【技术实现步骤摘要】
图像识别模型训练方法、装置、计算机设备和存储介质
[0001]本申请涉及计算机视觉
，特别是涉及一种图像识别模型训练方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着计算机视觉技术的发展，出现了图像识别技术，通过训练好的图像识别模型对图像进行识别操作。
[0003]传统的图像识别技术往往是通过使用大量的训练样本对深度学习网络进行训练，得到图像识别模型。然而对于种类繁多但同类样本数量较少的少样本识别任务，基于传统的图像识别模型训练方法效果训练得到的图像识别模型，往往难以取得最佳的识别效果。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高图像识别准确性的图像识别模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]本申请提供了一种图像识别模型训练方法。所述方法包括：
[0006]获取至少两个图像识别任务分别对应的任务训练集、任务测试集；至少两个图像识别任务用于识别图像中的目标对象；
[0007...
【技术保护点】
【技术特征摘要】
1.一种图像识别模型训练方法，其特征在于，所述方法包括：获取至少两个图像识别任务分别对应的任务训练集、任务测试集；所述至少两个图像识别任务用于识别图像中的目标对象；基于各个任务训练集分别训练初始图像识别模型，得到各个图像识别任务分别对应的中间图像识别模型；基于图像识别任务对应的任务测试集和中间图像识别模型，得到各个图像识别任务分别对应的中间模型损失；基于各个中间模型损失分别调整中间图像识别模型的初始模型参数，得到各个图像识别任务分别对应的中间模型参数；基于各个中间模型参数分别和所述初始图像识别模型的初始模型参数之间的差异，调整所述初始图像识别模型的初始模型参数，得到目标模型参数；基于目标模型参数得到更新图像识别模型，将所述更新图像识别模型作为初始图像识别模型，返回所述获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件，得到目标图像识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取至少两个图像识别任务分别对应的任务训练集、任务测试集，包括：获取所述目标对象对应的多个图像样本；基于图像样本中的目标对象的对象复杂度，将各个图像样本划分为多个第一图像类别；基于图像样本对应的图像质量，将各个第一图像类别分别划分为多个第二图像类别；将所述各个图像样本划分为总训练集和总测试集；从所述总训练集中，基于属于同一第二图像类别的图像样本得到对应的图像识别任务的任务训练集；从所述总测试集中，获取各个图像识别任务分别对应的任务测试集。3.根据权利要求1所述的方法，其特征在于，所述初始模型参数包括初始权重和初始偏移量，所述基于各个中间模型损失分别调整中间图像识别模型的初始模型参数，得到各个图像识别任务分别对应的中间模型参数，包括：将当前图像识别任务对应的中间模型损失作为当前模型损失，获取任务权重学习率和任务偏移量学习率；基于所述任务权重学习率调整所述当前模型损失对应的损失梯度，得到任务权重更新梯度，基于所述任务偏移量学习率调整所述当前模型损失对应的损失梯度，得到任务偏移量更新梯度；基于所述任务权重更新梯度更新所述初始权重，得到中间权重，基于所述任务偏移量更新梯度更新所述初始偏移量，得到中间偏移量；基于所述中间权重和所述中间偏移量，得到所述当前图像识别任务对应的中间模型参数。4.根据权利要求1所述的方法，其特征在于，所述初始模型参数包括初始权重和初始偏移量，所述中间模型参数包括中间权重和中间偏移量，所述基于各个中间模型参数分别和初始图像识别模型的初始模型参数之间的差异，调整初始图像识别模型的初始模型参数，
得到目标模型参数，包括：获取综合权重学习率和综合偏移量学习率；基于综合权重学习率，融合各个中间权重分别和初始权重之间的差异，得到融合权重，基于所述融合权重和所述初始权重，得到目标权重；基于综合偏移量学习率，融合各个中间偏移量分别和初始偏移量之间的差异，得到融合偏移量，基于所述融合偏移量和所述初始偏移量，得到目标偏移量；基于所述目标权重和所述目标偏移量，得到目标模型参数。5.根据权利要求1所述的方法，其特征在于，所述基于目标模型参数得到更新图像识别模型，将所述更新图像识别模型作为初始图像识别模型，返回所述获取至少两个图像识别任务分别对应的任务训练集、任务测试集的步骤执行，直至满足收敛条件，得到目标图像识别模型，包括：融合所述各个中间模型损失，得到...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。