[發明專利]圖像識別模型訓練方法和裝置、圖像識別方法和裝置

在審

• 申請號: 201910956820.0
• 申請日: 2019-10-10
• 公開（公告）號: CN112307860A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 王曉波
• 申請（專利權）人: 北京沃東天駿信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 中國貿促會專利商標事務所有限公司 11038
• 代理人: 劉劍波

1.一種圖像識別模型訓練方法，包括：

利用圖像樣本集合分別對第一深度學習模型和第二深度學習模型進行訓練；

按照預設噪聲標簽比例和相應的損失函數值，將第一深度學習模型的輸出結果分為第一非噪聲標簽樣本集合和第一噪聲標簽樣本集合，將第二深度學習模型的輸出結果分為第二非噪聲標簽樣本集合和第二噪聲標簽樣本集合；

將第一非噪聲標簽樣本集合和第二非噪聲標簽樣本集合的交集作為干凈標簽樣本集合；

若干凈標簽樣本的損失函數值不滿足預設條件，則利用第二非噪聲標簽樣本集合對第一深度學習模型繼續進行訓練，利用第一非噪聲標簽樣本集合對第二深度學習模型繼續進行訓練；

若干凈標簽樣本的損失函數值滿足預設條件，則結束訓練。

2.根據權利要求1所述的方法，其中：

在利用第二非噪聲標簽樣本集合對第一深度學習模型繼續進行訓練前，增加干凈標簽樣本的權值；

在利用第一非噪聲標簽樣本集合對第二深度學習模型繼續進行訓練前，增加干凈標簽樣本的權值。

3.根據權利要求1所述的方法，還包括：

根據預設噪聲標簽比例和訓練樣本數量確定噪聲標簽樣本數量n；

將第一深度學習模型的輸出結果按照相應損失函數值的大小進行排序，將損失函數值最大的n個輸出結果作為第一噪聲標簽樣本集合；

將第二深度學習模型的輸出結果按照相應損失函數值的大小進行排序，將損失函數值最大的n個輸出結果作為第二噪聲標簽樣本集合。

4.根據權利要求3所述的方法，其中：

所述預設噪聲標簽比例隨著迭代次數的增加而增大。

5.根據權利要求3所述的方法，其中：

所述預設噪聲標簽比例r_t為

其中t為迭代次數，T_k、r為預設參數。

6.根據權利要求1所述的方法，其中：

第一深度學習模型和第二深度學習模型為卷積神經網絡模型。

7.根據權利要求1-6中任一項所述的方法，其中：

利用交叉熵損失函數計算干凈標簽樣本的損失函數值，其中在交叉熵損失函數中，降低非干凈標簽樣本的權值。

8.一種圖像識別模型訓練裝置，包括：

第一訓練模塊，被配置為利用圖像樣本集合分別對第一深度學習模型和第二深度學習模型進行訓練；

集合分揀模塊，被配置為按照預設噪聲標簽比例和相應的損失函數值，將第一深度學習模型的輸出結果分為第一非噪聲標簽樣本集合和第一噪聲標簽樣本集合，將第二深度學習模型的輸出結果分為第二非噪聲標簽樣本集合和第二噪聲標簽樣本集合；將第一非噪聲標簽樣本集合和第二非噪聲標簽樣本集合的交集作為干凈標簽樣本集合；

識別模塊，被配置為檢測干凈標簽樣本的損失函數值是否滿足預設條件；若干凈標簽樣本的損失函數值滿足預設條件，則結束訓練；

第二訓練模塊，被配置為若干凈標簽樣本的損失函數值不滿足預設條件，則利用第二非噪聲標簽樣本集合對第一深度學習模型繼續進行訓練，利用第一非噪聲標簽樣本集合對第二深度學習模型繼續進行訓練。

9.一種圖像識別模型訓練裝置，包括：

存儲器，被配置為存儲指令；

處理器，耦合到存儲器，處理器被配置為基于存儲器存儲的指令執行實現如權利要求1-7中任一項的方法。

10.一種圖像識別方法，包括：

提取待識別圖像集合中各待識別圖像的特征信息；

利用經權利要求1-7中任一項的訓練方法所訓練的第一深度學習模型或第二深度學習模型對所述特征信息進行處理，以識別出具有干凈標簽的圖像。