【技术实现步骤摘要】
模型训练、图像识别方法、装置、设备及存储介质
[0001]本公开涉及信息
,尤其涉及一种模型训练、图像识别方法、装置、设备及存储介质。
技术介绍
[0002]在海量数据和强大算力的支撑下,机器学习模型例如深度模型在图像识别领域取得了巨大的成功。目前的机器学习模型在被训练完成后,为了避免出现灾难性遗忘的问题、以及过拟合问题,通常会对训练完成的机器学习模型进行冻结,即固定训练完成的机器学习模型的参数。
[0003]但是,对训练完成的机器学习模型进行冻结后,会导致该机器学习模型对新类别的图像识别不精准。
技术实现思路
[0004]为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种模型训练、图像识别方法、装置、设备及存储介质,以提高对新类别图像的识别精准度。
[0005]第一方面,本公开实施例提供一种模型训练方法,包括:
[0006]通过待训练的机器学习模型从历史图像集合中抽取历史知识;
[0007]通过所述待训练的机器学习模型,计算所述历史图像集合中第一子集合内各类样本图像的特征均值,以及计算所述历史图像集合中第二子集合内各个样本图像的特征信息;
[0008]将所述历史知识传播到所述第一子集合内各类样本图像的特征均值上,得到所述第一子集合内各类样本图像更新后的特征均值,以及将所述历史知识传播到所述第二子集合内各个样本图像的特征信息上,得到所述第二子集合内各个样本图像更新后的特征信息;
[0009]根据所述第二子集合内各个样本图像更新后的 ...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法,其中,所述方法包括:通过待训练的机器学习模型从历史图像集合中抽取历史知识;通过所述待训练的机器学习模型,计算所述历史图像集合中第一子集合内各类样本图像的特征均值,以及计算所述历史图像集合中第二子集合内各个样本图像的特征信息;将所述历史知识传播到所述第一子集合内各类样本图像的特征均值上,得到所述第一子集合内各类样本图像更新后的特征均值,以及将所述历史知识传播到所述第二子集合内各个样本图像的特征信息上,得到所述第二子集合内各个样本图像更新后的特征信息;根据所述第二子集合内各个样本图像更新后的特征信息和所述第一子集合内各类样本图像更新后的特征均值之间的相似度,对所述机器学习模型进行训练。2.根据权利要求1所述的方法,其中,所述历史图像集合包括多个历史类别中每个历史类别下的多个历史图像;通过待训练的机器学习模型从历史图像集合中抽取历史知识,包括:针对所述多个历史类别中的每个历史类别,通过所述待训练的机器学习模型,计算所述历史类别下的多个历史图像的图像特征均值,得到所述历史类别对应的第一特征均值。3.根据权利要求2所述的方法,其中,计算所述历史图像集合中第一子集合内各类样本图像的特征均值,包括:计算所述第一子集合中每个图像类别下的多个样本图像的图像特征均值,得到所述第一子集合中每个图像类别对应的第二特征均值;计算所述历史图像集合中第二子集合内各个样本图像的特征信息,包括:计算所述第二子集合中每个样本图像的图像特征。4.根据权利要求3所述的方法,其中,将所述历史知识传播到所述第一子集合内各类样本图像的特征均值上,得到所述第一子集合内各类样本图像更新后的特征均值,包括:根据所述每个历史类别对应的第一特征均值,对所述第一子集合中每个图像类别对应的第二特征均值进行更新,得到所述第一子集合中每个图像类别对应的更新后的第二特征均值;将所述历史知识传播到所述第二子集合内各个样本图像的特征信息上,得到所述第二子集合内各个样本图像更新后的特征信息,包括:根据所述每个历史类别对应的第一特征均值,对所述第二子集合中每个样本图像的图像特征进行更新,得到所述第二子集合中每个样本图像更新后的图像特征。5.根据权利要求1所述的方法,其中,所述第一子集合包含的图像类别和所述第二子集合包含的图像类别相同,所述第一子集合包含的样本图像和所述第二子集合包含的样本图像不同。6.根据权利要求1所述的方法,其中,根据所述第二子集合内各个样本图像更新后的特征信息和所述第一子集合内各类样本图像更新后的特征均值之间的相似度,对所述机器学习模型进行训练,包括:根据所述第一子集合中每个图像类别对应的更新后的第二特征均值分别与所述第二子集合中每个样本图像更新后的图像特征的相似度、以及所述第二子集合中每个样本图像的实际类别,对所述机器学习模型进行训练。7.根据权利要求4所述的方法,其中,根据所述每个历史类别对应的第一特征均值,对
所述第一子集合中每个图像类别对应的第二特征...
【专利技术属性】
技术研发人员:王烨,毛超杰,江泽胤子,
申请(专利权)人:阿里巴巴中国有限公司,
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。