模型训练方法、使用方法、相关装置及存储介质制造方法及图纸

本申请公开了一种模型训练方法、使用方法、相关装置及存储介质，其中，标志特征提取模型训练方法包括：获取标志的第一样本数据集；将第一样本数据集输入到预设的网络模型中进行训练，生成第一标志特征提取模型；获取标志的第二样本数据集；根据第二样本数据集和第一标志特征提取模型进行小样本训练，得到第二标志特征提取模型。本申请在现有技术对不常见标志的分类识别准确率低，效果差基础上，通过包括不常见的目标标志类型的图像样本数据的两个不同样本数据集，依次进行模型训练，生成标志特征提取模型，在不增加数据集成本的基础上，充分利用小样本训练集进行训练，达到更高分类识别精度和快速响应的目的，同时兼顾了模型的可扩展性。型的可扩展性。型的可扩展性。

【技术实现步骤摘要】
模型训练方法、使用方法、相关装置及存储介质


[0001]本专利技术涉及通信
，具体涉及一种模型训练方法、使用方法、相关装置及存储介质。

技术介绍

[0002]深度学习作为图像识别算法中的主流方法，在大规模数据集的情况下拥有极好的分类效果。然而现实中需要使用到图像识别算法的项目一般难以支付大规模数据集的构建成本，甚至有时候数据总量本身就很少，例如某些标志类型本身就不常见，采集的样本数据非常少，无法收集到训练深度学习模型所需要的数据量，因此导致该标志类型分类识别准确率低，效果差。

技术实现思路

[0003]本专利技术实施例提供一种模型训练方法、使用方法、相关装置及存储介质，在不增加数据集成本的基础上，充分利用小样本训练集进行训练，达到更高分类识别精度和快速响应的目的，同时兼顾了模型的可扩展性。
[0004]一方面，本申请提供一种标志特征提取模型训练方法，所述标志特征提取模型训练方法包括：
[0005]获取标志的第一样本数据集，所述第一样本数据集中包括目标标志类型的图像样本数据，所述目标标志类型为小样本标志类型；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种标志特征提取模型训练方法，其特征在于，所述标志特征提取模型训练方法包括：获取标志的第一样本数据集，所述第一样本数据集中包括目标标志类型的图像样本数据，所述目标标志类型为小样本标志类型；将所述第一样本数据集输入到预设的网络模型中进行训练，生成第一标志特征提取模型；获取标志的第二样本数据集，所述第二样本数据集与所述第一样本数据集为同种类的样本数据集，所述第二样本数据集中的数据全部为所述目标标志类型的图像样本数据，所述第一样本数据集和所述第二样本数据集不同；根据所述第二样本数据集和所述第一标志特征提取模型进行小样本训练，得到第二标志特征提取模型。2.根据权利要求1所述的标志特征提取模型训练方法，其特征在于，所述第一样本数据集中包括多种标志类型的图像样本数据，所述多种标志类型中包括目标标志类型；所述第一标志特征提取模型中损失函数为交叉熵损失函数；所述根据所述第二样本数据集和所述第一标志特征提取模型进行小样本训练，得到第二标志特征提取模型，包括：将所述第一标志特征提取模型中损失函数调整为三元组损失函数，得到第三标志特征提取模型；将所述第二样本数据集输入到所述第三标志特征提取模型中进行训练，生成第二标志特征提取模型。3.根据权利要求2所述的标志特征提取模型训练方法，其特征在于，所述获取标志的第二样本数据集，包括：从所述第一样本数据集中筛选目标标志类型的样本数据，得到所述样本数据集；或者，获取所述目标标志类型的小样本数据；对所述小样本数据进行增广处理，得到第二样本数据集，所述第二样本数据集中存在至少300个所述目标标志类型图像。4.根据权利要求1所述的标志特征提取模型训练方法，其特征在于，所述预设的网络模型中包括检测标志区域的第一检测器；所述第一标志特征提取模型中包括检测标志区域的第二检测器；所述根据所述第二样本数据集和所述第一标志特征提取模型进行小样本训练，得到第二标志特征提取模型，包括：将预设的网络模型中的第一检测器，替换为所述第一标志特征提取模型中的第二检测器，得到第四标志特征提取模型；将所述第二样本数据集输入到所述第四标志特征提取模型中进行训练，生成第二标志特征提取模型。5.一种模型使用方法，其特征在于，所述方法还包括：获取待识别的标志图像；将所述待识别的标志图像输入第二标志特征提取模型，以获取所述待识别的标志图像的第一分类特征。6.根据权利要求5所述的模型使用方法，其特征在于，所述方法还包括：
建立多...

【专利技术属性】
技术研发人员：冯昊楠，楚梦蝶，童星，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：