模型训练方法、系统及图像识别方法、系统及介质技术方案

本申请提供了一种模型训练方法、系统及图像识别方法、系统及介质，通过获取计算机视觉的样本图像；根据所述样本图像计算得到样本能量图；所述样本能量图包括样本图像的能量数据；将所述样本图像输入识别模型进行预测得到能量重构数据；根据所述能量重构数据与所述样本能量图的能量数据之间的误差，对所述识别模型进行训练。本申请通过计算样本图像的样本能量图，使用能量图量化图像内容重要性，将重构目标从“重构像素”改为“重构能量”，进而提高编码器所学习到的潜在表征的语义级别，提高特征鲁棒性。鲁棒性。鲁棒性。

【技术实现步骤摘要】
模型训练方法、系统及图像识别方法、系统及介质


[0001]本申请属于人工智能
，具体涉及计算机视觉以及深度学习技术，尤其涉及一种模型训练方法、系统及图像识别方法、系统及介质。

技术介绍

[0002]人工智能
在机器的深度学习方向，其目标是让机器具有智能化分析学习能力。关于机器针对图像的分析学习模型，目前主流的模型训练方法主要是采用监督学习方法，其核心思想是使用有标签的数据为模型提供强监督反馈信息。在训练的过程中，通过计算损失函数即强监督反馈信息，以及利用梯度反向传播技术使模型不断调整自身参数，慢慢拟合目标输出分布，达到模型训练收敛。
[0003]但是监督学习依赖于昂贵且难得的人工标签，大部分实际情况的特定场景下的海量数据仅有少部分可被人工标注，存在大量的无标签数据无法被监督学习方法利用。且监督学习利用的少量数据下的训练会使模型陷入泛化性差、鲁棒性差、容易受到噪声攻击的问题。

技术实现思路

[0004]本专利技术提出的模型训练方法、系统及图像识别方法、系统及介质，通过计算样本图像的样本能量图，使用能量图量化图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取计算机视觉的样本图像；根据所述样本图像计算得到样本能量图；所述样本能量图包括样本图像的能量数据；将所述样本图像输入识别模型进行预测得到能量重构数据；根据所述能量重构数据与所述样本能量图的能量数据之间的误差，对所述识别模型进行训练。2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述样本图像计算得到样本能量图，包括：遍历样本图像x轴方向和样本图像x轴方向的样本内容；根据能量计算公式计算样本图像x轴方向梯度强度，作为样本能量图的x轴方向能量数据；根据能量计算公式计算样本图像y轴方向梯度强度，作为样本能量图的y轴方向能量数据；所述样本图像的能量数据的大小和样本内容的重要程度成正比关系。3.根据权利要求1所述的模型训练方法，其特征在于，所述将所述样本图像输入模型进行预测得到能量重构数据，包括：对所述样本图像进行切块、卷积以及随机掩码操作，得到局部块编码；将所述局部块编码输入采用Transformer结构的编码器，输出多表征维度的编码特征；将所述编码特征输入MLP回归器，得到能量重构数据。4.根据权利要求3所述的模型训练方法，其特征在于，所述对所述样本图像进行切块、卷积以及随机掩码操作，得到局部块编码，包括：对所述样本图像I进行等尺度分块，得到N个数量的局部块；其中，样本图像I尺度为H*W，每个局部块的大小为n*m，局部块数量为使用卷积核对所有的局部块进行卷积操作，得到N个一维局部块编码：其中，c0为编码器输入的通道数，i为局部块编码的编号；对所述局部块编码进行随机掩码操作，得到包括掩码块子集以及可视块子集的局部块编码；其中，掩码块子集MT＝{mt0，mt1，...，mt
k
}，可视块子集T＝{t0，t1，...，t
N
‑
k
}。5.根据权利要求4所述的模型训练方法，其特征在于，所述将所述局部块编码输入采用Transformer结构的编码器，输出多表征维度的编码特征，包括：根据局部块编码在图像的相应位置信息，计算得到位置编码PE＝{pe0，pe1，...，pe
N
}；将位置编码和局部块编码一一对应相加，得到带有位置信息的局部块编码将所述带有位置信息的局部块编码输入采用Transformer结构的编码器，输出多表征维度的编码特征其中，c
z
为表征维度。6.根据权利要求5所述的模型训练方法，其特征在于，所述将所述编码特征输入MLP回归器，得到能量重构数据，包括：MLP回归器的重构目标为重构掩码区域部分的能量值，将所述编码特征输入MLP回归器进行预测掩码块的归一化能量值，得到掩码块能量重构结果集MP＝{mp0，mp
i
，...，mp
k
}，其中mp...

【专利技术属性】
技术研发人员：张睿，
申请(专利权)人：重庆特斯联启智科技有限公司，
类型：发明
国别省市：