目标识别模型的训练方法和目标识别方法及相关装置制造方法及图纸

本申请公开了一种目标识别模型的训练方法和目标识别方法及相关装置，其中，目标识别模型的训练方法包括：基于目标识别模型的特征提取网络，提取样本图像的样本图像特征，且样本图像标注有样本图像所属的样本类别，再基于目标识别模型的分类网络，度量样本图像特征分别与各种样本类别的特征相似度，并度量样本图像特征分别与各种样本类别的特征距离，且分类网络包含各种样本类别的参考特征；并基于样本图像所属的样本类别和二元损失函数，对样本图像特征与各样本类别的特征相似度和特征距离进行损失度量，得到第一损失，并基于第一损失，调整目标识别模型的网络参数。上述方案，能够提高目标识别模型的鲁棒性、准确性以及模型的训练效率。训练效率。训练效率。

【技术实现步骤摘要】
目标识别模型的训练方法和目标识别方法及相关装置


[0001]本申请涉及图像识别
，特别是涉及一种目标识别模型的训练方法和目标识别方法及相关装置。

技术介绍

[0002]随着深度学习技术的快速发展，深度学习模型已经在越来越多领域得到广泛应用。在深度学习模型的训练过程中，鲁棒性是评价模型性能的重要指标之一。
[0003]目前，在对图像进行目标识别所采用的目标识别模型，在其训练过程中，通常采用基于softmax损失进行多分类的训练方式。然而，进行多分类的损失计算过程中，容易受到其他类别噪声的影响，有鉴于此，如何提高目标识别模型的鲁棒性成为亟待解决的问题。

