模型的训练方法、图像处理方法、装置、电子设备及介质制造方法及图纸

本公开提供了一种模型的训练方法、图像处理方法、装置、电子设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，可应用于人脸识别等场景。具体实现方案为：将第一样本图像输入至第一待训练模型中，得到第一样本特征向量；将第二样本图像输入至第二待训练模型中，得到第二样本特征向量，第二待训练模型的网络架构与第一待训练模型的网络架构相同；提取第二样本特征向量的类别特征，得到类别中心特征向量；以及利用第一样本特征向量、第二样本特征向量和类别中心特征向量训练第一待训练模型和第二待训练模型，得到目标模型。得到目标模型。得到目标模型。

【技术实现步骤摘要】
模型的训练方法、图像处理方法、装置、电子设备及介质


[0001]本公开涉及人工智能
，尤其涉及深度学习、计算机视觉
，可应用于人脸识别等场景。具体涉及模型的训练方法、图像处理方法、装置、电子设备、存储介质以及程序产品。

技术介绍

[0002]随着数据源以及数据层次的增长，依靠人工来分析和处理由此产生的海量数据变得越来越困难。计算机视觉技术为解放人力提供巨大潜力。计算机视觉是一门研究如何使用电子设备“看”的科学，即，利用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等的科学技术。计算机视觉技术为公共安全、信息安全、金融安全层面的应用发展提供巨大帮助。

技术实现思路

[0003]本公开提供了一种模型的训练方法、图像处理方法、装置、电子设备、存储介质以及程序产品。
[0004]根据本公开的一方面，提供了一种模型的训练方法，包括：将第一样本图像输入至第一待训练模型中，得到第一样本特征向量；将第二样本图像输入至第二待训练模型中，得到第二样本特征向量，其中，所述第二待训练模型的网络架构与所述第一待训练模型的网络架构相同；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型的训练方法，包括：将第一样本图像输入至第一待训练模型中，得到第一样本特征向量；将第二样本图像输入至第二待训练模型中，得到第二样本特征向量，其中，所述第二待训练模型的网络架构与所述第一待训练模型的网络架构相同；提取所述第二样本特征向量的类别特征，得到类别中心特征向量；以及利用所述第一样本特征向量、第二样本特征向量和所述类别中心特征向量训练所述第一待训练模型和所述第二待训练模型，得到目标模型。2.根据权利要求1所述的方法，其中，所述利用所述第一样本特征向量、第二样本特征向量和所述类别中心特征向量训练所述第一待训练模型，得到目标模型包括：将目标特征向量从队列中取出，其中，所述队列中预先添加有所述第二样本特征向量和所述类别中心特征向量，所述目标特征向量包括所述第二样本特征向量或所述类别中心特征向量；以及利用所述第一样本特征向量和所述目标特征向量，训练所述第一待训练模型和所述第二待训练模型，得到所述目标模型。3.根据权利要求2所述的方法，其中，所述利用所述第一样本特征向量和所述目标特征向量，训练所述第一待训练模型和所述第二待训练模型，得到所述目标模型包括：确定与所述目标特征向量相匹配的目标损失函数；将所述第一样本特征向量和所述目标特征向量输入至所述目标损失函数中，得到损失值；基于所述损失值，调整所述第一待训练模型的参数，直到损失值收敛；将损失值收敛的模型作为所述目标模型；以及基于所述目标模型的参数，按照动量更新的方式更新所述第二待训练模型，得到训练后的第二待训练模型。4.根据权利要求3所述的方法，其中，所述确定与所述目标特征向量相匹配的目标损失函数包括：响应于所述目标特征向量为所述第二样本特征向量，将第一预定损失函数作为所述目标损失函数；以及响应于所述目标特征向量为所述类别中心特征向量，将第二预定损失函数作为所述目标损失函数，其中，所述第一预定损失函数与所述第二预定损失函数包括类别中心对比损失函数，所述第一预定损失函数的权重与所述第二预定损失函数的权重不同。5.根据权利要求2至4中任一项所述的方法，还包括：将历史批次的目标特征向量从所述队列中取出，以便利用所述历史批次的目标特征向量和当前批次的第一样本特征向量，训练所述第一待训练模型和所述第二待训练模型，其中，所述历史批次的目标特征向量是利用历史批次的第二待训练模型得到的，所述当前批次的第一样本特征向量是利用当前批次的第一待训练模型得到的，所述历史批次的第二待训练模型的训练批次小于所述当前批次的第一待训练模型的训练批次。6.根据权利要求1至5中任一项所述的方法，还包括：对所述第一样本图像进行数据增强处理，得到所述第二样本图像。7.根据权利要求1至6中任一项所述的方法，其中，所述提取所述第二样本特征向量的
类别特征，得到类别中心特征向量包括：利用全连接层提取所述第二样本特征向量的类别特征，得到所述类别中心特征向量。8.一种图像处理方法，包括：将待处理图像输入至目标模型中，得到所述待处理图像的特征向量；以及确定所述待处理图像的特征向量与预定图像的特征向量之间的相似度，以便基于所述待处理图像的特征向量与预定图像的特征向量之间的相似度，确定所述待处理图像和所述预定图像之间的相似度，其中，所述预定图像的特征向量是利用所述目标模型提取到的；其中，所述目标模型是利用根据权利要求1至7中任一项所述的训练方法训练得到的。9.一种模型的训练装置，包括：第一输入模块，用于将第一样本图像输入至第一待训练模型中，得到第一样本特征向量；第二输入模块，用于将第二样本图像输入至第二待训练模型中，得到第二样本特征向量，其中，所述第二待训练模型的网络架构与所述第一待训练模型的网络架构相同；提取模块，用于提取所述第二样本特征向量的类别特征，得到类别中心特征向量；以及训练模块...

【专利技术属性】
技术研发人员：杨馥魁，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：