[發明專利]圖像識別模型生成方法、裝置、計算機設備和存儲介質

有效

• 申請號: 202010862911.0
• 申請日: 2020-08-25
• 公開（公告）號: CN111950656B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 崔潔全;劉樞;田倬韜;賈佳亞
• 申請（專利權）人: 深圳思謀信息科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 董慧

1.一種圖像識別模型生成方法，其特征在于，所述方法包括：

獲取樣本圖像集；所述樣本圖像集包括圖像數量依次遞減的三個樣本圖像子集，所述三個樣本圖像子集均包含相同數量的圖像類別；

根據所述樣本圖像集，對待訓練的圖像識別模型進行訓練，得到所述待訓練的圖像識別模型的損失值；所述待訓練的圖像識別模型包括三個分支神經網絡，每個分支神經網絡用于對相應的圖像進行識別；所述損失值包括目標分類損失值以及與各個所述分支神經網絡對應的分類損失值，所述目標分類損失值為所述待訓練的圖像識別模型針對所述樣本圖像集的損失值，所述分類損失值為相應的分支神經網絡針對與所述分支神經網絡對應的樣本圖像子集的損失值；

根據所述損失值調整所述待訓練的圖像識別模型的模型參數，直至所述損失值低于預設閾值時，將所述待訓練的圖像識別模型作為訓練完成的圖像識別模型；

所述目標分類損失值通過下述方式計算得到：

其中，為所述目標分類損失值；為交叉熵損失函數，為待訓練的圖像識別模型；X為所述樣本圖像輸入序列中的樣本圖像，Y為所述樣本圖像的實際圖像類別；h、m、t分別為圖像數量依次遞減的第一、第二以及第三樣本圖像子集；所述為與三個樣本圖像子集對應的三個分支神經網絡，角標為分支神經網絡對應的樣本圖像子集。

2.根據權利要求1所述的方法，其特征在于，所述根據所述樣本圖像集，對待訓練的圖像識別模型進行訓練，得到所述待訓練的圖像識別模型的損失值，包括：

對所述樣本圖像集中的三個所述樣本圖像子集進行均勻采樣，得到樣本圖像輸入序列；

根據所述樣本圖像輸入序列，將樣本圖像輸入所述待訓練的圖像識別模型，得到所述樣本圖像的圖像類別；

根據所述樣本圖像的圖像類別以及對應的實際圖像類別，確定所述待訓練的圖像識別模型的損失值。

3.根據權利要求2所述的方法，其特征在于，所述待訓練的圖像識別模型中還包括基礎神經網絡，所述基礎神經網絡與所述分支神經網絡相連接；

所述根據所述樣本圖像輸入序列，將樣本圖像輸入所述待訓練的圖像識別模型，得到所述樣本圖像的圖像類別，包括：

將所述樣本圖像輸入所述待訓練的圖像識別模型，使得所述基礎神經網絡獲取所述樣本圖像的第一圖像特征，以及使得所述分支神經網絡根據所述第一圖像特征得到所述樣本圖像的第二圖像特征，并根據所述第二圖像特征確定所述樣本圖像集中樣本圖像的圖像類別。

4.根據權利要求3所述的方法，其特征在于，所述根據所述樣本圖像的圖像類別以及對應的實際圖像類別，確定所述待訓練的圖像識別模型的損失值，包括：

根據所述樣本圖像集中樣本圖像的圖像類別以及對應的實際圖像類別，確定所述樣本圖像集中樣本圖像的損失值；

根據三個所述分支神經網絡確定出的所述樣本圖像集中樣本圖像的損失值，得到與所述樣本圖像集對應的損失值，并作為所述目標分類損失值；

獲取與三個所述分支神經網絡對應的樣本圖像子集中所有樣本圖像的損失值，將所述樣本圖像子集中所有樣本圖像的損失值的和作為與三個所述分支神經網絡對應的分類損失值；

根據所述目標分類損失值以及與三個所述分支神經網絡對應的分類損失值，計算得到所述待訓練的圖像識別模型的損失值。

5.根據權利要求4所述的方法，其特征在于，

所述與三個所述分支神經網絡對應的分類損失值通過下述方式計算得到：

其中，為三個所述分支神經網絡對應的分類損失值的和；為X的一個子集，包含所述樣本圖像輸入序列中屬于第二以及第三樣本圖像子集的樣本圖像；為X的另一個子集，包含所述樣本圖像輸入序列中屬于第三樣本圖像子集的樣本圖像。

6.根據權利要求5所述的方法，其特征在于，所述待訓練的圖像識別模型的損失值，通過下述方式計算得到：

其中，為待訓練的圖像識別模型的損失值；α為超參數；n₁是X中樣本圖像的數量；n₂是X、以及中樣本圖像數量的總和。