[發(fā)明專利]圖像識別模型訓(xùn)練方法和裝置、圖像識別方法和裝置

在審

• 申請?zhí)枺?/td>: 201910956820.0
• 申請日: 2019-10-10
• 公開（公告）號: CN112307860A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計）人: 王曉波
• 申請（專利權(quán)）人: 北京沃東天駿信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)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(mào)促會專利商標(biāo)事務(wù)所有限公司 11038
• 代理人: 劉劍波

本公開提供一種圖像識別模型訓(xùn)練方法和裝置、圖像識別方法和裝置。圖像識別模型訓(xùn)練裝置利用圖像樣本集合分別對第一深度學(xué)習(xí)模型和第二深度學(xué)習(xí)模型進行訓(xùn)練；將第一深度學(xué)習(xí)模型的輸出結(jié)果分為第一非噪聲標(biāo)簽樣本集合和第一噪聲標(biāo)簽樣本集合，將第二深度學(xué)習(xí)模型的輸出結(jié)果分為第二非噪聲標(biāo)簽樣本集合和第二噪聲標(biāo)簽樣本集合；將第一非噪聲標(biāo)簽樣本集合和第二非噪聲標(biāo)簽樣本集合的交集作為干凈標(biāo)簽樣本集合；利用第二非噪聲標(biāo)簽樣本集合對第一深度學(xué)習(xí)模型繼續(xù)進行訓(xùn)練，利用第一非噪聲標(biāo)簽樣本集合對第二深度學(xué)習(xí)模型繼續(xù)進行訓(xùn)練。本公開能夠高效識別出干凈標(biāo)簽樣本、有效避免誤差積累情況的發(fā)生。

技術(shù)領(lǐng)域

本公開涉及信息處理領(lǐng)域，特別涉及一種圖像識別模型訓(xùn)練方法和裝置、圖像識別方法和裝置。

背景技術(shù)

人臉識別(Face Recognition)是模式識別和計算機視覺研究領(lǐng)域的基礎(chǔ)研究問題之一，有很大的實際應(yīng)用價值，可廣泛應(yīng)用在人臉門禁、無人超市、無人倉儲物流中、智能機器人等領(lǐng)域。近些年，由于大數(shù)據(jù)和卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，人臉識別技術(shù)取得了顯著的進步。

目前，從網(wǎng)上獲取的人臉識別數(shù)據(jù)庫都存在噪聲標(biāo)簽。噪聲標(biāo)簽的存在必然會降低模型的泛化能力。為了解決這一問題，現(xiàn)有技術(shù)通過對噪聲標(biāo)簽進行預(yù)測以選擇干凈標(biāo)簽樣本。

發(fā)明內(nèi)容

發(fā)明人通過研究發(fā)現(xiàn)，現(xiàn)有的噪聲標(biāo)簽預(yù)測方法效率較低，無法實現(xiàn)大規(guī)模的人臉識別。此外，在預(yù)測過程中還存在誤差積累，從而導(dǎo)致模型出現(xiàn)偏差。

為此，本公開提供一種能夠高效識別出干凈標(biāo)簽樣本、同時避免誤差積累情況發(fā)生的方案。

根據(jù)本公開實施例的第一方面，提供一種圖像識別模型訓(xùn)練方法，包括：利用圖像樣本集合分別對第一深度學(xué)習(xí)模型和第二深度學(xué)習(xí)模型進行訓(xùn)練；按照預(yù)設(shè)噪聲標(biāo)簽比例和相應(yīng)的損失函數(shù)值，將第一深度學(xué)習(xí)模型的輸出結(jié)果分為第一非噪聲標(biāo)簽樣本集合和第一噪聲標(biāo)簽樣本集合，將第二深度學(xué)習(xí)模型的輸出結(jié)果分為第二非噪聲標(biāo)簽樣本集合和第二噪聲標(biāo)簽樣本集合；將第一非噪聲標(biāo)簽樣本集合和第二非噪聲標(biāo)簽樣本集合的交集作為干凈標(biāo)簽樣本集合；若干凈標(biāo)簽樣本的損失函數(shù)值不滿足預(yù)設(shè)條件，則利用第二非噪聲標(biāo)簽樣本集合對第一深度學(xué)習(xí)模型繼續(xù)進行訓(xùn)練，利用第一非噪聲標(biāo)簽樣本集合對第二深度學(xué)習(xí)模型繼續(xù)進行訓(xùn)練；若干凈標(biāo)簽樣本的損失函數(shù)值滿足預(yù)設(shè)條件，則結(jié)束訓(xùn)練。

在一些實施例中，在利用第二非噪聲標(biāo)簽樣本集合對第一深度學(xué)習(xí)模型繼續(xù)進行訓(xùn)練前，增加干凈標(biāo)簽樣本的權(quán)值；在利用第一非噪聲標(biāo)簽樣本集合對第二深度學(xué)習(xí)模型繼續(xù)進行訓(xùn)練前，增加干凈標(biāo)簽樣本的權(quán)值。

在一些實施例中，根據(jù)預(yù)設(shè)噪聲標(biāo)簽比例和訓(xùn)練樣本數(shù)量確定噪聲標(biāo)簽樣本數(shù)量n；將第一深度學(xué)習(xí)模型的輸出結(jié)果按照相應(yīng)損失函數(shù)值的大小進行排序，將損失函數(shù)值最大的n個輸出結(jié)果作為第一噪聲標(biāo)簽樣本集合；將第二深度學(xué)習(xí)模型的輸出結(jié)果按照相應(yīng)損失函數(shù)值的大小進行排序，將損失函數(shù)值最大的n個輸出結(jié)果作為第二噪聲標(biāo)簽樣本集合。

在一些實施例中，所述預(yù)設(shè)噪聲標(biāo)簽比例隨著迭代次數(shù)的增加而增大。

在一些實施例中，所述預(yù)設(shè)噪聲標(biāo)簽比例r_t為其中t為迭代次數(shù)，T_k、r為預(yù)設(shè)參數(shù)。

在一些實施例中，第一深度學(xué)習(xí)模型和第二深度學(xué)習(xí)模型為卷積神經(jīng)網(wǎng)絡(luò)模型。

在一些實施例中，利用交叉熵?fù)p失函數(shù)計算干凈標(biāo)簽樣本的損失函數(shù)值，其中在交叉熵?fù)p失函數(shù)中，降低非干凈標(biāo)簽樣本的權(quán)值。