图像识别模型训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像识别模型训练方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取至少两个图像识别任务对应的任务训练集、任务测试集；基于各个任务训练集训练初始图像识别模型得到各个中间模型；基于图像识别任务对应的任务测试集和中间模型得到各个中间模型损失；基于中间模型损失调整中间模型的初始模型参数得到各个中间模型参数；基于各个中间模型参数和初始模型参数调整初始模型参数得到目标模型参数；基于目标模型参数得到更新模型，将更新模型作为初始图像识别模型，返回获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件得到目标模型。采用本方法能够提高图像识别准确性。图像识别准确性。图像识别准确性。

【技术实现步骤摘要】
图像识别模型训练方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机视觉
，特别是涉及一种图像识别模型训练方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着计算机视觉技术的发展，出现了图像识别技术，通过训练好的图像识别模型对图像进行识别操作。
[0003]传统的图像识别技术往往是通过使用大量的训练样本对深度学习网络进行训练，得到图像识别模型。然而对于种类繁多但同类样本数量较少的少样本识别任务，基于传统的图像识别模型训练方法效果训练得到的图像识别模型，往往难以取得最佳的识别效果。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高图像识别准确性的图像识别模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]本申请提供了一种图像识别模型训练方法。所述方法包括：
[0006]获取至少两个图像识别任务分别对应的任务训练集、任务测试集；至少两个图像识别任务用于识别图像中的目标对象；
[0007]基于各个任务训练集分别训练初始图像识别模型，得到各个图像识别任务分别对应的中间图像识别模型；
[0008]基于图像识别任务对应的任务测试集和中间图像识别模型，得到各个图像识别任务分别对应的中间模型损失；
[0009]基于各个中间模型损失分别调整中间图像识别模型的初始模型参数，得到各个图像识别任务分别对应的中间模型参数；
[0010]基于各个中间模型参数分别和初始图像识别模型的初始模型参数之间的差异，调整初始图像识别模型的初始模型参数，得到目标模型参数；
[0011]基于目标模型参数得到更新图像识别模型，将更新图像识别模型作为初始图像识别模型，返回获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件，得到目标图像识别模型。
[0012]本申请还提供了一种图像识别模型训练装置。所述装置包括：
[0013]任务数据集获取模块，用于获取至少两个图像识别任务分别对应的任务训练集、任务测试集；至少两个图像识别任务用于识别图像中的目标对象。
[0014]中间模型确定模块，用于基于各个任务训练集分别训练初始图像识别模型，得到各个图像识别任务分别对应的中间图像识别模型。
[0015]中间损失确定模块，用于基于图像识别任务对应的任务测试集和中间图像识别模型，得到各个图像识别任务分别对应的中间模型损失。
[0016]中间参数确定模块，用于基于各个中间模型损失分别调整中间图像识别模型的初
始模型参数，得到各个图像识别任务分别对应的中间模型参数。
[0017]目标参数确定模块，用于基于各个中间模型参数分别和初始图像识别模型的初始模型参数之间的差异，调整初始图像识别模型的初始模型参数，得到目标模型参数。
[0018]目标模型确定模块，用于基于目标模型参数得到更新图像识别模型，将更新图像识别模型作为初始图像识别模型，返回获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件，得到目标图像识别模型。
[0019]一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述图像识别模型训练方法的步骤。
[0020]一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述图像识别模型训练方法的步骤。
[0021]一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述图像识别模型训练方法的步骤。
[0022]上述图像识别模型训练方法、装置、计算机设备、存储介质和计算机程序产品，通过获取至少两个图像识别任务分别对应的任务训练集、任务测试集，不同的图像识别任务分别用于识别不同类型的图像中的目标对象。使用各个任务训练集分别训练初始图像识别模型，得到各个中间图像识别模型。再基于同一图像识别任务对应的任务测试集和中间图像识别模型，得到各个图像识别任务分别对应的中间模型损失。基于各个中间模型损失分别调整对应的中间图像识别模型的初始模型参数，得到各个图像识别任务分别对应的中间模型参数。基于各个中间模型参数分别和初始图像识别模型的初始模型参数之间的差异，调整初始图像识别模型的初始模型参数，得到目标模型参数。目标模型参数融合了各个图像识别任务分别对应的中间模型参数，这样可以使得目标模型参数能够在各个图像识别任务上都表现较好，能够适用于各个图像识别任务。基于目标模型参数得到更新图像识别模型，将更新图像识别模型作为初始图像识别模型，返回获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件，得到目标图像识别模型。这样，使用各个图像识别任务分别对应的中间模型参数来更新模型参数，能够使得目标图像识别模型能够在各个图像识别任务上都具有很好的识别效果，有效提高图像识别模型的识别准确性。
