图像分类识别模型训练方法、装置及计算机设备制造方法及图纸

本发明专利技术公开了一种图像分类识别模型训练方法、装置及计算机设备，方法包括：基于本地开放图像训练获取图像自编码器；基于图像自编码器处理远程敏感图像获得第一图像特征集，并基于图像自编码器处理本地开放图像获得第二图像特征集；第一图像特征集与第二图像特征集组成图像特征训练集；基于图像特征训练集训练预先建立的图像分类识别模型获得目标图像分类识别模型；基于本地开放图像数据训练得到的图像自编码器对远程敏感图像数据进行脱敏特征提取，然后结合远程和本地的脱敏特征集获得图像特征训练集进行图像分类识别模型的训练，最终实现在不访问原始敏感数据的情况下进行图像分类识别学习，同时保证了学习所用的样本量和识别准确率。和识别准确率。和识别准确率。

【技术实现步骤摘要】
图像分类识别模型训练方法、装置及计算机设备


[0001]本专利技术涉及计算机图像处理领域，具体涉及一种图像分类识别模型训练方法、装置及计算机设备。

技术介绍

[0002]随着大数据处理和人工智能(AI)技术的快速发展，利用传统机器学习或深度神经网络对海量图像数据进行信息挖掘和分类识别已经成为各行各业关注的重点。但一方面，对图像数据进行准确地分类识别需要基于大量的真实图像数据样本来对图像分类识别模型进行训练，另一方面，很多实际的业务部门或生产线获得的图像具有高度隐私性和保密性，无法将数据访问权限完全开放给内部或第三方的研发人员，尤其是要求研发人员不能访问原始敏感图像数据，这就导致在获取图像分类识别模型训练集时无法获取原始敏感图像数据，训练集中的数据量有限，给图像分类识别模型的研发带来了巨大阻碍。
[0003]因此需要一种图像分类识别模型训练方法，既能保证原始敏感图像信息不被泄露，同时又能保证有足够丰富和真实的图像视觉特征用于图像分类识别模型的训练。

