[發明專利]圖像識別模型的訓練方法、裝置、存儲介質和電子設備

在審

• 申請號: 202011027250.6
• 申請日: 2020-09-25
• 公開（公告）號: CN112036507A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 劉坤
• 申請（專利權）人: 北京小米松果電子有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京英創嘉友知識產權代理事務所(普通合伙) 11447
• 代理人: 賀曉蕾

1.一種圖像識別模型的訓練方法，其特征在于，所述方法包括：

通過預先訓練后的特征提取模型，提取多個第一圖像數據中每個第一圖像數據的第一圖像特征和m個第二圖像數據中每個第二圖像數據的第二圖像特征，所述第一圖像數據對應第一標簽，所述第一標簽用于表征第一圖像數據對應的圖像分類，其中，m大于1；

采用提取到的每個所述第一圖像特征和所述第一標簽，對預設的分類預測模型進行訓練，生成圖像識別模型；

通過所述圖像識別模型，獲取每個第二圖像數據對應的第二標簽和所述第二標簽對應的置信度；

根據所述置信度，從所述m個第二圖像數據中確定n個第三圖像數據，其中，n大于1，且，n小于m；

采用確定的所述n個第三圖像數據中的每個所述第三圖像數據的第三圖像特征和每個所述第三圖像數據對應的第二標簽，對所述圖像識別模型進行重訓練，以生成目標圖像識別模型。

2.根據權利要求1所述的方法，其特征在于，在所述通過預先訓練后的特征提取模型，提取多個第一圖像數據中每個第一圖像數據的第一圖像特征和m個第二圖像數據中每個第二圖像數據的第二圖像特征之前，所述方法還包括：

通過多個圖像樣本組對預設的目標神經網絡模型進行訓練，生成所述特征提取模型；其中，

所述圖像樣本組包括：第四圖像數據和第四圖像數據對應的轉換圖像數據，所述轉換圖像數據為對所述第四圖像數據進行預設的圖像轉換處理后所得到的圖像數據，所述圖像轉換處理包括：翻轉處理、平移處理、噪聲添加處理和色彩變換處理中的至少一種；

通過所述特征提取模型提取到的圖像數據的圖像特征與通過所述特征提取模型提取到的所述圖像數據對應的轉換圖像數據的圖像特征之間的相似度大于預設的相似度閾值。

3.根據權利要求2所述的方法，其特征在于，所述通過多個圖像樣本組對預設的目標神經網絡模型進行訓練，生成所述特征提取模型，包括：

將圖像樣本組輸入具備模型參數的所述目標神經網絡模型，獲取所述第四圖像數據的第四圖像特征以及所述第四圖像數據對應的轉換圖像數據的轉換圖像特征，所述圖像樣本組中的樣本為第一圖像樣本組，所述第一圖像樣本組為所述多個圖像樣本組中的任一圖像樣本組；

獲取所述第四圖像特征與所述轉換圖像特征的目標相似度；

在所述目標相似度小于所述相似度閾值的情況下，將所述模型參數的數值由第一參數調整為第二參數；

將圖像樣本組中的樣本更新為第二圖像樣本組后，重復執行將圖像樣本組輸入具備模型參數的所述目標神經網絡模型，直至確定所述目標相似度大于或等于所述相似度閾值，所述第二圖像樣本組包含的樣本與所述第一圖像樣本組的樣本不同或者部分相同；

獲取所述目標神經網絡模型當前的目標參數；

將具備所述目標參數的所述目標神經網絡模型作為所述特征提取模型。

4.根據權利要求1所述的方法，其特征在于，所述根據所述置信度，從所述m個第二圖像數據中確定n個第三圖像數據，包括：

根據所述置信度對所述m個第二圖像數據進行排序；

將排序后的所述m個第二圖像數據中的前n個所述第二圖像數據作為所述n個第三圖像數據。

5.根據權利要求1所述的方法，其特征在于，所述圖像數據對應的圖像分類包括：正常圖像、待審核圖像以及低俗圖像，在所述采用確定的所述n個第三圖像數據中的每個所述第三圖像數據的第三圖像特征和每個所述第三圖像數據對應的第二標簽，對所述圖像識別模型進行重訓練，以生成目標圖像識別模型之后，所述方法還包括：

將目標圖像數據輸入所述目標圖像識別模型，獲取所述目標圖像識別模型輸出的目標標簽；

根據所述目標標簽確定所述目標圖像數據的圖像分類。