技术实现思路

[0004]本申请主要解决的技术问题是提供一种目标识别模型的训练方法和目标识别方法及相关装置，能够提高目标识别模型的鲁棒性、准确性以及模型的训练效率。
[0005]为了解决上述技术问题，本申请第一方面提供了一种目标识别模型的训练方法，包括：基于目标识别模型的特征提取网络，提取样本图像的样本图像特征，且样本图像标注有样本图像所属的样本类别，再基于目标识别模型的分类网络，度量样本图像特征分别与各种样本类别的特征相似度，并度量样本图像特征分别与各种样本类别的特征距离，且分类网络包含各种样本类别的参考特征；此外，基于样本图像所属的样本类别和二元损失函数，对样本图像特征与各样本类别的特征相似度和特征距离进行损失度量，得到第一损失，在此基础上，基于第一损失，调整目标识别模型的网络参数。
[0006]为了解决上述技术问题，本申请第二方面提供了一种目标识别方法，包括：获取待识别图像和目标图像，基于目标识别模型分别提取待识别图像的待识别图像特征和目标图像的目标图像特征，且目标识别模型基于上述第一方面中的目标识别模型训练得到，再基于待识别图像特征和目标图像特征进行分析，确定待识别图像和目标图像是否为相同类别。
[0007]为了解决上述技术问题，本申请第三方面提供了一种目标识别模型的训练装置，包括提取模块、度量模块、确定模块和调整模块；其中，提取模块用于基于目标识别模型的特征提取网络，提取样本图像的样本图像特征，且样本图像标注有样本图像所属的样本类别；度量模块用于基于目标识别模型的分类网络，度量样本图像特征分别与各种样本类别的特征相似度，并度量样本图像特征分别与各种样本类别的特征距离，且分类网络包含各种样本类别的参考特征；确定模块用于基于样本图像所属的样本类别和二元损失函数，对样本图像特征与各样本类别的特征相似度和特征距离进行损失度量，得到第一损失；调整模块用于基于第一损失，调整目标识别模型的网络参数。
[0008]为了解决上述技术问题，本申请第四方面提供了一种目标识别装置，包括获取模块、提取模块和确定模块；其中，获取模块用于获取待识别图像和目标图像；提取模块用于
基于目标识别模型分别提取待识别图像的待识别图像特征和目标图像的目标图像特征，且目标识别模型基于上述第三方面中的目标识别模型训练得到；确定模块用于基于待识别图像特征和目标图像特征进行分析，确定待识别图像和目标图像是否为相同类别。
[0009]为了解决上述技术问题，本申请第五方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的目标识别模型的训练方法，或实现上述第二方面中的目标识别方法。
[0010]为了解决上述技术问题，本申请第六方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的目标识别模型的训练方法，或实现上述第二方面中的目标识别方法。
[0011]上述方案，基于目标识别模型的特征提取网络，提取样本图像的样本图像特征，且样本图像标注有样本图像所属的样本类别，再基于目标识别模型的分类网络，度量样本图像特征分别与各种样本类别的特征相似度，并度量样本图像特征分别与各种样本类别的特征距离，且分类网络包含各种样本类别的参考特征；此外，基于样本图像所属的样本类别和二元损失函数，对样本图像特征与各样本类别的特征相似度和特征距离进行损失度量，得到第一损失，在此基础上，基于第一损失，调整目标识别模型的网络参数，一方面通过目标识别模型的分类网络度量样本图像与各种样本类别的特征相似度和特征距离，得到样本图像与各种样本类别之间的差异，有助于提高获取到差异值的准确性，另一方面由于基于样本图像所属的样本类别、样本图像特征与各种样本类别的特征相似度和特征距离，尽可能地减少噪声影响，进一步提高模型训练过程中的有效性。故此，能够提高目标识别模型的鲁棒性、准确性以及模型的训练效率。
附图说明
[0012]图1是本申请目标识别模型的训练方法一实施例的流程示意图；
[0013]图2是参考特征和样本图像特征映射到三维球面一实施例的示意图；
[0014]图3是参考特征的相似特征范围一实施例的示意图；
[0015]图4是本申请目标识别模型的训练方法另一实施例的流程示意图；
[0016]图5是本申请目标识别方法一实施例的流程示意图；
[0017]图6是本申请目标识别模型的训练装置一实施例的框架示意图；
[0018]图7是本申请目标识别装置一实施例的框架示意图；
[0019]图8是本申请电子设备一实施例的框架示意图；
[0020]图9是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
[0021]下面结合说明书附图，对本申请实施例的方案进行详细说明。
[0022]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
[0023]本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对
象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
[0024]请参阅图1，图1是本申请目标识别模型的训练方法一实施例的流程示意图。具体而言，可以包括如下步骤：
[0025]步骤S11：基于目标识别模型的特征提取网络，提取样本图像的样本图像特征。
[0026]本公开实施例中，样本图像标注有样本图像所属的样本类别，示例性地，若为动物样本图像，样本图像标注有具体的动物类别，例如：狮子、袋鼠等；若为人脸样本图像，样本图像标注有人脸所属人物的表征，例如：张三、0001等。样本图像可以根据实际情况进行选择，在此不做具体限定。
[0027]在一个实施场景中，特征提取网络可以是resnet系列网络，也可以是MobileNet系列网络，特征提取网络可以根据实际情况进行选择，在此不做具体限定。
[0028]步骤S12：基于目标识别模型的分类网络，度量样本图像特征分别与各种样本类别的特征相似度，并度量样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别模型的训练方法，其特征在于，包括：基于目标识别模型的特征提取网络，提取样本图像的样本图像特征；其中，所述样本图像标注有所述样本图像所属的样本类别；基于所述目标识别模型的分类网络，度量所述样本图像特征分别与各种样本类别的特征相似度，并度量所述样本图像特征分别与所述各种样本类别的特征距离；其中，所述分类网络包含所述各种样本类别的参考特征；基于所述样本图像所属的样本类别和二元损失函数，对所述样本图像特征与所述各种样本类别的特征相似度和特征距离进行损失度量，得到第一损失；基于所述第一损失，调整所述目标识别模型的网络参数。2.根据权利要求1所述的方法，其特征在于，所述第一损失包含所述各种样本类别分别对应的子损失，且所述样本图像所属的样本类别对应的子损失、所述样本图像无关的样本类别对应的子损失分别基于不同方式度量得到。3.根据权利要求1或2所述的方法，其特征在于，所述基于所述样本图像所属的样本类别和二元损失函数，对所述样本图像特征与所述各种样本类别的特征相似度和特征距离进行损失度量，得到第一损失，包括：基于所述样本图像特征与所述各样本类别的特征相似度和特征距离，得到所述各种样本类别的第二损失；基于所述第二损失与所述样本图像所属的样本类别，得到所述第一损失。4.根据权利要求3所述的方法，其特征在于，对于所述样本图像所属的样本类别，所述第二损失与所述特征相似度正相关，所述第二损失与所述特征距离正相关；和/或，对于所述样本图像无关的样本类别，所述第二损失与所述特征相似度负相关，所述第二损失与所述特征距离负相关。5.根据权利要求3所述的方法，其特征在于，所述基于所述第二损失与所述样本图像所属的样本类别，得到所述第一损失，包括：基于所述样本图像所属的样本类别，得到所述各种样本类别对应的损失权重；其中，所述样本图像所属的样本类别的损失权重，与所述各种样本类别的总数量正相关，所述样本图像无关的样本类别的损失权重，与所述各种样本类别的总数量负相关；基于所述各种样本类别对应的损失权重，分别对所述各种样本类别的第二损失进行加权，得到所述第一损失。6.根据权利要求1所述的方法，其特征在于，所述度量所述样本图像特征分别与所述各种样本类别的特征距离，包括：获取所述样本图像特征分别与所述各种样本类别的参考特征之间的欧氏距离；基于所述各种样本类别分别对应的欧氏距离进行数值映射...

【专利技术属性】
技术研发人员：王文安，朱树磊，殷俊，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：