图像识别模型的训练方法及装置、图像识别方法和装置制造方法及图纸

本说明书实施例提供了图像识别模型的训练方法和装置以及图像识别方法和装置。模型训练方法包括：将图像识别初级模型拆分为第一子模型以及第二子模型；在每一轮训练中，执行：将样本图像输入第一子模型，得到第一子模型输出的该样本图像的特征向量；将第一子模型输出的该样本图像的特征向量输入第二子模型，得到第二子模型输出的图像识别结果；以及根据第一子模型输出的特征向量以及第二子模型输出的图像识别结果，调整第一子模型的参数以及第二子模型的参数，直至所述图像识别模型收敛。本说明书实施例能够避免用户的隐私泄露，提高安全性。性。性。

【技术实现步骤摘要】
图像识别模型的训练方法及装置、图像识别方法和装置


[0001]本说明书一个或多个实施例涉及人工智能技术，尤其涉及图像识别模型的训练方法及装置、图像识别方法和装置。

技术介绍

[0002]在图像识别技术中，需要把图片的信息上传到云端的服务器，由云端服务器根据图片的信息进行识别。比如在进行人脸认证时，需要将用户的人脸图像上传到云端服务器。再如，在进行风险评估时，需要将用户的身份证照片上传到云端服务器。
[0003]在图像识别技术中，需要上传的图片信息通常都会涉及用户隐私，直接上传这些图片信息就会导致用户的隐私泄露，降低了图像识别技术的安全性。

