图像识别方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种图像识别方法及装置、电子设备和存储介质。该方法通过图像识别网络实现，图像识别网络包括第一神经网络和第二神经网络，第一神经网络的初始状态为已完成训练，第二神经网络的初始状态为未训练，该方法包括：利用第一神经网络处理样本图像，得到针对样本图像的第一预测结果；基于样本图像的第一预测结果，确定样本图像的监督信息，根据样本图像以及监督信息，训练图像识别网络。根据本公开实施例，通过利用第一神经网络处理样本图像，得到针对样本图像的第一预测结果并确定样本图像的监督信息，根据样本图像以及监督信息，训练图像识别网络，能够利用较短的训练时间，训练得到识别性能较佳的图像识别网络。

Image recognition method and device, electronic equipment and storage medium

【技术实现步骤摘要】
图像识别方法及装置、电子设备和存储介质
本公开涉及计算机
，尤其涉及一种图像识别方法及装置、电子设备和存储介质。
技术介绍
随着互联网技术的快速发展，基于计算机视觉的图像识别技术得到了空前的发展，并被应用于各个领域。例如，人脸识别技术就被广泛应用于视频监控、身份验证等场景。相关技术中，可以训练神经网络进行图像识别。如何利用较短的训练时间，训练得到识别性能较佳的网络是亟待解决的问题。
技术实现思路
有鉴于此，本公开提出了一种图像识别技术方案。根据本公开的一方面，提供了一种图像识别方法，所述方法通过图像识别网络实现，所述图像识别网络包括第一神经网络和第二神经网络，所述第一神经网络的初始状态为已完成训练，所述第二神经网络的初始状态为未训练，所述方法包括：利用所述第一神经网络处理样本图像，得到针对所述样本图像的第一预测结果；基于所述样本图像的第一预测结果，确定所述样本图像的监督信息；根据所述样本图像以及所述监督信息，训练所述图像识别网络。具体地，通过利用训练好的第一神经网络确定样本图像的监督信息，并基于该样本图像的监督信息训练包含未经训练的第二神经网络的图像识别网络。在一种可能的实现方式中，根据所述样本图像以及所述监督信息，训练所述图像识别网络，包括：根据所述样本图像，调整所述第二神经网络的网络参数，得到预训练后的所述第二神经网络；根据所述样本图像以及所述监督信息，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数。在一种可能的实现方式中，根据所述样本图像，调整所述第二神经网络的网络参数，得到预训练后的所述第二神经网络，包括：利用所述第二神经网络处理所述样本图像，得到针对所述样本图像的第二预测结果；根据所述第二预测结果，确定所述第二神经网络的第一模型损失；根据所述第一模型损失，调整所述第二神经网络中的网络参数。在一种可能的实现方式中，根据所述样本图像以及所述监督信息，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数，包括：利用所述第一神经网络和所述第二神经网络分别处理所述样本图像，得到针对所述样本图像的第三预测结果和第四预测结果；根据所述第三预测结果以及所述监督信息，确定所述第一神经网络的第二模型损失；根据所述第四预测结果以及所述样本图像的标注信息，确定所述第二神经网络的第三模型损失；根据所述第二模型损失和所述第三模型损失，确定所述图像识别网络的整体模型损失；根据所述整体模型损失，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数。在一种可能的实现方式中，根据所述第二模型损失和所述第三模型损失，确定所述图像识别网络的整体模型损失，包括：根据所述第二模型损失、所述第二模型损失的权重、所述第三模型损失以及所述第三模型损失的权重，确定所述图像识别网络的整体模型损失。在一种可能的实现方式中，基于所述样本图像的第一预测结果，确定所述样本图像的监督信息，包括：将所述第一预测结果确定为所述监督信息。在一种可能的实现方式中，利用所述第一神经网络处理样本图像，得到针对所述样本图像的第一预测结果，包括：利用所述第一神经网络对所述样本图像进行特征提取，得到所述样本图像的特征信息；根据所述特征信息，利用所述第一神经网络确定针对所述样本图像的第一预测结果。在一种可能的实现方式中，根据所述样本图像以及所述监督信息，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数，包括：根据所述样本图像以及所述监督信息，以目标学习率调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数，其中，所述目标学习率小于或等于预设数值。根据本公开的另一方面，提供了一种图像识别装置，所述装置通过图像识别网络实现，所述图像识别网络包括第一神经网络和第二神经网络，所述第一神经网络的初始状态为已完成训练，所述第二神经网络的初始状态为未训练，所述装置包括：第一预测结果获取模块，用于利用所述第一神经网络处理样本图像，得到针对所述样本图像的第一预测结果；监督信息确定模块，用于基于所述样本图像的第一预测结果，确定所述样本图像的监督信息；网络训练模块，用于根据所述样本图像以及所述监督信息，训练所述图像识别网络。在一种可能的实现方式中，所述网络训练模块包括：第一参数调整子模块，用于根据所述样本图像，调整所述第二神经网络的网络参数，得到预训练后的所述第二神经网络；第二参数调整子模块，用于根据所述样本图像以及所述监督信息，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数。在一种可能的实现方式中，所述第一参数调整子模块包括：第二预测结果获取子模块，用于利用所述第二神经网络处理所述样本图像，得到针对所述样本图像的第二预测结果；第一模型损失确定子模块，用于根据所述第二预测结果，确定所述第二神经网络的第一模型损失；第一调整子模块，用于根据所述第一模型损失，调整所述第二神经网络中的网络参数。在一种可能的实现方式中，所述第二参数调整子模块包括：预测结果获取子模块，用于利用所述第一神经网络和所述第二神经网络分别处理所述样本图像，得到针对所述样本图像的第三预测结果和第四预测结果；第二模型损失确定子模块，用于根据所述第三预测结果以及所述监督信息，确定所述第一神经网络的第二模型损失；第三模型损失确定子模块，用于根据所述第四预测结果以及所述样本图像的标注信息，确定所述第二神经网络的第三模型损失；整体模型损失确定子模块，用于根据所述第二模型损失和所述第三模型损失，确定所述图像识别网络的整体模型损失；第二调整子模块，用于根据所述整体模型损失，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数。在一种可能的实现方式中，所述整体模型损失确定子模块包括：损失确定子模块，用于根据所述第二模型损失、所述第二模型损失的权重、所述第三模型损失以及所述第三模型损失的权重，确定所述图像识别网络的整体模型损失。在一种可能的实现方式中，监督信息确定模块包括：第一监督信息确定子模块，用于将所述第一预测结果确定为所述监督信息。在一种可能的实现方式中，所述第一预测结果获取模块包括：特征信息获取子模块，用于利用所述第一神经网络对所述样本图像进行特征提取，得到所述样本图像的特征信息；第一预测结果确定子模块，用于根据所述特征信息，利用所述第一神经网络确定针对所述样本图像的第一预测结果。在一种可能的实现方式中，所述第二参数调整子模块包括：第三调整子模块，用于根据所述样本图像以本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，所述方法通过图像识别网络实现，所述图像识别网络包括第一神经网络和第二神经网络，所述第一神经网络的初始状态为已完成训练，所述第二神经网络的初始状态为未训练，所述方法包括：/n利用所述第一神经网络处理样本图像，得到针对所述样本图像的第一预测结果；/n基于所述样本图像的第一预测结果，确定所述样本图像的监督信息；/n根据所述样本图像以及所述监督信息，训练所述图像识别网络。/n

