用于图像识别的模型训练方法、图像识别方法设备及介质技术

本申请涉及一种用于图像识别的模型训练方法、图像识别方法设备及介质，属于计算机技术领域，该方法包括：基于训练数据集对预设的第一机器学习网络进行训练，得到特征提取模型，该特征提取模型用于在图像识别过程中对输入的目标图像进行特征提取得到图像特征，以在预设的模板特征库中确定与图像特征相匹配的模板特征；对于训练数据集中每种类别标签对应的N张样本图像，基于N张样本图像和特征提取模型对预设的第二机器学习网络进行训练得到质量评估模型；质量评估模型用于在图像识别过程中确定目标图像的质量分数，以结合质量分数和模板特征确定目标图像的识别结果；保证输出的图像识别结果的准确性，节省对质量分数进行标注时消耗的人力资源。注时消耗的人力资源。注时消耗的人力资源。

【技术实现步骤摘要】
用于图像识别的模型训练方法、图像识别方法设备及介质


[0001]本申请涉及一种用于图像识别的模型训练方法、图像识别方法设备及介质，属于计算机


技术介绍

[0002]图像识别技术是利用计算机分析图像，以从中获取有效的识别信息的技术。图像识别技术广泛应用人脸识别、车辆识别、车牌识别等场景。
[0003]传统的图像识别技术通过训练神经网络模型实现。在模型训练过程中，先采集大量的具有待识别目标的样本图像，基于该样本图像和该样本图像对应的目标标签训练神经网络模型，得到图像识别网络。在进行图像识别时，将目标图像输入图像识别网络，得到目标识别结果。
[0004]但是，在图像识别过程中采集的图像受环境影响较大，比如：一方面，图像会受到光照、背景等影响发生变化；另一方面，图像中的待识别目标可能是自由移动的，此时，图像中的目标会存在光照或姿态等变化大的问题。在一些极端场景下，甚至会由于待识别目标的运动采集到模糊的图像。但是，将低质量的图像输入图像识别网络会降低图像识别的准确性。

技术实现思路

[0005]本申请提供了一种用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图像识别的模型训练方法，其特征在于，所述方法包括：获取训练数据集，所述训练数据集包括多张样本图像和每张样本图像对应的类别标签；基于所述训练数据集对预设的第一机器学习网络进行训练，得到特征提取模型；所述特征提取模型用于在图像识别过程中对输入的目标图像进行特征提取得到图像特征，以在预设的模板特征库中确定与所述图像特征相匹配的模板特征；对于所述训练数据集中每种类别标签对应的N张样本图像，基于所述N张样本图像和所述特征提取模型对预设的第二机器学习网络进行训练，得到质量评估模型；所述质量评估模型用于在图像识别过程中确定所述目标图像的质量分数，以结合所述质量分数和所述模板特征确定所述目标图像的识别结果；其中，所述N为正整数。2.根据权利要求1所述的方法，其特征在于，所述特征提取模型包括特征提取层和与特征提取层相连的分块层，所述分块层用于将所述特征提取层输出的特征图按照预设规则划分为至少两个子特征图；相应地，所述质量评估模型输出每个子特征图对应的质量分数；所述基于所述N张样本图像和所述特征提取模型对预设的第二机器学习网络进行训练，得到质量评估模型，包括：将每张样本图像分别输入所述特征提取模型和所述第二机器学习网络，得到所述样本图像对应的至少两个子特征图、以及每个子特征图对应的质量分数的预测结果；基于每个子特征图对应的质量分数的预测结果对所述子特征图进行加权，并将同一张样本图像的不同加权后的子特征进行连接，得到所述样本图像的加权融合特征；基于所述加权融合特征对所述第二机器学习网络进行训练，得到所述质量评估模型。3.根据权利要求2所述的方法，其特征在于，所述将每张样本图像分别输入所述特征提取模型和所述第二机器学习网络之前，还包括：基于所述N张样本图像生成第一样本图像集、第二样本图像集和第三样本图像集；所述第三样本图像集覆盖各个图像采集场景采集的样本图像；相应地，所述基于所述加权融合特征对所述第二机器学习网络进行训练，得到所述质量评估模型，包括：基于所述加权融合特征确定所述第一样本图像集和所述第二样本图像集之间的第一距离分布；基于所述加权融合特征确定所述第一样本图像集和所述第三样本图像集之间的第二距离分布；基于所述第一距离分布和所述第二距离分布之间的距离分布差异，对所述第二机器学习网络进行训练，得到所述质量评估模型。4.根据权利要求3所述的方法，其特征在于，所述分块层还连接有至少两个分类网络，所述分类网络与所述子特征图一一对应，所述分类网络中所述子特征图对应于各个分类的权重不同；所述基于所述第一距离分布和所述第二距离分布之间的距离分布差异...

【专利技术属性】
技术研发人员：史晓丽，张震国，吴剑平，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：