據的第一特征；

將所述第二有損圖片樣本數據和所述第二破壞率輸入所述第二卷積層，并提取所述第二有損圖片樣本數據的第二特征；

將所述第一特征和所述第二特征輸入所述第三卷積層，并提取所述第三特征；

所述下采樣層包括第一下采樣層、第二下采樣層和第三下采樣層，所述深化特征包括第一深化特征、第二深化特征和第三深化特征，所述將所述有損圖片樣本數據的特征輸入所述下采樣層，并獲取深化特征的步驟，包括以下步驟：

將所述第一特征輸入所述第一下采樣層并獲取所述第一深化特征，將所述第二特征輸入所述第二下采樣層并獲取所述第二深化特征，將所述第三特征輸入所述第三下采樣層并獲取所述第三深化特征；

所述還原層包括第一還原層、第二還原層和第三還原層，所述還原數據包括第一還原數據、第二還原數據和第三還原數據，所述將所述深化特征輸入所述還原層，并獲取還原數據的步驟，包括以下步驟：

將所述第一深化特征輸入所述第一還原層并獲取所述第一還原數據，將所述第二深化特征輸入所述第二還原層并獲取所述第二還原數據，將所述第三深化特征輸入所述第三還原層并獲取所述第三還原數據；

所述融合還原層包括第一融合還原層和第二融合還原層，所述融合還原數據包括第一融合還原數據和第二融合還原數據，所述將所述還原數據輸入所述融合還原層并獲取融合還原數據，將所述融合還原數據輸入所述全連接層，并獲取所述還原圖片樣本數據的步驟，包括以下步驟：

將所述第一還原數據和所述第三還原數據輸入所述第一融合還原層，并獲取所述第一融合還原數據；

將所述第二還原數據和所述第三還原數據輸入所述第二融合還原層，并獲取所述第二融合還原數據；

將所述第一融合還原數據和第二融合還原數據輸入所述全連接層，并獲取所述還原圖片樣本數據。