[發明專利]神經網絡訓練及圖像識別方法、裝置、設備和存儲介質

在審

• 申請號: 201911242690.0
• 申請日: 2019-12-06
• 公開（公告）號: CN111027617A
• 公開（公告）日: 2020-04-17
• 發明（設計）人: 蘭宇時;張學森
• 申請（專利權）人: 北京市商湯科技開發有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京林達劉知識產權代理事務所(普通合伙) 11277
• 代理人: 劉新宇

1.一種神經網絡的訓練方法，其特征在于，包括：

將訓練數據通過初始特征提取神經網絡模型，得到目標對象的初始特征圖；

將所述初始特征圖通過第一初始識別神經網絡模型，得到第一預測結果，其中，所述第一初始識別神經網絡模型用于根據所述目標對象的整體特征進行識別；

將所述初始特征圖通過第二初始識別神經網絡模型，得到第二預測結果，其中，所述第二初始識別神經網絡模型用于根據所述目標對象的局部特征進行識別；

將所述初始特征圖通過初始分割神經網絡模型，得到分割結果，其中，所述初始分割神經網絡模型用于在所述初始特征圖中將所述目標對象與非目標對象所在的區域進行區分；

根據所述第一預測結果、所述第二預測結果和所述分割結果，更新所述初始特征提取神經網絡模型，得到訓練后的特征提取神經網絡模型。

2.根據權利要求1所述的方法，其特征在于，所述將所述初始特征圖通過第二初始識別神經網絡模型，得到第二預測結果，包括：

根據所述初始特征圖，生成局部特征掩模；

根據所述局部特征掩模，對所述初始特征圖進行降維，得到第一降維結果；

將所述第一降維結果作為所述第二預測結果。

3.根據權利要求2所述的方法，其特征在于，所述根據所述初始特征圖，生成局部特征掩模，包括：

將所述初始特征圖通過第一卷積層，得到卷積結果；

將所述卷積結果的值對應到預設值域內，得到局部特征掩模。

4.根據權利要求2或3所述的方法，其特征在于，所述根據所述局部特征掩模，對所述初始特征圖進行降維，得到第一降維結果，包括：

通過所述局部特征掩模，對所述初始特征圖進行加權均值池化，得到第一降維結果。

5.根據權利要求1至4中任意一項所述的方法，其特征在于，所述第二初始識別神經網絡模型的數量包括一個或兩個以上，其中，

在所述第二初始識別神經網絡模型的數量為兩個以上的情況下，將所述初始特征圖分別通過每個所述第二初始識別神經網絡模型，得到兩個以上的第二預測結果。

6.根據權利要求1至5中任意一項所述的方法，其特征在于，所述將所述初始特征圖通過初始分割神經網絡模型，得到分割結果，包括：

獲取所述初始分割神經網絡模型包括的K個分割標簽，其中，K為不小于1的整數；

在所述K個分割標簽下，對所述初始特征圖包括的每個像素點進行分割預測，分別得到每個所述像素點的K個分割預測結果；

根據每個所述像素點的K個分割預測結果，確定所述初始特征圖中屬于所述目標對象的像素點，作為所述分割結果。

7.根據權利要求6所述的方法，其特征在于，所述在所述K個分割標簽下，對所述初始特征圖包括的每個像素點進行分割預測，分別得到每個所述像素點的K個分割預測結果，包括：

將所述初始特征圖依次通過反卷積層進行放大，得到放大特征圖；

對所述放大特征圖通過第二卷積層進行降維，得到第二降維結果；

將所述第二降維結果通過分類器，得到每個所述像素點的K個分割預測結果。

8.根據權利要求1至7中任意一項所述的方法，其特征在于，所述根據所述第一預測結果和所述第二預測結果，更新所述初始特征提取神經網絡模型，得到訓練后的特征提取神經網絡模型，包括：

根據所述第一預測結果，對所述第一初始識別神經網絡模型包括的第一初始權重進行反向梯度更新，得到更新后的第一權重和第一識別神經網絡模型；

根據所述第二預測結果，對所述第二初始識別神經網絡模型包括的第二初始權重進行反向梯度更新，得到更新后的第二權重和第二識別神經網絡模型；

根據所述分割結果，對所述初始分割神經網絡模型包括的第三初始權重進行反向梯度更新，得到更新后的第三權重和分割神經網絡模型；

根據所述第一預測結果、第二預測結果、分割結果、第一權重、第二權重和第三權重，對所述初始特征提取神經網絡模型進行反向梯度更新，得到訓練后的特征提取神經網絡模型。