模型训练方法、图像识别方法、终端设备及计算机介质技术

本申请公开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，该方法包括：获取图像训练集，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；将若干第一训练图像输入待训练的分割模型，获取第一预测标签；基于第一预测标签和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；获取第一图像特征对的第一相似度和第二图像特征对的第二相似度，构建第二损失函数，利用第一损失函数和第二损失函数对分割模型进行训练。本申请的图像识别方法，约束不同类别的图像特征对的不相似性以及同类别的图像特征对的相似性，提高模型准确度。提高模型准确度。提高模型准确度。

【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；
[0011]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；
[0012]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。
[0013]为解决上述技术问题，本申请提供的第二个技术方案为：提供一种图像识别方法，所述图像识别方法包括：
[0014]将待识别图像输入分割模型，得到所述待识别图像的图像识别类别，其中，
[0015]所述分割模型是利用如上所述的模型训练方法得到的。
[0016]为解决上述技术问题，本申请提供的第三个技术方案为：提供一种终端设备，所述终端设备包括处理器、与所述处理器连接的存储器，其中，
[0017]所述存储器存储有程序指令；
[0018]所述处理器用于执行所述存储器存储的程序指令以实现如上所述的模型训练方
法。
[0019]为解决上述技术问题，本申请提供的第四个技术方案为：提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序指令，所述程序指令被执行时实现如上所述的模型训练方法。
[0020]本申请提供的模型训练方法中，终端设备获取图像训练集，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；将若干第一训练图像输入待训练的分割模型，获取第一训练图像的第一预测标签；基于第一预测标签和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；获取第一图像特征对的第一相似度，以及第二图像特征对的第二相似度；基于第一相似度和第二相似度构建第二损失函数，利用第一损失函数和第二损失函数对分割模型进行训练。本申请的图像识别方法，通过使用第一图像特征对和第二图像特征对的相似度构建第二损失函数对分割模型进行训练，以约束相同类别的图像特征对的相似性和不同类别的图像特征对的不相似性，提高分割模型的准确度。
附图说明
[0021]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
[0022]图1是本申请提供的模型训练方法第一实施例的流程示意图；
[0023]图2是本申请提供的模型一实施例的结构示意图；
[0024]图3是本申请提供的模型训练方法第二实施例的流程示意图；
[0025]图4是图3中获取第一分割伪标签的流程示意图；
[0026]图5是本申请提供的模型训练方法第三实施例的流程示意图；
[0027]图6是本申请提供的模型训练方法第四实施例的流程示意图；
[0028]图7是本申请提供的模型训练方法第五实施例的流程示意图；
[0029]图8是图7中第二训练图像一实施例的结构示意图；
[0030]图9是本申请提供的模型训练方法第六实施例的流程示意图；
[0031]图10是本申请提供的模型训练方法第七实施例的流程示意图；
[0032]图11是本申请提供的模型训练方法第八实施例的流程示意图；
[0033]图12是本申请提供的模型训练方法第九实施例的流程示意图；
[0034]图13是图12中获取类别响应图一实施例的流程示意图；
[0035]图14是本申请提供的终端设备一实施例的结构示意图；
[0036]图15是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
[0037]为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图，对本申请的具体实施方式做详细的说明。可以理解的是，此处所描述的具体实施例仅用于解释本申
请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0038]本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“设置有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0039]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0040]请参见图1
‑
2，图1是本申请提供的模型训练方法第一实施例的流程示意图，图2是本申请提供的模型一实施例的结构示意图。
[0041]如图1所示，该模型训练方法的具体步骤如下：
[0042]S11：获取图像训练集，其中，图像训练集包括若干单一类别的第一训练图像。
[0043]在本申请实施例中，图像训练集可以通过使用图像采集设备针对相关区域进行采集得到，也可以通过多种标本文档来自技高网...

【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：