技术实现思路

[0004]本专利技术目的是：提供能够使用敏感图像数据进行训练的一种图像分类识别模型训练方法、装置及计算机设备。
[0005]本专利技术的技术方案是：第一方面，本专利技术提供一种图像分类识别模型训练方法，所述方法包括：
[0006]基于本地开放图像训练获取图像自编码器；
[0007]基于所述图像自编码器处理所述本地开放图像获得第一图像特征集，并基于所述图像自编码器处理远程敏感图像获得第二图像特征集；所述第一图像特征集与所述第二图像特征集组成图像特征训练集；
[0008]基于所述图像特征训练集训练预先建立的图像分类识别模型获得目标图像分类识别模型。
[0009]在一种较佳的实施方式中，所述基于本地开放图像训练获取图像自编码器包括：
[0010]基于卷积神经网络构建用于将图像转换为图像特征的编码器和根据图像特征重构图像的解码器，所述图像自编码器包括所述编码器与所述解码器；
[0011]基于本地开放图像训练所述编码器和所述解码器并以预先构建的损失函数最小化所述解码器重构图像与所述编码器转换的原图像的误差。
[0012]在一种较佳的实施方式中，所述基于本地开放图像训练所述编码器和所述解码器并以预先构建的损失函数最小化所述解码器重构图像与所述编码器转换的原图像的误差之前，所述方法还包括：
[0013]基于第一用户ID和安全访问策略获取本地开放图像，所述第一用户ID为具有访问本地开放图像权限但不具有远程访问敏感图像权限的ID。
[0014]在一种较佳的实施方式中，所述基于所述图像自编码器处理远程敏感图像获得第二图像特征集之前，所述方法还包括：
[0015]基于第二用户ID和安全访问策略获取远程敏感图像，所述第二用户ID为具有远程访问敏感图像权限的ID；
[0016]所述第二图像特征集包括所述远程敏感图像经所述图像自编码器脱敏处理后的图像特征。
[0017]在一种较佳的实施方式中，所述基于所述图像自编码器处理远程敏感图像获得第二图像特征集包括：
[0018]基于所述图像自编码器脱敏处理所述远程敏感图像获得保留所述远程敏感图像结构和纹理，并过滤文字、面部信息的图像特征。
[0019]在一种较佳的实施方式中，所述基于所述图像自编码器处理远程敏感图像获得第二图像特征集之后，所述方法还包括：
[0020]下载存储所述第二图像特征集至本地以便基于所述第一用户ID和安全访问策略获取所述第二图像特征集。
[0021]在一种较佳的实施方式中，所述图像特征训练集包括图像特征以及与所述图像特征对应的标注分类信息。
[0022]在一种较佳的实施方式中，所述基于所述图像特征训练集训练预先建立的图像分类识别模型获得目标图像分类识别模型包括：
[0023]基于所述图像特征与所述标注分类信息训练预先建立的图像分类识别模型获得目标图像分类识别模型，所述目标图像分类识别模型对测试样本进行预测后获得所述测试样本对应的类别标签。
[0024]第二方面，本专利技术还提供一种图像分类识别模型训练装置，所述装置包括：
[0025]第一获取模块，用于基于本地开放图像训练获取图像自编码器；
[0026]第二获取模块，用于基于所述图像自编码器处理所述本地开放图像获得第一图像特征集，并基于所述图像自编码器处理远程敏感图像获得第二图像特征集；所述第一图像特征集与所述第二图像特征集组成图像特征训练集；
[0027]训练模块，用于基于所述图像特征训练集训练预先建立的图像分类识别模型获得目标图像分类识别模型。
[0028]第三方面，本专利技术还提供一种计算机设备，包括：
[0029]一个或多个处理器；以及
[0030]与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行第一方面中任一所述的方法。
[0031]本专利技术的优点是：本专利技术提供一种图像分类识别模型训练方法、装置及计算机设备，方法包括：基于本地开放图像训练获取图像自编码器；基于图像自编码器处理远程敏感图像获得第一图像特征集，并基于图像自编码器处理本地开放图像获得第二图像特征集；第一图像特征集与第二图像特征集组成图像特征训练集；基于图像特征训练集训练预先建立的图像分类识别模型获得目标图像分类识别模型；基于本地开放图像数据训练得到的图像自编码器对远程敏感图像数据进行脱敏特征提取，然后结合远程和本地的脱敏特征集获得图像特征训练集进行图像分类识别模型的训练，最终实现在不访问原始敏感数据的情况
下进行图像分类识别学习，同时保证了学习所用的样本量和识别准确率。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术实施例所提供的图像分类识别模型训练方法的流程图；
[0034]图2为本专利技术实施例所提供的图像分类识别模型训练方法中基于本地开放图像训练获取图像自编码器的流程图；
[0035]图3为本专利技术实施例所提供的图像分类识别模型训练方法中基于本地开放图像和远程敏感图像的脱敏特征提取和识别流程图；
[0036]图4为本专利技术实施例所提供的图像分类识别模型装置结构图；
[0037]图5为本专利技术实施例所提供的计算机设备的架构图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类识别模型训练方法，其特征在于，所述方法包括：基于本地开放图像训练获取图像自编码器；基于所述图像自编码器处理所述本地开放图像获得第一图像特征集，并基于所述图像自编码器处理远程敏感图像获得第二图像特征集；所述第一图像特征集与所述第二图像特征集组成图像特征训练集；基于所述图像特征训练集训练预先建立的图像分类识别模型获得目标图像分类识别模型。2.根据权利要求1所述的图像分类识别模型训练方法，其特征在于，所述基于本地开放图像训练获取图像自编码器包括：基于卷积神经网络构建用于将图像转换为图像特征的编码器和根据图像特征重构图像的解码器，所述图像自编码器包括所述编码器与所述解码器；基于本地开放图像训练所述编码器和所述解码器并以预先构建的损失函数最小化所述解码器重构图像与所述编码器转换的原图像的误差。3.根据权利要求2所述的图像分类识别模型训练方法，其特征在于，所述基于本地开放图像训练所述编码器和所述解码器并以预先构建的损失函数最小化所述解码器重构图像与所述编码器转换的原图像的误差之前，所述方法还包括：基于第一用户ID和安全访问策略获取本地开放图像，所述第一用户ID为具有访问本地开放图像权限但不具有远程访问敏感图像权限的ID。4.根据权利要求3所述的图像分类识别模型训练方法，其特征在于，所述基于所述图像自编码器处理远程敏感图像获得第二图像特征集之前，所述方法还包括：基于第二用户ID和安全访问策略获取远程敏感图像，所述第二用户ID为具有远程访问敏感图像权限的ID；所述第二图像特征集包括所述远程敏感图像经所述图像自编码器脱敏处理后的图像特征。5.根据权利要求4所述的图像分类识别模型训练方法，其特征在于，所述基于所述图像自编码器处理远程敏感图像获得第二图像特征...

【专利技术属性】
技术研发人员：丁拥科，
申请(专利权)人：众安在线财产保险股份有限公司，
类型：发明
国别省市：