数字识别模型的训练方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能和图像识别领域，具体公开了一种数字识别模型的训练方法、装置、设备及存储介质，所述方法包括：获取样本图像和所述样本图像对应的数字标签；对所述样本图像进行图像裁剪，将图像裁剪后的剩余图像作为第一训练图像；对所述样本图像进行数据增强得到第二训练图像；将所述第一训练图像和所述第二训练图像分别输入神经网络，得到所述第一训练图像对应的第一输出值和所述第二训练图像对应的第二输出值，并根据所述数字标签计算所述神经网络的损失函数值以及所述第一输出值和所述第二输出值之间的相似度；根据所述损失函数值和所述相似度对所述神经网络进行迭代训练，并在所述神经网络收敛时，将所述神经网络作为数字识别模型。作为数字识别模型。作为数字识别模型。

【技术实现步骤摘要】
数字识别模型的训练方法、装置、设备及存储介质


[0001]本申请涉及人工智能领域，尤其涉及一种数字识别模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]目前，在进行数字识别时大多是对深度神经网络进行训练得到神经网络模型，从而利用得到的神经网络模型实现对数字的识别。但为了保证训练出的分类模型的准确度，往往需要获取大量的训练数据来参与模型的训练，这使得训练的成本较高。

技术实现思路

[0003]本申请提供了一种数字识别模型的训练方法、装置、设备及存储介质，以对训练样本进行扩充并加快训练速度。
[0004]第一方面，本申请提供了一种数字识别模型的训练方法，所述方法包括：
[0005]获取样本图像和所述样本图像对应的数字标签；
[0006]对所述样本图像进行图像裁剪，将图像裁剪后的剩余图像作为第一训练图像；
[0007]对所述样本图像进行数据增强得到第二训练图像；
[0008]将所述第一训练图像和所述第二训练图像分别输入神经网络，得到所述第一训练图像对应的第一输出值和所述第二训练图像对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字识别模型的训练方法，其特征在于，所述方法包括：获取样本图像和所述样本图像对应的数字标签；对所述样本图像进行图像裁剪，将图像裁剪后的剩余图像作为第一训练图像；对所述样本图像进行数据增强得到第二训练图像；将所述第一训练图像和所述第二训练图像分别输入神经网络，得到所述第一训练图像对应的第一输出值和所述第二训练图像对应的第二输出值，并根据所述数字标签计算所述神经网络的损失函数值以及所述第一输出值和所述第二输出值之间的相似度；根据所述损失函数值和所述相似度对所述神经网络进行迭代训练，并在所述神经网络收敛时，将所述神经网络作为数字识别模型。2.根据权利要求1所述的数字识别模型的训练方法，其特征在于，所述对所述样本图像进行图像裁剪，包括：对所述样本图像进行霍夫变换和索贝尔算子处理，确定所述样本图像的数字类型；根据所述数字类型确定图像裁剪方式，并根据所述图像裁剪方式对所述样本图像进行图像裁剪。3.根据权利要求2所述的数字识别模型的训练方法，其特征在于，所述样本图像的数字类型包括第一类型和第二类型；所述根据所述数字类型确定图像裁剪方式，包括：当所述数字类型为第一类型时，确定所述样本图像的图像裁剪方式为在所述样本图像的左右两端进行裁剪；当所述数字类型为第二类型时，确定所述样本图像的图像裁剪方式为在所述样本图像的上下两端进行裁剪。4.根据权利要求1所述的数字识别模型的训练方法，其特征在于，所述对所述样本图像进行图像裁剪，将图像裁剪后的剩余图像作为第一训练图像，包括：对所述样本图像进行图像裁剪，并对图像裁剪后的剩余图像进行数据增强，得到第一图像，所述数据增强包括变换、旋转和更改色调中的至少一种。5.根据权利要求1所述的数字识别模型的训练方法，其特征在于，在所述将所述第一训练图像和所述第二训练图像分别输入神经网络，得到所述第一训练图像对应的第一输出值和所述第二训练图像对应的第二输出值，并根据所述数字标签计算所述神经网络的损失函数值以及所述第一输出值和所述第二输出值之间的相似度之前，所述方法包括：确定所述样本图像中的数字位置，并在所述数字位置确定剪切区域，对所述剪切区域进行剪切，得到剪切区域图像和剪切后的剩余图像；将所述剪切区域图像粘贴在所述剪切后的剩余图像上得到第三训练图像；所述将所述第一训练图像和所述第二训练图像分别输入神经网络，得到所述第一训练图像对应的第一输出值和所述第二训练图像对应的第...

【专利技术属性】
技术研发人员：郑喜民，陈振宏，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：