[發(fā)明專利]識(shí)別模型更新處理方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811472085.8
• 申請(qǐng)日: 2018-12-04
• 公開（公告）號(hào): CN111275060A
• 公開（公告）日: 2020-06-12
• 發(fā)明（設(shè)計(jì)）人: 張修寶;葉萌;沈海峰
• 申請(qǐng)（專利權(quán)）人: 北京嘀嘀無限科技發(fā)展有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京超成律師事務(wù)所 11646
• 代理人: 鄧超

1.一種識(shí)別模型更新處理方法，其特征在于，包括：

獲取訓(xùn)練圖像集中每張圖像的特征數(shù)據(jù)、以及每張所述圖像的分類預(yù)測(cè)結(jié)果；

根據(jù)每張所述圖像的特征數(shù)據(jù)，獲取任意兩張所述圖像之間的相似度；

根據(jù)所述相似度和所述分類預(yù)測(cè)結(jié)果，獲取損失函數(shù)；

根據(jù)所述損失函數(shù)更新識(shí)別模型，得到更新后的識(shí)別模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)每張所述圖像的特征數(shù)據(jù)，獲取任意兩張所述圖像之間的相似度，包括：

采用第一預(yù)設(shè)算法，獲取任意兩張所述圖像之間的距離；

采用第二預(yù)設(shè)算法，根據(jù)所述任意兩張所述圖像之間的距離，計(jì)算所述任意兩張所述圖像之間的相似度。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述相似度和所述分類預(yù)測(cè)結(jié)果，獲取損失函數(shù)，包括：

根據(jù)第三預(yù)設(shè)算法獲取所述相似度的歸一化矩陣；

根據(jù)所述歸一化矩陣和所述分類預(yù)測(cè)結(jié)果，獲取更新后分類預(yù)測(cè)結(jié)果、以及損失函數(shù)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取訓(xùn)練圖像集中每張圖像的特征數(shù)據(jù)、以及每張所述圖像的分類預(yù)測(cè)結(jié)果，包括：

采用卷積神經(jīng)網(wǎng)絡(luò)，獲取每張圖像的特征數(shù)據(jù)；

根據(jù)每張圖像的特征數(shù)據(jù)，采用分類器獲取每張所述圖像的分類預(yù)測(cè)結(jié)果。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述根據(jù)所述相似度和所述分類預(yù)測(cè)結(jié)果，獲取損失函數(shù)之后，還包括：

計(jì)算所述損失函數(shù)的梯度；

根據(jù)所述損失函數(shù)的梯度，更新所述卷積神經(jīng)網(wǎng)絡(luò)和/或所述分類器的參數(shù)。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述損失函數(shù)更新識(shí)別模型，得到更新后的識(shí)別模型之后，還包括：

判斷所述損失函數(shù)是否滿足收斂條件，若滿足，則停止更新所述識(shí)別模型。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述訓(xùn)練圖像集包括多組圖像，每組圖像對(duì)應(yīng)一個(gè)分類標(biāo)簽，且每組所述圖像包含相同數(shù)量的圖像。

8.根據(jù)權(quán)利要求1-7任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述損失函數(shù)更新識(shí)別模型，得到更新后的識(shí)別模型之后，還包括：

將第一圖像集合和第二圖像集合輸入所述更新后的識(shí)別模型，其中，所述第一圖像集合和所述第二圖像集合包括相同事物的圖像信息；

提取所述第一圖像集合和所述第二圖像集合中各圖像的特征數(shù)據(jù)；

根據(jù)所述第一圖像集合和所述第二圖像集合中各圖像的特征數(shù)據(jù)，獲取所述第一圖像集合中每個(gè)圖像與所述第二圖像集合中每個(gè)圖像的距離；

根據(jù)所述第一圖像集合中每個(gè)圖像與所述第二圖像集合中每個(gè)圖像的距離、以及每個(gè)所述圖像的分類標(biāo)簽，獲取所述更新后的識(shí)別模型的精度信息。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述根據(jù)所述第一圖像集合中每個(gè)圖像與所述第二圖像集合中每個(gè)圖像的距離、以及每個(gè)所述圖像的分類標(biāo)簽，獲取所述更新后的識(shí)別模型的精度信息，包括：

對(duì)所述第一圖像集合中每個(gè)圖像與所述第二圖像集合中每個(gè)圖像的距離進(jìn)行排序；

根據(jù)所述排序以及每個(gè)所述圖像的分類標(biāo)簽，獲取所述更新后的識(shí)別模型的精度信息。

10.一種識(shí)別模型更新處理裝置，其特征在于，包括：獲取模塊、相似度計(jì)算模塊、函數(shù)計(jì)算模塊及更新模塊；

所述獲取模塊，用于獲取訓(xùn)練圖像集中每張圖像的特征數(shù)據(jù)、以及每張所述圖像的分類預(yù)測(cè)結(jié)果；

所述相似度計(jì)算模塊，用于根據(jù)每張所述圖像的特征數(shù)據(jù)，獲取任意兩張所述圖像之間的相似度；

所述函數(shù)計(jì)算模塊，用于根據(jù)所述相似度和所述分類預(yù)測(cè)結(jié)果，獲取損失函數(shù)；

所述更新模塊，用于根據(jù)所述損失函數(shù)更新識(shí)別模型，得到更新后的識(shí)別模型。