[發明專利]圖像識別模型的訓練方法及裝置、圖像識別方法及裝置

有效

• 申請號: 202010075299.2
• 申請日: 2020-01-22
• 公開（公告）號: CN111275120B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 楊新星;李龍飛;周俊
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/774;G06V10/764;G06V10/82;G06N3/04
• 代理公司: 北京匯思誠業知識產權代理有限公司 11444
• 代理人: 馮偉

本說明書實施例公開了一種圖像識別模型的訓練方法及裝置、圖像識別方法及裝置。其中，訓練方法包括：將待訓練的第二圖像識別模型中的每層卷積神經網絡，分別與訓練完的第一圖像識別模型中的一個子網絡相對應。根據訓練完的第一圖像識別模型中每個子網絡的輸入和輸出，對待訓練的第二圖像識別模型中的每層卷積神經網絡的參數進行初始化處理。將樣本圖像輸入參數初始化處理后的待訓練的第二圖像識別模型，根據待訓練的第二圖像識別模型的輸出和樣本圖像的標簽，對待訓練的第二圖像識別模型進行訓練。由此，實現了根據訓練完的第一圖像識別模型，對待訓練的第二圖像識別模型進行參數初始化處理，以加快對待訓練的第二圖像識別模型進行的訓練。

【技術領域】

本說明書涉及圖像識別技術領域，尤其涉及一種圖像識別模型的訓練方法及裝置、圖像識別方法及裝置。

【背景技術】

在圖像識別技術領域，通常使用訓練后的圖像識別模型，對待識別圖像進行識別，得到識別結果。隨著圖像識別模型的識別準確度的不斷提升，圖像識別模型的結構變得越來越復雜，圖像識別模型在訓練和使用時占用的時間和硬件資源越來越多，不適于在硬件資源較少的終端設備上實現。

相關技術中，通過簡化圖像識別模型結構的方式，來降低圖像識別模型在訓練和使用時占用的時間和硬件資源，但卻降低了圖像識別模型的識別準確度，無法滿足使用需求。

【發明內容】

本說明書實施例旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本說明書實施例的第一個目的在于提出一種圖像識別模型的訓練方法，根據訓練完的第一圖像識別模型，對待訓練的第二圖像識別模型進行參數初始化處理，以加快對待訓練的第二圖像識別模型進行的訓練。

本說明書實施例的第二個目的在于提出一種圖像識別方法。

本說明書實施例的第三個目的在于提出一種圖像識別模型的訓練裝置。

本說明書實施例的第四個目的在于提出一種圖像識別裝置。

本說明書實施例的第五個目的在于提出一種計算機設備。

本說明書實施例的第六個目的在于提出一種計算機設備。

本說明書實施例的第七個目的在于提出一種非臨時性計算機可讀存儲介質。

本說明書實施例的第八個目的在于提出一種非臨時性計算機可讀存儲介質。

為達上述目的，本說明書實施例第一方面實施例提出了一種圖像識別模型的訓練方法，包括：獲取帶標簽的樣本圖像；將所述樣本圖像輸入訓練完的第一圖像識別模型；其中，所述訓練完的第一圖像識別模型包括M個子網絡，M為正整數，每個所述子網絡包括至少一層卷積神經網絡；將待訓練的第二圖像識別模型中的每層卷積神經網絡，分別與所述訓練完的第一圖像識別模型中的一個所述子網絡相對應；其中，所述待訓練的第二圖像識別模型包括M層所述卷積神經網絡；根據所述訓練完的第一圖像識別模型中的每個所述子網絡的輸入和輸出，對所述待訓練的第二圖像識別模型中的每層所述卷積神經網絡的參數進行初始化處理；將所述樣本圖像輸入參數初始化處理后的所述待訓練的第二圖像識別模型；根據所述待訓練的第二圖像識別模型的輸出和所述樣本圖像的標簽，對所述待訓練的第二圖像識別模型進行訓練；以及當滿足預設條件時，完成對所述待訓練的第二圖像識別模型的訓練。

和現有技術相比，本說明書實施例將待訓練的第二圖像識別模型中的每層卷積神經網絡，分別與訓練完的第一圖像識別模型中的一個子網絡相對應，根據訓練完的第一圖像識別模型中的每個子網絡的輸入和輸出，對待訓練的第二圖像識別模型中的每層卷積神經網絡的參數進行初始化處理，以加快對待訓練的第二圖像識別模型進行的訓練。

另外，本說明書實施例的圖像識別模型的訓練方法，還具有如下附加的技術特征：