[發明專利]圖像識別模型的訓練方法、裝置及電子設備

有效

• 申請號: 202010189326.9
• 申請日: 2020-03-17
• 公開（公告）號: CN111368788B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 王彬
• 申請（專利權）人: 北京邁格威科技有限公司
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/46;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/0895
• 代理公司: 北京超凡宏宇知識產權代理有限公司 11463
• 代理人: 何少巖

1.一種圖像識別模型的訓練方法，其特征在于，包括：

將預先標注有樣本標簽的訓練樣本輸入圖像識別模型；

在所述圖像識別模型的迭代訓練過程中，基于所述圖像識別模型的網絡層確定所述訓練樣本對應的細粒度特征圖，將所述細粒度特征圖輸入至深度學習網絡，以使所述深度學習網絡從所述細粒度特征圖中學習到細粒度特征信息，并將學習到的所述細粒度特征信息蒸餾至所述圖像識別模型中；其中，所述細粒度特征圖為標注有所述樣本標簽對應的判別性區域的圖像；

重復執行上述訓練步驟，直至訓練結束，得到訓練后的圖像識別模型。

2.根據權利要求1所述的方法，其特征在于，所述圖像識別模型包括卷積神經網絡；

所述在所述圖像識別模型的迭代訓練過程中，基于所述圖像識別模型的網絡層確定所述訓練樣本對應的細粒度特征圖的步驟，包括：

基于所述訓練樣本及所述細粒度特征信息對所述圖像識別模型進行迭代訓練，并在迭代訓練中基于所述圖像識別模型的最后一層卷積層獲取所述訓練樣本的掩碼圖像；

基于所述掩碼圖像確定所述訓練樣本對應的細粒度特征圖。

3.根據權利要求2所述的方法，其特征在于，所述基于所述訓練樣本及所述細粒度特征信息對所述圖像識別模型進行迭代訓練，并在迭代訓練中基于所述圖像識別模型的最后一層卷積層獲取所述訓練樣本的掩碼圖像的步驟，包括：

基于所述圖像識別模型的各個卷積層及所述細粒度特征信息從所述訓練樣本中提取特征；

基于提取的特征及所述樣本標簽對所述訓練樣本進行預設次數的下采樣，直至所述訓練樣本達到預設尺寸；

在所述圖像識別模型的最后一層卷積層中，利用弱監督目標檢測算法對下采樣得到的預設尺寸的訓練樣本進行檢測，得到所述訓練樣本的掩碼圖像；其中，所述掩碼圖像為各像素點上標有預測得分的圖像，所述掩碼圖像的大小為所述預設尺寸。

4.根據權利要求3所述的方法，其特征在于，所述基于所述掩碼圖像確定所述訓練樣本對應的細粒度特征圖的步驟，包括：

將所述掩碼圖像上采樣至目標尺寸，得到目標掩碼圖像；其中，所述目標尺寸為所述訓練樣本進行目標次數的下采樣后得到的目標圖像的尺寸；

將所述目標掩碼圖像中所述預測得分大于預設分數的各像素點作為所述樣本標簽對應的判別性區域；

分別將所述目標掩碼圖像的各像素點與所述目標圖像中對應位置的像素點相乘，得到標注有所述判別性區域的細粒度特征圖。

5.根據權利要求1所述的方法，其特征在于，所述深度學習網絡用于對接收到的所述細粒度特征圖進行特征提取并分類，將分類過程中得到的特征相似性信息作為細粒度特征信息蒸餾至所述圖像識別模型，以使所述圖像識別模型在迭代訓練時學習所述細粒度特征信息。

6.根據權利要求5所述的方法，其特征在于，所述方法還包括：

在所述圖像識別模型的迭代訓練過程中基于交叉熵損失函數更新所述圖像識別模型的參數，基于KL散度損失函數監督所述圖像識別模型學習所述細粒度特征信息的效果。

7.根據權利要求5所述的方法，其特征在于，所述深度學習網絡為卷積神經網絡。

8.根據權利要求1-7任一項所述的方法，其特征在于，所述方法還包括：

將待檢測圖像輸入所述訓練后的圖像識別模型，基于所述訓練后的圖像識別模型對所述待檢測圖像進行動作識別，得到動作識別結果。