附图说明
[0023]图1为一个实施例中图像识别模型训练方法的应用环境图；
[0024]图2为一个实施例中图像识别模型训练方法的流程示意图；
[0025]图3为一个实施例中确定目标图像识别模型的流程示意图；
[0026]图4为另一个实施例中图像识别模型训练方法的流程示意图；
[0027]图5为一个实施例中基于目标能量值更新目标图像识别模型的示意图；
[0028]图6为一个实施例中图像识别模型训练装置的结构框图；
[0029]图7为另一个实施例中图像识别模型训练装置的结构框图；
[0030]图8为一个实施例中计算机设备的内部结构图；
[0031]图9为一个实施例中计算机设备的内部结构图。
具体实施方式
[0032]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0033]本申请实施例提供的图像识别模型训练方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102以及服务器104可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
[0034]终端和服务器均可单独用于执行本申请实施例中提供的图像识别模型训练方法。
[0035]例如，终端获取至少两个图像识别任务分别对应的任务训练集、任务测试集，至少两个图像识别任务用于识别图像中的目标对象。终端基于各个任务训练集分别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别模型训练方法，其特征在于，所述方法包括：获取至少两个图像识别任务分别对应的任务训练集、任务测试集；所述至少两个图像识别任务用于识别图像中的目标对象；基于各个任务训练集分别训练初始图像识别模型，得到各个图像识别任务分别对应的中间图像识别模型；基于图像识别任务对应的任务测试集和中间图像识别模型，得到各个图像识别任务分别对应的中间模型损失；基于各个中间模型损失分别调整中间图像识别模型的初始模型参数，得到各个图像识别任务分别对应的中间模型参数；基于各个中间模型参数分别和所述初始图像识别模型的初始模型参数之间的差异，调整所述初始图像识别模型的初始模型参数，得到目标模型参数；基于目标模型参数得到更新图像识别模型，将所述更新图像识别模型作为初始图像识别模型，返回所述获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件，得到目标图像识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取至少两个图像识别任务分别对应的任务训练集、任务测试集，包括：获取所述目标对象对应的多个图像样本；基于图像样本中的目标对象的对象复杂度，将各个图像样本划分为多个第一图像类别；基于图像样本对应的图像质量，将各个第一图像类别分别划分为多个第二图像类别；将所述各个图像样本划分为总训练集和总测试集；从所述总训练集中，基于属于同一第二图像类别的图像样本得到对应的图像识别任务的任务训练集；从所述总测试集中，获取各个图像识别任务分别对应的任务测试集。3.根据权利要求1所述的方法，其特征在于，所述初始模型参数包括初始权重和初始偏移量，所述基于各个中间模型损失分别调整中间图像识别模型的初始模型参数，得到各个图像识别任务分别对应的中间模型参数，包括：将当前图像识别任务对应的中间模型损失作为当前模型损失，获取任务权重学习率和任务偏移量学习率；基于所述任务权重学习率调整所述当前模型损失对应的损失梯度，得到任务权重更新梯度，基于所述任务偏移量学习率调整所述当前模型损失对应的损失梯度，得到任务偏移量更新梯度；基于所述任务权重更新梯度更新所述初始权重，得到中间权重，基于所述任务偏移量更新梯度更新所述初始偏移量，得到中间偏移量；基于所述中间权重和所述中间偏移量，得到所述当前图像识别任务对应的中间模型参数。4.根据权利要求1所述的方法，其特征在于，所述初始模型参数包括初始权重和初始偏移量，所述中间模型参数包括中间权重和中间偏移量，所述基于各个中间模型参数分别和初始图像识别模型的初始模型参数之间的差异，调整初始图像识别模型的初始模型参数，
得到目标模型参数，包括：获取综合权重学习率和综合偏移量学习率；基于综合权重学习率，融合各个中间权重分别和初始权重之间的差异，得到融合权重，基于所述融合权重和所述初始权重，得到目标权重；基于综合偏移量学习率，融合各个中间偏移量分别和初始偏移量之间的差异，得到融合偏移量，基于所述融合偏移量和所述初始偏移量，得到目标偏移量；基于所述目标权重和所述目标偏移量，得到目标模型参数。5.根据权利要求1所述的方法，其特征在于，所述基于目标模型参数得到更新图像识别模型，将所述更新图像识别模型作为初始图像识别模型，返回所述获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件，得到目标图像识别模型，包括：融合所述各个中间模型损失，得到...

【专利技术属性】
技术研发人员：郑筠，饶竹一，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：