神经网络模型训练方法、识别方法、存储介质以及设备技术

本发明专利技术公开了神经网络模型训练方法、识别方法、存储介质以及设备，通过将训练三元组中的目标样本、正样本和负样本分别输入神经网络模型，通过神经网络模型进行逐样本学习；基于逐样本学习得到的与每个目标本对应的目标样本特征、正样本特征和负样本特征计算目标样本特征与正样本特征的距离以及目标样本特征与负样本特征的距离，并将计算得到的距离输入基于激励参数、目标样本特征与正样本特征的距离、目标样本特征与负样本特征的距离，利用Sigmoid函数构建的自适应三元组损失函数，获得目标样本的损失值；基于损失值对神经网络模型进行反向传播计算，实现了推动神经网络模型持续性的进行优化工作，提高了神经网络模型的训练质量。

【技术实现步骤摘要】
神经网络模型训练方法、识别方法、存储介质以及设备
本专利技术涉及数据处理
，尤其涉及一种神经网络模型训练方法、识别方法、存储介质以及设备。
技术介绍
随着生活水平的提高，人们对饮食健康的需求不断增加，在进行食材选择时，会更加注重营养搭配和食品安全。随着人工智能的发展，食材识别技术在膳食评估和智能家居等方向都有着广泛的应用。现有食材识别技术通常采用传统的分类网络检测食材类型，而该方法难以捕捉有区别性的局部细节，对差异性较小的食材种类辨识度不高，对于如香蕉和芭蕉、娃娃菜和大白菜等存在较大的类内相似性和细微的类间差异性的食材，利用传统的分类网络将达不到有效进行种类识别的效果。目前，通过三元组神经网络算法，可以有效弥补传统分类网络对相似而不同种类食材的判别能力不足的缺陷，但是，现有基于三元组的网络模型训练方法中，在小规模食材样本的情况下，网络模型训练比较困难，无法实现低成本的细粒度识别。
技术实现思路
本专利技术要解决的技术问题是：如何高效的进行神经网络模型训练，以提高神经网络模型的训练质量并改善在小规模食材样本下进行本文档来自技高网...

【技术保护点】
1.一种神经网络模型训练方法，其特征在于，包括：/n构建目标样本的训练三元组，所述训练三元组包括目标样本、正样本和负样本，所述正样本包括与所述目标样本同类的样本，所述负样本包括与所述目标样本异类的样本；/n将所述目标样本、所述正样本和所述负样本分别输入神经网络模型，得到与所述目标样本对应的目标样本特征，与所述正样本对应的正样本特征以及与所述负样本对应的负样本特征；/n计算所述目标样本特征与所述正样本特征的距离以及所述目标样本特征与所述负样本特征的距离，并将所述目标样本特征与所述正样本特征的距离以及所述目标样本特征与所述负样本特征的距离输入自适应三元组损失函数，以获得所述目标样本的损失值，其中，...

【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，包括：
构建目标样本的训练三元组，所述训练三元组包括目标样本、正样本和负样本，所述正样本包括与所述目标样本同类的样本，所述负样本包括与所述目标样本异类的样本；
将所述目标样本、所述正样本和所述负样本分别输入神经网络模型，得到与所述目标样本对应的目标样本特征，与所述正样本对应的正样本特征以及与所述负样本对应的负样本特征；
计算所述目标样本特征与所述正样本特征的距离以及所述目标样本特征与所述负样本特征的距离，并将所述目标样本特征与所述正样本特征的距离以及所述目标样本特征与所述负样本特征的距离输入自适应三元组损失函数，以获得所述目标样本的损失值，其中，所述自适应三元组损失函数是基于激励参数、所述目标样本特征与所述正样本特征的距离、所述目标样本特征与所述负样本特征的距离，采用Sigmoid函数构建的；
基于所述目标样本的损失值对所述神经网络模型进行反向传播计算，以得到训练好的所述神经网络模型。


2.根据权利要求1所述的方法，其特征在于，所述构建目标样本的训练三元组，所述训练三元组包括目标样本、正样本和负样本，所述正样本包括与所述目标样本同类的样本，所述负样本包括与所述目标样本异类的样本，包括：
基于相似性度量，确定出与所述目标样本对应的困难正样本和困难负样本，根据所述目标样本、所述困难正样本和所述困难负样本构建所述目标样本的训练三元组。


3.根据权利要求2所述的方法，其特征在于，根据所述目标样本、所述困难正样本和所述困难负样本构建所述目标样本的训练三元组包括基于以下表达式构建所述目标样本的训练三元组：
Tripletsamples＝[a,far(a,p)[α],near(a,n)[α]]
其中，a代表所述目标样本，p代表与所述目标样本对应的所述正样本，n代表与所述目标样本对应的所述负样本，α代表困难程度系数。


4.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括...

【专利技术属性】
技术研发人员：李聪，岳冬，陈翀，王玉宾，
申请(专利权)人：珠海格力电器股份有限公司，珠海联云科技有限公司，
类型：发明
国别省市：广东;44