[發(fā)明專利]模型訓(xùn)練、圖像識別方法和裝置

在審

• 申請?zhí)枺?/td>: 202210171304.9
• 申請日: 2022-02-24
• 公開（公告）號: CN114548288A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計）人: 陶大程;金銳
• 申請（專利權(quán)）人: 京東科技信息技術(shù)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(chǎn)權(quán)代理有限責(zé)任公司 11204
• 代理人: 王達(dá)佐;馬曉亞

本申請公開了模型訓(xùn)練方法和裝置，涉及圖像處理技術(shù)領(lǐng)域。該方法的一具體實施方式包括：響應(yīng)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(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)和教師網(wǎng)絡(luò)；基于學(xué)生網(wǎng)絡(luò)中的主回歸器針對第一圖像的預(yù)測值、針對第二圖像的預(yù)測值，對抗回歸器針對第一圖像的預(yù)測值，以及第一圖像的標(biāo)簽和第二圖像的偽標(biāo)簽，構(gòu)建目標(biāo)損失函數(shù)以對初始師生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到第一師生網(wǎng)絡(luò)；基于樣本對集中的第二圖像，分別對第一師生網(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)的特征提取器和對抗回歸器進(jìn)行訓(xùn)練，得到第二師生網(wǎng)絡(luò)；將第二師生網(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)確定為識別模型。該實施方式有效提升了訓(xùn)練得到的識別模型的準(zhǔn)確性和魯棒性。

技術(shù)領(lǐng)域

本申請涉及計算機(jī)技術(shù)領(lǐng)域，具體涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種模型訓(xùn)練、圖像識別方法和裝置。

背景技術(shù)

目前所設(shè)計的高精度模型嚴(yán)重依賴大量的標(biāo)記數(shù)據(jù)，一旦缺少足夠的訓(xùn)練數(shù)據(jù)，模型的準(zhǔn)確性和魯棒性都會受到極大限制。然而，實際場景中的數(shù)據(jù)標(biāo)注并不是一件容易的事，不僅費(fèi)時費(fèi)力而且可能出現(xiàn)標(biāo)注錯誤的情況。目前有不少合成數(shù)據(jù)集，它們具有大量容易獲取且標(biāo)注準(zhǔn)確的圖片，但現(xiàn)實世界的數(shù)據(jù)集(目標(biāo)域)與合成數(shù)據(jù)集(源域)的圖片在紋理和背景上有著巨大差異，這就使得直接使用合成數(shù)據(jù)集訓(xùn)練的模型在實際應(yīng)用中泛化性很差。因此無監(jiān)督領(lǐng)域自適應(yīng)問題，即如何利用標(biāo)注準(zhǔn)確但存在數(shù)據(jù)分布差異的源域數(shù)據(jù)來指導(dǎo)模型在目標(biāo)域上的訓(xùn)練，具有重要的實際價值。

目前，對抗訓(xùn)練是領(lǐng)域自適應(yīng)任務(wù)中常見的解決方案之一。通過在特征空間上的不斷對抗博弈，使得源域和目標(biāo)域的數(shù)據(jù)分布差異盡可能小。這樣基于源域數(shù)據(jù)訓(xùn)練的模型，就可以應(yīng)用于目標(biāo)域數(shù)據(jù)上。

發(fā)明內(nèi)容

本申請實施例提供了一種模型訓(xùn)練方法、裝置、設(shè)備以及存儲介質(zhì)。

根據(jù)第一方面，本申請實施例提供了一種模型訓(xùn)練方法，該方法包括：響應(yīng)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(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)和教師網(wǎng)絡(luò)；基于學(xué)生網(wǎng)絡(luò)中的主回歸器針對第一圖像的預(yù)測值、針對第二圖像的預(yù)測值，對抗回歸器針對第一圖像的預(yù)測值，以及第一圖像的標(biāo)簽和第二圖像的偽標(biāo)簽，構(gòu)建目標(biāo)損失函數(shù)以對初始師生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到第一師生網(wǎng)絡(luò)；基于樣本對集中的第二圖像，分別對第一師生網(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)的特征提取器和對抗回歸器進(jìn)行訓(xùn)練，得到第二師生網(wǎng)絡(luò)；將第二師生網(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)確定為識別模型。

根據(jù)第二方面，本申請實施例提供了一種圖像識別方法，該方法包括：獲取包含目標(biāo)對象的待識別圖像；將待識別圖像輸入識別模型，得到目標(biāo)對象的關(guān)鍵點(diǎn)信息，其中，識別模型是如上述第一方面任一實現(xiàn)方式描述的方法得到的識別模型。

根據(jù)第三方面，本申請實施例提供了一種模型訓(xùn)練裝置，該裝置包括：獲取數(shù)據(jù)模塊，被配置成響應(yīng)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(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)和教師網(wǎng)絡(luò)；第一訓(xùn)練模塊，被配置成基于學(xué)生網(wǎng)絡(luò)中的主回歸器針對第一圖像的預(yù)測值、針對第二圖像的預(yù)測值，對抗回歸器針對第一圖像的預(yù)測值，以及第一圖像的標(biāo)簽和第二圖像的偽標(biāo)簽，構(gòu)建目標(biāo)損失函數(shù)以對初始師生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到第一師生網(wǎng)絡(luò)；第二訓(xùn)練模塊，被配置成基于樣本對集中的第二圖像，分別對第一師生網(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)的特征提取器和對抗回歸器進(jìn)行訓(xùn)練，得到第二師生網(wǎng)絡(luò)；模型確定模塊，被配置成將第二師生網(wǎng)絡(luò)中的學(xué)生網(wǎng)絡(luò)確定為識別模型。

根據(jù)第四方面，本申請實施例提供了一種圖像識別裝置，該裝置包括：獲取圖像模塊，被配置成獲取包含目標(biāo)對象的待識別圖像；識別圖像模塊，被配置成將待識別圖像輸入識別模型，得到目標(biāo)對象的關(guān)鍵點(diǎn)信息，其中，識別模型是如上述第一方面任一實現(xiàn)方式描述的方法得到的識別模型。

根據(jù)第五方面，本申請實施例提供了一種電子設(shè)備，該電子設(shè)備包括一個或多個處理器；存儲裝置，其上存儲有一個或多個程序，當(dāng)一個或多個程序被該一個或多個處理器執(zhí)行，使得一個或多個處理器實現(xiàn)如第一方面或第二方面中任一實現(xiàn)方式描述的方法。