【技术实现步骤摘要】
模型训练方法、图像识别方法、终端设备及计算机介质
[0001]本申请涉及图像处理
,特别是涉及一种模型训练方法、图像识别方法、终端设备及计算机介质。
技术介绍
[0002]近年来,人工智能领域中的以预训练为代表的自然语言处理技术获得了爆发式发展,新技术和新模型层出不穷。在新时代背景下,如何将多样化的先进的自然语言处理领域科研成果高效地应用到产业实践中并解决实际问题,是自然语言处理领域中的核心问题。
[0003]然而,在将各类模型应用到产业实践的过程中,复杂的应用场景使得图像数据的形态分布复杂,在处理图像时,目标前景和图像背景间的边缘模糊,对目标对象进行语义分割时容易出现过分割,影响模型的准确度。
技术实现思路
[0004]本申请提供了一种模型训练方法、图像识别方法、终端设备及计算机介质,以解决现有技术中模型准确度不高的技术问题。
[0005]为解决上述问题,本申请提供的第一个技术方案为:提供一种模型训练方法,该模型训练方法包括:
[0006]获取图像训练集,其中,所述图像训练集包括若干单一类别的第一训练图像;
[0007]获取每一类别的第一训练图像的第一分割伪标签;
[0008]将若干所述第一训练图像输入待训练的分割模型,获取所述第一训练图像的第一预测标签;
[0009]基于所述第一预测标签和所述第一分割伪标签构建第一损失函数;
[0010]提取相同类别的第一训练图像的第一图像特征对,以及不同类别的第一训练图像的第二图像特征对;
[ ...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法,其特征在于,所述模型训练方法包括:获取图像训练集,其中,所述图像训练集包括若干单一类别的第一训练图像;获取每一类别的第一训练图像的第一分割伪标签;将若干所述第一训练图像输入待训练的分割模型,获取所述第一训练图像的第一预测标签;基于所述第一预测标签和所述第一分割伪标签构建第一损失函数;提取相同类别的第一训练图像的第一图像特征对,以及不同类别的第一训练图像的第二图像特征对;获取所述第一图像特征对的第一相似度,以及所述第二图像特征对的第二相似度;基于所述第一相似度和所述第二相似度构建第二损失函数,利用所述第一损失函数和所述第二损失函数对所述分割模型进行训练。2.根据权利要求1所述的模型训练方法,其特征在于,所述获取每一类别的第一训练图像的分割伪标签,包括:将所述第一训练图像进行归一化处理;基于预设分割阈值在归一化处理后的第一训练图像区分前景区域和背景区域,从而获取所述第一训练图像的第一分割伪标签。3.根据权利要求1所述的模型训练方法,其特征在于,所述获取所述第一图像特征对的第一相似度,以及所述第二图像特征对的第二相似度,包括:分别获取目标类别的两个第一训练图像的第一图像特征以及第二图像特征;获取所述第一图像特征与所述第二图像特征的第一相似度;分别获取目标类别的一个第一训练图像的第三图像特征以及其他类别的一个第一训练图像的第四图像特征;获取所述第三图像特征与所述第四图像特征的第二相似度。4.根据权利要求1
‑
3任一项所述的模型训练方法,其特征在于,所述基于所述第一相似度和所述第二相似度构建第二损失函数,包括:计算所述第一相似度与所述第二相似度的和;基于所述第一相似度以及所述和的比值构建所述第二损失函数。5.根据权利要求1所述的模型训练方法,其特征在于,所述获取每一类别的第一训练图像的分割伪标签之后,所述模型训练方法还包括:将不同类别的第一训练图像进行混合,以得到第二训练图像以及第二分割伪标签,其中,所述第二分割伪标签由不同类别的第一训练图像的第一分割伪标签混合得到;将所述第二训练图像输入所述分割模型,获取所述第二训练图像的第二预测标签;基于所述第二预测标签和所述第二分割伪标签构建第三损失函数;提取所述第二训练图像中相同类别的第三图像特征对,以及不同类别的第四图像特征对;获取所述第三图像特征对的第三相似度,以及所述第四图像特征对的第四相似度;基于所述第三相似度和所述第四相似度构建第四损失函数,利用所述第三损失函数和所述第四损失函数对所述分割模型进行训练。
6.根据权利要求5所述的模型训练方法,其特征在于,所述第三图像特征对包括高概率点特征以及不确定性点特征,其中,所述高概率点为预测置信度高于预设置信度阈值的图像像素点,所述不确定性点为预测置信度低于所述预设置信度阈值的图像像素点;所述第四图像特征对包括不同类别区域的高概率点特征。7.根据权利要求5或6所述的模型训练方法,其特征在于,所述模型训练方法还包括:基于...
【专利技术属性】
技术研发人员:段陆文,熊剑平,
申请(专利权)人:浙江大华技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。