[發明專利]模型訓練、圖像識別方法和裝置

在審

• 申請號: 202210171304.9
• 申請日: 2022-02-24
• 公開（公告）號: CN114548288A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 陶大程;金銳
• 申請（專利權）人: 京東科技信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/94;G06V10/774
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種模型訓練方法，所述方法包括：

響應于獲取到樣本對集，對于每一樣本對，將樣本對輸入初始師生網絡中的學生網絡和教師網絡，其中，所述樣本對包括包含相同目標對象的第一圖像和第二圖像，所述第一圖像為合成圖像，所述第二圖像為實際采集圖像，所述第一圖像已標注標簽，所述標簽用于指示目標對象的關鍵點信息，所述第二圖像未標注標簽，學生網絡包括特征提取器、主回歸器和對抗回歸器；

基于學生網絡中的主回歸器針對第一圖像的預測值、針對第二圖像的預測值，對抗回歸器針對第一圖像的預測值，以及第一圖像的標簽和第二圖像的偽標簽，構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡，所述第二圖像的偽標簽由教師網絡提供；

基于所述樣本對集中的第二圖像，分別對第一師生網絡中的學生網絡的特征提取器和對抗回歸器進行訓練，得到第二師生網絡；

將所述第二師生網絡中的學生網絡確定為識別模型。

2.根據權利要求1所述的方法，其中，所述學生網絡還包括：輸出回歸器，以及所述基于學生網絡中的主回歸器針對第一圖像的預測值、針對第二圖像的預測值，對抗回歸器針對第一圖像的預測值，以及第一圖像的標簽和第二圖像的偽標簽，構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡，包括：

基于學生網絡中的主回歸器針對第一圖像的預測值、針對第二圖像的預測值，對抗回歸器針對第一圖像的預測值，輸出回歸器針對第一圖像的預測值，以及第一圖像的標簽和第二圖像的偽標簽，構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡。

3.根據權利要求2所述的方法，其中，所述基于學生網絡中的主回歸器針對第一圖像的預測值、針對第二圖像的預測值，對抗回歸器針對第一圖像的預測值，輸出回歸器針對第一圖像的預測值，以及第一圖像的標簽和第二圖像的偽標簽，構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡，包括：

基于第一損失函數、第二損失函數、第三損失函數和第四損失函數構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡。其中，所述第一損失函數基于主回歸器針對第一圖像的預測值及第一圖像的標簽確定，所述第二損失函數基于主回歸器針對第二圖像的預測值及第二圖像的偽標簽確定，所述第三損失函數基于輸出回歸器針對第一圖像的預測值及對抗回歸器針對第一圖像的預測值確定，所述第四損失函數基于輸出回歸器針對第一圖像的預測值及第一圖像的標簽確定。

4.根據權利要求2所述的方法，其中，所述基于第一損失函數、第二損失函數、第三損失函數和第四損失函數構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡，包括：

基于第一損失函數、第二損失函數、第三損失函數、第四損失函數和全局損失函數構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡，其中，所述全局損失函數基于樣本對集中的第一圖像和第二圖像的特征分布確定。

5.根據權利要求4所述的方法，其中，基于第一損失函數、第二損失函數、第三損失函數、第四損失函數和全局損失函數構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡，包括：

基于第一損失函數、第二損失函數、第三損失函數、第四損失函數、全局損失函數和正則化損失函數構建目標損失函數以對初始師生網絡進行訓練，得到第一師生網絡。

6.根據權利要求2所述的方法，其中，所述基于所述樣本對集中的第二圖像，分別對第一師生網絡中的學生網絡的特征提取器和對抗回歸器進行訓練，得到第二師生網絡，包括：

保持學生網絡中的特征提取器、主回歸器和輸出回歸器的參數不變，基于樣本對集中的第二圖像，最小化第五損失函數對第一師生網絡進行訓練，得到初始第二師生網絡，其中，所述第五損失函數基于第一師生網絡針對第二圖像的預測值與偽標簽確定；

保持學生網絡中的各回歸器的參數不變，基于樣本對集中的第二圖像，最小化第六損失函數對初始第二師生網絡進行訓練，得到第二師生網絡，其中，第六損失函數基于輸出回歸器針對第二圖像中的預測值和對抗回歸器針對第二圖像的預測值確定。