模型训练、图像识别方法和装置、电子设备及存储介质制造方法及图纸

本申请提供的模型训练、图像识别方法和装置、电子设备及存储介质，涉及图像识别技术领域。在本申请中，首先，通过神经网络模型中的图像分类层对图像特征进行分类处理，得到分类结果，其中，该图像特征基于该神经网络模型的特征提取层对样本图像进行处理得到。其次，通过神经网络模型中的图像重构层对图像特征进行重构处理，得到重构图像。然后，通过神经网络模型中的损失确定层对重构图像进行损失确定处理得到重构损失、对分类结果进行损失确定处理得到分类损失。最后，基于重构损失和分类损失对神经网络模型进行更新处理，得到图像识别模型。通过上述方法，可以改善现有技术中训练的图像识别模型存在识别精度不高的问题。

【技术实现步骤摘要】
模型训练、图像识别方法和装置、电子设备及存储介质
本申请涉及图像识别
，具体而言，涉及一种模型训练、图像识别方法和装置、电子设备及存储介质。
技术介绍
随着图像识别技术的不断发展，其应用范围也越来越广。如此，导致对图像识别的识别结果的精度要求也越来越高。经专利技术人研究发现，现有技术中，在对图像识别模型进行训练的过程中，由于对训练所依据的信息的约束和限制的力度不足，使得训练得到的图像识别模型，在进行图像识别时，提取的信息较少，从而导致该图像识别模型存在识别精度不高的问题。
技术实现思路
有鉴于此，本申请的目的在于提供一种模型训练、图像识别方法和装置、电子设备及存储介质，以改善现有技术中训练的图像识别模型存在识别精度不高的问题。为实现上述目的，本申请实施例采用如下技术方案：一种图像识别模型训练方法，包括：通过预设的图像分类层对图像特征进行分类处理，得到分类结果，其中，该图像分类层属于预设的神经网络模型，该图像特征基于该神经网络模型的特征提取层对样本图像进行处理得到；通过预设的图像重构层对所述图像特征进行重构处理，得到重构图像，其中，该图像重构层属于所述神经网络模型；通过所述神经网络模型中的损失确定层对所述重构图像进行损失确定处理得到重构损失、对所述分类结果进行损失确定处理得到分类损失；基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型，其中，该图像识别模型用于对目标图像进行识别。在本申请实施例较佳的选择中，在上述图像识别模型训练方法中，所述基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型的步骤，包括：基于所述重构损失和所述分类损失进行求和处理，得到损失总值；基于所述损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到图像识别模型。在本申请实施例较佳的选择中，在上述图像识别模型训练方法中，所述基于所述损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到图像识别模型的步骤，包括：a，基于得到的损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到新的神经网络模型，其中，该新的神经网络模型用于再次对所述样本图像进行处理，得到新的损失总值；b，判断所述新的损失总值是否小于预设损失值，并在该新的损失总值小于该预设损失值时，将最后一次更新处理得到的神经网络模型作为图像识别模型，在该新的损失总值不小于该预设损失值时，再次执行步骤a。在本申请实施例较佳的选择中，在上述图像识别模型训练方法中，所述对所述重构图像进行损失确定处理得到重构损失的步骤，包括：针对每一张重构图像，通过所述损失确定层确定该重构图像与对应的样本图像之间的像素损失，其中，该重构图像为多个，该样本图像为多个；通过所述损失确定层对确定的多个所述像素损失进行第一损失计算处理，得到重构损失。在本申请实施例较佳的选择中，在上述图像识别模型训练方法中，所述对所述分类结果进行损失确定处理得到分类损失的步骤，包括：通过所述损失确定层获得多个预设的分类标签，其中，该分类标签基于对多个所述样本图像进行标识处理生成；通过所述损失确定层对所述分类结果和所述分类标签进行第二损失计算处理，得到分类损失。在上述基础上，本申请实施例还提供了一种图像识别方法，包括：获得目标图像，并将该目标图像输入至预设的图像识别模型，其中，该图像识别模型基于上述的图像识别模型训练方法训练得到；通过所述图像识别模型对所述目标图像进行识别处理，得到识别结果。本申请实施例还提供了一种图像识别模型训练装置，包括：特征分类模块，用于通过预设的图像分类层对图像特征进行分类处理，得到分类结果，其中，该图像分类层属于预设的神经网络模型，该图像特征基于该神经网络模型的特征提取层对样本图像进行处理得到；特征重构模块，用于通过预设的图像重构层对所述图像特征进行重构处理，得到重构图像，其中，该图像重构层属于所述神经网络模型；损失确定模块，用于通过所述神经网络模型中的损失确定层对所述重构图像进行损失确定处理得到重构损失、对所述分类结果进行损失确定处理得到分类损失；模型更新模块，用于基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型，其中，该图像识别模型用于对目标图像进行识别。在上述基础上，本申请实施例还提供了一种图像识别装置，包括：图像输入模块，用于获得目标图像，并将该目标图像输入至预设的图像识别模型，其中，该图像识别模型基于上述的图像识别模型训练装置训练得到；图像识别模块，用于通过所述图像识别模型对所述目标图像进行识别处理，得到识别结果。在上述基础上，本申请实施例还提供了一种电子设备，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的图像识别模型训练方法，或实现上述的图像识别方法。在上述基础上，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时，实现上述的图像识别模型训练方法，或实现上述的图像识别方法。本申请提供的模型训练、图像识别方法和装置、电子设备及存储介质，通过对图像特征分别进行分类处理和重构处理，得到分类结果和重构图像，使得在对神经网络模型进行参数更新(即对神经网络模型进行训练)时，可以基于重构损失和分类损失两种损失对神经网络模型进行训练，得到图像识别模型。如此，由于对神经网络模型的训练，充分考虑了重构损失和分类损失，使得对训练所依据的信息的约束和限制的力度较高，以使训练得到的图像识别模型，在进行图像识别时，可以提取更多的图像特征信息，从而提高图像识别的精度，进而改善现有的图像识别技术中存在的识别精度不高的问题，具有较高的实用价值，特别是在应用于人脸识别时，由于不同人脸的特征信息存在较多相似(若提取到的特征较少，极容易出现识别失败或误差的问题)，而使得可以提取到更多的不同特征信息，使得识别结果的精度更高，应用效果显著。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明图1为本申请实施例提供的电子设备的结构框图。图2为本申请实施例提供的图像识别模型训练方法的流程示意图。图3为本申请实施例提供的样本图像与对应的重构图像之间的效果示意图。图4为图2中步骤S130包括的各子步骤的流程示意图。图5为本申请实施例提供的样本图像的像素信息的效果示意图。图6为本申请实施例提供的重构图像的像素信息的效果示意图。图7为图2中步骤S130包括的其它子步骤的流程示意图。图8为图2中步骤S140包括的各子步骤的流程示意图。图9为图8中步骤S142包括的各子步骤的流程示意图。图10为本申请实施例提供的图像识别方法的流程示意图。...

