多元属性预测模型的训练方法、装置和存储介质制造方法及图纸

本发明专利技术公开了一种多元属性预测模型的训练方法、装置和存储介质，涉及图像识别技术领域。多元属性预测模型的训练方法包括：将训练图像输入到多元属性预测模型中，获得训练图像中的对象的多种属性分别对应的预测值，其中，所述训练图像的标记值包括每种属性对应的标记值；根据每种属性的标记值与预测值的差距，确定每种属性对应的损失函数权重，其中，所述每种属性的标记值与预测值的差距与对应的损失函数权重成负相关关系；根据每种属性对应的损失函数权重、以及每种属性的标记值与预测值的差距，确定所述多元属性预测模型的总损失函数值；根据所述总损失函数值对所述多元属性预测模型的参数进行调整。本发明专利技术能够提高模型的预测准确率。

【技术实现步骤摘要】
多元属性预测模型的训练方法、装置和存储介质
本专利技术涉及图像识别
，特别涉及一种多元属性预测模型的训练方法、装置和存储介质。
技术介绍
人脸属性分析的目标在于，对于给定的人脸图片，能预测出其所包含的人脸属性，包括年龄、性别、种族、表情等信息。然而由于人脸视角、光照、表情、遮挡等人脸表观的变化，进行人脸属性分析仍然是一个极大的挑战。近年来，随着深度学习与卷积神经网络(ConvolutionalNeuralNetwork)的发展，人脸属性分析技术得到广泛应用。
技术实现思路
专利技术人经过分析后发现，相关技术采用深度学习的方法来训练模型。然而，相关技术中的模型性能较差，对图像中多元属性的预测准确率较低。本专利技术实施例所要解决的一个技术问题是：如何提高对图像中多元属性的预测准确率。根据本专利技术一些实施例的第一个方面，提供一种多元属性预测模型的训练方法，包括：将训练图像输入到多元属性预测模型中，获得训练图像中的对象的多种属性分别对应的预测值，其中，所述训练图像的标记值包括每种属性对应的标记值；根据每种属性本文档来自技高网...

【技术保护点】
1.一种多元属性预测模型的训练方法，包括：/n将训练图像输入到多元属性预测模型中，获得训练图像中的对象的多种属性分别对应的预测值，其中，所述训练图像的标记值包括每种属性对应的标记值；/n根据每种属性的标记值与预测值的差距，确定每种属性对应的损失函数权重，其中，所述每种属性的标记值与预测值的差距与对应的损失函数权重成负相关关系；/n根据每种属性对应的损失函数权重、以及每种属性的标记值与预测值的差距，确定所述多元属性预测模型的总损失函数值；/n根据所述总损失函数值对所述多元属性预测模型的参数进行调整。/n

【技术特征摘要】
1.一种多元属性预测模型的训练方法，包括：
将训练图像输入到多元属性预测模型中，获得训练图像中的对象的多种属性分别对应的预测值，其中，所述训练图像的标记值包括每种属性对应的标记值；
根据每种属性的标记值与预测值的差距，确定每种属性对应的损失函数权重，其中，所述每种属性的标记值与预测值的差距与对应的损失函数权重成负相关关系；
根据每种属性对应的损失函数权重、以及每种属性的标记值与预测值的差距，确定所述多元属性预测模型的总损失函数值；
根据所述总损失函数值对所述多元属性预测模型的参数进行调整。


2.根据权利要求1所述的训练方法，其中，根据每种属性的标记值与预测值的差距、以及每种属性的类别数，确定每种属性对应的损失函数权重，其中，每种属性的类别数与相应的损失函数权重成正相关关系。


3.根据权利要求1或2所述的训练方法，其中，每种属性都具有标记值的训练图像为有效的训练图像；
所述根据每种属性的标记值与预测值的差距，确定每种属性对应的损失函数权重包括：
对于所述多种属性的每一种属性，将具有所述属性的标记值的训练图像确定为该属性对应的有效图像；
根据每种属性对应的有效图像的标记值与预测值的差距，确定每种属性对应的损失函数权重。


4.根据权利要求3所述的训练方法，其中，所述根据每种属性对应的有效图像的标记值与预测值的差距，确定每种属性对应的损失函数权重包括：
对于所述多种属性中的每种属性，根据对应的有效图像的标记值与预测值的差距的平方的平均值，确定该属性对应的有效平均损失；
根据属性的类别数与有效平均损失的比值，确定属性对应的损失函数权重。

【专利技术属性】
技术研发人员：石海林，朱睿，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11