A training method and device of network model are disclosed, including: determining the first eigenvector corresponding to the sample image through the network to be trained; dividing the sample image into more than two area images; determining more than two second eigenvectors based on the two area images through the supervision network; determining more than two second eigenvectors based on the first eigenvector and the second eigenvector Two feature vectors to determine the first loss value of the network to be trained; if the first loss value meets the first preset condition, adjust the weight parameters of the network to be trained; through the mutual learning training between the first feature vector and the second feature vector, the feature vector to be analyzed by the network to be trained can better correspond to the specific local area of the object, so the training is used After that, the network to be trained can accurately complete the recognition based on the local area of the object.
【技术实现步骤摘要】
一种网络模型的训练方法及装置
本公开涉及图像分析
,尤其涉及一种网络模型的训练方法及装置。
技术介绍
在图像识别的一些具体场景下,由于图像中的目标物可能会被部分遮挡,所以无法通过网络模型对图像解析得到目标物完整的特征图以及特征向量,而只能利用可获得的目标物局部对应的特征图以及特征向量,完成分析和识别。但是在利用网络模型解析得到特征图的过程中,图像中的信息会出现一定程度的糅杂,以至于在特征图上无法更好的确定图像中目标物的局部区域。在这种情况下,现有的网络模型无法准确的提取出图像中目标物的局部区域对应的特征图以及特征向量。
技术实现思路
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种网络模型的训练方法及装置;在网络模型训练过程中,基于通过整体的样本图像得到的第一特征向量,与通过区域图像得到的第二特征向量进行,使训练得到的待训练网络能够准确的提取出图像中目标物的特定局部对应特征向量。根据本公开的第一个方面,提供了一种网络模型的训练方法,包括:通过待训练网络确定样本图像对应的第一特征向量;将所述样本图像划分为两个以上的区域图像;通过监督网络根据所述两个以上的区域图像确定两个以上的第二特征向量;基于所述第一特征向量与所述两个以上的第二特征向量,确定所述待训练网络的第一损失值;若所述第一损失值符合第一预设条件,调整所述待训练网络的权重参数。根据本公开的第二个方面,提供了一种网络模型的训练装置,包括:第一特征向量确定模块 ...
【技术保护点】
1.一种网络模型的训练方法,包括:/n通过待训练网络确定样本图像对应的第一特征向量;/n将所述样本图像划分为两个以上的区域图像;/n通过监督网络根据所述两个以上的区域图像确定两个以上的第二特征向量;/n基于所述第一特征向量与所述两个以上的第二特征向量,确定所述待训练网络的第一损失值;/n若所述第一损失值符合第一预设条件,调整所述待训练网络的权重参数。/n
【技术特征摘要】 【专利技术属性】
1.一种网络模型的训练方法,包括:
通过待训练网络确定样本图像对应的第一特征向量;
将所述样本图像划分为两个以上的区域图像;
通过监督网络根据所述两个以上的区域图像确定两个以上的第二特征向量;
基于所述第一特征向量与所述两个以上的第二特征向量,确定所述待训练网络的第一损失值;
若所述第一损失值符合第一预设条件,调整所述待训练网络的权重参数。
2.根据权利要求1所述方法,所述基于所述第一特征向量与所述两个以上的第二特征向量,确定所述待训练网络的第一损失值包括:
利用预设的损失函数,确定所述第一特征向量与所述第二特征向量之间的距离损失值和散度损失值;
根据所述距离损失值和散度损失值,确定所述第一损失值。
3.根据权利要求1所述方法,所述通过监督网络根据所述两个以上的区域图像确定两个以上的第二特征向量包括:
基于所述监督网络的骨架结构层,确定所述两个以上的区域图像各自对应的第二特征图,得到两个以上的第二特征图;
基于所述监督网络的池化层,将所述两个以上的第二特征图分别进行全局最大池化,得到两个以上的初始第二特征向量;
基于所述监督网络的特征层,对所述两个以上的初始第二特征向量进行降维,获得两个以上的第二特征向量。
4.根据权利要求1所述方法,所述通过待训练网络确定样本图像对应的第一特征向量包括:
基于所述待训练网络的骨架结构层,确定所述样本图像对应的第一特征图;
基于所述待训练网络的池化层,对所述第一特征图进行全局最大池化,得到初始第一特征向量;
基于所述待训练网络的特征层,对所述初始第一特征向量进行降维,获得第一特征向量。
5.根据权利要求1所述方法,还包括:
若所述第一损失值不符合第一预设条件,利用所述待训练网络进行目标物识别。
技术研发人员:张慧中,朱亚旋,郭少博,
申请(专利权)人:南京人工智能高等研究院有限公司,
类型:发明
国别省市:江苏;32
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。