【技术保护点】
1.一种图像识别模型训练方法，其特征在于，包括：/n通过预设的图像分类层对图像特征进行分类处理，得到分类结果，其中，该图像分类层属于预设的神经网络模型，该图像特征基于该神经网络模型的特征提取层对样本图像进行处理得到；/n通过预设的图像重构层对所述图像特征进行重构处理，得到重构图像，其中，该图像重构层属于所述神经网络模型；/n通过所述神经网络模型中的损失确定层对所述重构图像进行损失确定处理得到重构损失、对所述分类结果进行损失确定处理得到分类损失；/n基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型，其中，该图像识别模型用于对目标图像进行识别。/n

【技术特征摘要】
1.一种图像识别模型训练方法，其特征在于，包括：
通过预设的图像分类层对图像特征进行分类处理，得到分类结果，其中，该图像分类层属于预设的神经网络模型，该图像特征基于该神经网络模型的特征提取层对样本图像进行处理得到；
通过预设的图像重构层对所述图像特征进行重构处理，得到重构图像，其中，该图像重构层属于所述神经网络模型；
通过所述神经网络模型中的损失确定层对所述重构图像进行损失确定处理得到重构损失、对所述分类结果进行损失确定处理得到分类损失；
基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型，其中，该图像识别模型用于对目标图像进行识别。


2.根据权利要求1所述的图像识别模型训练方法，其特征在于，所述基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型的步骤，包括：
基于所述重构损失和所述分类损失进行求和处理，得到损失总值；
基于所述损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到图像识别模型。


3.根据权利要求2所述的图像识别模型训练方法，其特征在于，所述基于所述损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到图像识别模型的步骤，包括：
a，基于得到的损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到新的神经网络模型，其中，该新的神经网络模型用于再次对所述样本图像进行处理，得到新的损失总值；
b，判断所述新的损失总值是否小于预设损失值，并在该新的损失总值小于该预设损失值时，将最后一次更新处理得到的神经网络模型作为图像识别模型，在该新的损失总值不小于该预设损失值时，再次执行步骤a。


4.根据权利要求1-3任意一项所述的图像识别模型训练方法，其特征在于，所述对所述重构图像进行损失确定处理得到重构损失的步骤，包括：
针对每一张重构图像，通过所述损失确定层确定该重构图像与对应的样本图像之间的像素损失，其中，该重构图像为多个，该样本图像为多个；
通过所述损失确定层对确定的多个所述像素损失进行第一损失计算处理，得到重构损失。


5.根据权利要求1-3任意一项所述的图像识别模型训练方法，其特征在于，所述对所述...

【专利技术属性】
技术研发人员：黄颖，邱尚锋，张文伟，
申请(专利权)人：广州虎牙科技有限公司，
类型：发明
国别省市：广东;44