【技术特征摘要】
1.一种图像识别方法，其特征在于，所述方法通过图像识别网络实现，所述图像识别网络包括第一神经网络和第二神经网络，所述第一神经网络的初始状态为已完成训练，所述第二神经网络的初始状态为未训练，所述方法包括：
利用所述第一神经网络处理样本图像，得到针对所述样本图像的第一预测结果；
基于所述样本图像的第一预测结果，确定所述样本图像的监督信息；
根据所述样本图像以及所述监督信息，训练所述图像识别网络。


2.根据权利要求1所述的方法，其特征在于，根据所述样本图像以及所述监督信息，训练所述图像识别网络，包括：
根据所述样本图像，调整所述第二神经网络的网络参数，得到预训练后的所述第二神经网络；
根据所述样本图像以及所述监督信息，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数。


3.根据权利要求2所述的方法，其特征在于，根据所述样本图像，调整所述第二神经网络的网络参数，得到预训练后的所述第二神经网络，包括：
利用所述第二神经网络处理所述样本图像，得到针对所述样本图像的第二预测结果；
根据所述第二预测结果，确定所述第二神经网络的第一模型损失；
根据所述第一模型损失，调整所述第二神经网络中的网络参数。


4.根据权利要求2或3所述的方法，其特征在于，根据所述样本图像以及所述监督信息，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数，包括：
利用所述第一神经网络和所述第二神经网络分别处理所述样本图像，得到针对所述样本图像的第三预测结果和第四预测结果；
根据所述第三预测结果以及所述监督信息，确定所述第一神经网络的第二模型损失；
根据所述第四预测结果以及所述样本图像的标注信息，确定所述第二神经网络的第三模型损失；
根据所述第二模型损失和所述第三模型损失，确定所述图像识别网络的整体模型损失；
根据所述整体模型损失，调整所述图像识别网络的第一神经网络和所述预训练后的第二神经网络中的至少一个网络的网络参数。


5.一种图像识别装置，其特征在于，所述装置通过图像识别网络实现，所述图像识别网络包括第一神经网络和第二神经网络，所述第一神经网络的初始状态为已完成训练，所述第二神经网络的初始状态为未训练，所述装置包括：
第一预测结果获...

【专利技术属性】
技术研发人员：吴一超，梁鼎，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11