技术实现思路

[0004]本说明书一个或多个实施例描述了图像识别模型的训练方法及装置、图像识别方法和装置，能够避免用户的隐私泄露，提高安全性。
[0005]根据第一方面，提供了一种图像识别模型的训练方法，包括：
[0006]得到训练出的图像识别初级模型；
[0007]将图像识别初级模型拆分为第一子模型以及第二子模型；其中，第一子模型用于得到图像的特征向量，第二子模型用于根据特征向量得到图像识别结果；
[0008]在每一轮训练中，执行：
[0009]将样本图像输入第一子模型，得到第一子模型输出的该样本图像的特征向量；
[0010]将第一子模型输出的该样本图像的特征向量输入第二子模型，得到第二子模型输出的图像识别结果；以及
[0011]根据第一子模型输出的特征向量以及第二子模型输出的图像识别结果，调整第一子模型的参数以及第二子模型的参数，直至所述图像识别模型收敛；其中，所述图像识别模型包括训练完毕的第一子模型以及训练完毕的第二子模型。
[0012]其中，所述第一子模型执行：生成样本图像对应的原始特征向量，对该原始特征向量进行变异，输出原始特征向量以及变异后的特征向量；
[0013]所述图像识别模型对应的损失函数的收敛要求包括：第二子模型输出的图像识别结果与该样本图像的分类标签之间的第一差距小于第一阈值，以及第一子模型输出的变异后的特征向量与该样本图像对应的原始特征向量之间的第二差距大于第二阈值；
[0014]所述根据第一子模型输出的特征向量以及第二子模型输出的图像识别结果调整第一子模型的参数以及第二子模型的参数，包括：
[0015]根据当前的损失函数的收敛情况，调整第一子模型的参数以及第二子模型的参数。
[0016]所述损失函数的表达式为：
[0017]f＝f1+a*f2
[0018]f1表征分类损失函数，对应所述第一差距；f2表征变异损失函数，对应所述第二差距，a为第一预设数值；
[0019]b为第二预设数值。
[0020]该方法进一步包括：
[0021]将训练完毕的第一子模型部署在客户端中，将训练完毕的第二子模型部署在云端服务器中。
[0022]根据第二方面，提供了图像识别方法，应用于客户端，包括：
[0023]接收待处理的图像；
[0024]将待处理的图像输入部署在该客户端的第一子模型中，得到第一子模型输出的对应于待处理图像的特征向量；
[0025]将特征向量发送给云端服务器。
[0026]根据第三方面，提供了图像识别方法，应用于云端服务器，包括：
[0027]接收客户端发来的待识别的特征向量；
[0028]将待识别的特征向量输入训练好的第二子模型中，得到第二子模型输出的图像识别结果。
[0029]根据第四方面，提供了图像识别模型的训练装置，该装置包括：
[0030]初始模型处理模块，配置为得到训练出的图像识别初级模型；将图像识别初级模型拆分为第一子模型以及第二子模型；其中，第一子模型用于得到图像的特征向量，第二子模型用于根据特征向量得到图像识别结果；
[0031]第一子模型训练模块，配置为在每一轮训练中将样本图像输入第一子模型，将第一子模型输出的该样本图像的特征向量发送给第二子模型训练模块；
[0032]第二子模型训练模块，配置为在每一轮训练中将第一子模型输出的该样本图像的特征向量输入第二子模型，得到第二子模型输出的图像识别结果；
[0033]参数调整模块，配置为根据第一子模型输出的特征向量以及第二子模型输出的图像识别结果，调整第一子模型的参数以及第二子模型的参数，直至所述图像识别模型收敛；其中，所述图像识别模型包括训练完毕的第一子模型以及训练完毕的第二子模型。
[0034]根据第五方面，提供了图像识别装置，应用于客户端，包括：
[0035]待处理图像接收模块，配置为接收待处理图像；
[0036]第一输入模块，配置为将待处理的图像输入训练好的第一子模型中，得到第一子模型输出的对应于待处理图像的特征向量；
[0037]特征向量发送模块，配置为将特征向量发送给云端服务器。
[0038]根据第六方面，提供了图像识别装置，应用于云端服务器，包括：
[0039]待识别特征向量接收模块，配置为接收客户端发来的待识别的特征向量；
[0040]预测模块，配置为将待识别的特征向量输入训练好的第二子模型中，得到第二子模型输出的针对待处理图像的图像识别结果。
[0041]根据第七方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本说明书任一实施例所述的方法。
[0042]本说明书各个实施例提供的图像识别模型的训练方法及装置、图像识别方法及装
置，单独或者组合后至少具有如下的有益效果：
[0043]1、将通过现有技术中的任意一种方法训练出的图像识别模型(记为图像识别初级模型)拆分成第一子模型及第二子模型两部分，第一子模型及第二子模型联合训练，后续在客户端中部署第一子模型，在云端服务器中部署第二子模型，这样，在进行图像识别时，客户端无需将原始图像传输给云端服务器，而是只需要传输原始图像的特征向量，从而保护了客户端侧的用户隐私，提高了安全性；并且，在调整模型参数时，是综合考虑云端服务器中第二子模型输出的图像识别结果与第一子模型输出的特征向量，来同时调整客户端中的第一子模型的参数以及云端服务器中的第二子模型的参数，因此，保证了模型训练效果。
[0044]2、第一子模型的训练目的是输出变异后的特征向量，并且变异后的特征向量与原始特征向量的差距尽可能大；第二子模型的训练目的是在变异后的特征向量(变异后的特征向量与原始特征向量相差很大)的基础上更为准确地得到图像识别结果，这样在进行图像识别时，客户端无需向云端服务器发送根据原始图片得到的原始特征向量，而是改为由客户端向云端服务器发送变异后的特征向量，避免攻击者根据原始特征向量恢复出原始图像，从而进一步提高了安全性，保护了客户端侧的用户隐私。
[0045]3、损失函数的设计能够保证第二子模型输出的图像识别结果与该样本图像的分类标签之间的第一差距小于第一阈值，以及第一子模型输出的变异后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.图像识别模型的训练方法，该方法包括：得到训练出的图像识别初级模型；将图像识别初级模型拆分为第一子模型以及第二子模型；其中，第一子模型用于得到图像的特征向量，第二子模型用于根据特征向量得到图像识别结果；在每一轮训练中，执行：将样本图像输入第一子模型，得到第一子模型输出的该样本图像的特征向量；将第一子模型输出的该样本图像的特征向量输入第二子模型，得到第二子模型输出的图像识别结果；以及根据第一子模型输出的特征向量以及第二子模型输出的图像识别结果，调整第一子模型的参数以及第二子模型的参数，直至所述图像识别模型收敛；其中，所述图像识别模型包括训练完毕的第一子模型以及训练完毕的第二子模型。2.根据权利要求1所述的方法，其中，所述第一子模型执行：生成样本图像对应的原始特征向量，对该原始特征向量进行变异，输出原始特征向量以及变异后的特征向量；所述图像识别模型对应的损失函数的收敛要求包括：第二子模型输出的图像识别结果与该样本图像的分类标签之间的第一差距小于第一阈值，以及第一子模型输出的变异后的特征向量与该样本图像对应的原始特征向量之间的第二差距大于第二阈值；所述调整第一子模型的参数以及第二子模型的参数，包括：根据当前的损失函数的收敛情况，调整第一子模型的参数以及第二子模型的参数。3.根据权利要求2所述的方法，所述损失函数的表达式为：f＝f1+a*f2f1表征分类损失函数，对应所述第一差距；f2表征变异损失函数，对应所述第二差距，a为第一预设数值；b为第二预设数值。4.根据权利要求1至3中任一所述的方法，该方法进一步包括：将训练完毕的第一子模型部署在客户端中，将训练完毕的第二子模型部署在云端服务器中。5.图像识别方法，应用于客户端，包括：接收待处理的图像；将待处理的图像输入部署在该客户端的第一子模型中，得到第一子模型输出的对应于待处理图像的...

【专利技术属性】
技术研发人员：刘焱，张梦梦，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：