图像数据处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请公开了一种图像数据处理方法、装置、计算机设备和存储介质，该方法包括：将N个标签图像和M个无标签图像输入图像识别模型；在图像识别模型中确定每个标签图像包含的对象的第一身份预测结果，从图像集合中获取每个标签图像的相似图像；图像集合包括N个标签图像和M个无标签图像；每个标签图像的相似图像未携带所属标签图像携带的对象身份标签；根据每个标签图像与所属相似图像确定相似差异损失函数，根据每个标签图像的第一身份预测结果和携带的对象身份标签确定预测损失函数；基于相似差异损失函数和预测损失函数修正图像识别模型的模型参数，得到目标图像识别模型。采用本申请，可提高目标图像识别模型对于对象身份识别的准确性。

【技术实现步骤摘要】
图像数据处理方法、装置、计算机设备和存储介质
本申请涉及图像数据处理的
，尤其涉及一种图像数据处理方法、装置、计算机设备和存储介质。
技术介绍
随着计算机网络的不断发展，AI（人工智能）被应用在了生活的方方面面，例如通过人工智能中的机器学习训练模型，进而可以利用训练得到的模型进行图像识别。现有技术中，通常可以根据样本数据的类别标签，预先设定好期望的全局分类边界，使得模型依据该边界逐步学习出样本数据的特征空间。而通过预先设定好期望的全局分类边界来训练模型，通常会使得所训练得到的模型会偏向于某种类别的属性。例如，在人脸识别场景中，会使得所训练得到的模型偏向某类人脸中的肤色属性、发型属性或者饰品属性等，而当模型偏向于这些类别的人脸属性时，会使得模型在进行人脸识别时，更偏向于识别此类人脸属性，而导致对全局人脸属性的识别准确度低。
技术实现思路
本申请提供了一种图像数据处理方法、装置、计算机设备和存储介质，可提高目标图像识别模型对于对象身份识别的准确性。本申请一方面提供了一种图像数据处理方法，包括：获取N本文档来自技高网...

【技术保护点】
1.一种图像数据处理方法，其特征在于，包括：/n获取N个标签图像和M个无标签图像，将所述N个标签图像和所述M个无标签图像输入图像识别模型；N和M均为正整数；所述N个标签图像分别携带有所包含的对象的对象身份标签；所述N个标签图像所携带的对象和所述M个无标签图像所携带的对象属于相同的对象类型；/n在所述图像识别模型中确定每个标签图像所包含的对象的第一身份预测结果，从图像集合中获取所述每个标签图像的相似图像；所述图像集合包括所述N个标签图像和所述M个无标签图像；所述每个标签图像的相似图像未携带所属标签图像所携带的对象身份标签；/n根据所述每个标签图像与所属的相似图像之间的图像相似度确定相似差异损失函...

【技术特征摘要】
1.一种图像数据处理方法，其特征在于，包括：
获取N个标签图像和M个无标签图像，将所述N个标签图像和所述M个无标签图像输入图像识别模型；N和M均为正整数；所述N个标签图像分别携带有所包含的对象的对象身份标签；所述N个标签图像所携带的对象和所述M个无标签图像所携带的对象属于相同的对象类型；
在所述图像识别模型中确定每个标签图像所包含的对象的第一身份预测结果，从图像集合中获取所述每个标签图像的相似图像；所述图像集合包括所述N个标签图像和所述M个无标签图像；所述每个标签图像的相似图像未携带所属标签图像所携带的对象身份标签；
根据所述每个标签图像与所属的相似图像之间的图像相似度确定相似差异损失函数，根据所述每个标签图像对应的第一身份预测结果和所携带的对象身份标签确定预测损失函数；
基于所述相似差异损失函数和所述预测损失函数修正所述图像识别模型的模型参数，得到目标图像识别模型；所述目标图像识别模型用于对属于所述对象类型的对象进行身份识别。


2.根据权利要求1所述的方法，其特征在于，所述从图像集合中获取所述每个标签图像的相似图像，包括：
在所述图像识别模型中生成所述每个标签图像的图像特征向量和每个无标签图像的图像特征向量；
根据所述每个标签图像的图像特征向量和每个无标签图像的图像特征向量，生成相似度矩阵；
从所述相似度矩阵中获取所述每个标签图像分别与所述图像集合中的图像之间的图像相似度；
根据所述每个标签图像分别与所述图像集合中的图像之间的图像相似度，从所述图像集合中确定所述每个标签图像的相似图像。


3.根据权利要求2所述的方法，其特征在于，所述N个标签图像包括标签图像i，i为小于或等于N的正整数；
所述根据所述每个标签图像分别与所述图像集合中的图像之间的图像相似度，从所述图像集合中确定所述每个标签图像的相似图像，包括：
从所述图像集合中过滤与所述标签图像i携带有相同对象身份标签的图像，得到参考图像集合；
按照所述标签图像i分别与所述参考图像集合中的每个图像之间的图像相似度的从大到小的顺序，对所述每个图像进行排序，得到参考图像序列；
获取相似图像数量k，将所述参考图像序列中的前k个图像确定为所述标签图像i的相似图像；k为小于N和M之和的正整数。


4.根据权利要求2所述的方法，其特征在于，所述根据所述每个标签图像的图像特征向量和每个无标签图像的图像特征向量，生成相似度矩阵，包括：
获取对所述每个标签图像的图像特征向量进行规范化操作后所得到的规范特征向量，获取对所述每个无标签图像的图像特征向量进行规范化操作后所得到的规范特征向量；
获取包括所述每个标签图像的规范特征向量的第一特征矩阵和包括所述每个无标签图像的规范特征向量的第二特征矩阵；
对所述第一特征矩阵和所述第二特征矩阵进行拼接，得到目标特征矩阵；
获取所述目标特征矩阵的转置矩阵，将所述第一特征矩阵和所述转置矩阵的乘积确定为所述相似度矩阵。


5.根据权利要求1所述的方法，其特征在于，所述根据所述每个标签图像与所属的相似图像之间的图像相似度确定相似差异损失函数，包括：
根据所述每个标签图像与所属的相似图像之间的图像相似度，分别确定所述每个标签图像与所属的相似图像之间的相似度均值；
根据所述每个标签图像与所属的相似图像之间的相似度均值生成均值序列；
将所述均值序列的方差函数，确定为所述相似差异损失函数。


6.根据权利要求1所述的方法，其特征在于，所述基于所述相似差异损失函数和所述预测损失函数修正所述图像识别模型的模型参数，得到目标图像识别模型，包括：
对所述相似差异损失函数和所述预测损失函数进行求和，得到目标损失函数；
基于所述目标损失函数修正所述图像识别模型的模型参数；
当检测到对所述图像识别模型的模型参数修正至收敛状态时，将模型参数处于所述收敛状态的所述图像识别模型确定为所述目标图像识别模型。


7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述N个标签图像输入初始图像识别模型；
在所述初始图像识别模型中确定所述每个标签图像所包含的对象的第二身份预测结果；
根据所述每个标签图像对应的第二身份预测结果和所述每个标签图像所携带的对象身份标签，修正所述初始图像识别模型的模型参数，得到所述图像识别模型。


8.根据权利要求1所述的方法，其特征在于，所述在所述图像识别模型中确定每个标签图像所包含的对象的第一身份预测结果，包括：
在所述图像识别模型中生成所述每个标签图像的图像特征向量；
对所述每个标签图像的图像特征向量进行规范化操作，得到所述每个标签图像的规范特征向量；<...

【专利技术属性】
技术研发人员：徐兴坤，黄余格，沈鹏程，李绍欣，李季檩，黄飞跃，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44