模型优化方法、装置、设备、存储介质及计算机程序产品制造方法及图纸

本申请实施例公开了一种模型优化方法、装置、设备、存储介质及计算机程序产品，其中模型优化方法包括：获取至少一个物理对象图像，并获取至少一个虚拟对象图像；调用图像处理模型，分别对至少一个物理对象图像中的每个物理对象图像进行特征提取，得到每个物理对象图像的图像特征；并调用图像处理模型，分别对至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到每个虚拟对象图像的图像特征；基于每个物理对象图像的图像特征和每个虚拟对象图像的图像特征，计算图像处理模型的目标模型损失值；按照减小目标模型损失值的方向，优化图像处理模型中的模型参数，以构建图像识别模型。本申请实施例可提高图像识别模型的模型性能。型性能。型性能。

【技术实现步骤摘要】
模型优化方法、装置、设备、存储介质及计算机程序产品


[0001]本申请涉及计算机
，尤其涉及一种模型优化方法、装置、设备、存储介质及计算机程序产品。

技术介绍

[0002]目前，随着对知识产权、品牌保护的重视程度的增加，内容审核的需求日益提升，使得海量的虚拟对象数据(如卡通人物图像等)对人工审核带来巨大的挑战，因此需要通过用于对虚拟对象图像进行图像识别的图像识别模型的识别能力提升审核效率；但虚拟对象训练数据的收集与标注工作较为困难，使得用于训练上述图像识别模型的虚拟对象训练数据较为稀缺，导致现有的图像识别模型所提取到的虚拟对象图像的图像特征的准确性较低，从而导致图像识别的准确率较低，使得现有的图像识别模型难以满足实际业务中的需求。基于此，如何提升针对虚拟对象图像的图像识别模型的模型性能，以提高图像识别的准确率成为一个研究热点。

技术实现思路

[0003]本申请实施例提供了一种模型优化方法、装置、设备、存储介质及计算机程序产品，可以提升图像处理模型的模型性能，以构建模型性能较好的图像识别模型，且该图像识别模型可用于对虚拟对象图像进行图像识别，也就是说，本申请可提升图像识别模型的模型性能，从而提升对虚拟对象图像进行图像识别的准确率。
[0004]一方面，本申请实施例提供了一种模型优化方法，所述方法包括：
[0005]在训练图像集包括的第一图像子集中获取至少一个物理对象图像，并在所述训练图像集包括的第二图像子集中获取至少一个虚拟对象图像，所述第一图像子集中的物理对象图像的数量大于所述第二图像子集中的虚拟对象图像的数量；
[0006]调用图像处理模型，分别对所述至少一个物理对象图像中的每个物理对象图像进行特征提取，得到所述每个物理对象图像的图像特征；并调用所述图像处理模型，分别对所述至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到所述每个虚拟对象图像的图像特征；
[0007]基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值；
[0008]按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型，所述图像识别模型用于对虚拟对象图像进行图像识别。
[0009]另一方面，本申请实施例提供了一种模型优化装置，所述装置包括：
[0010]获取单元，用于在训练图像集包括的第一图像子集中获取至少一个物理对象图像，并在所述训练图像集包括的第二图像子集中获取至少一个虚拟对象图像，所述第一图像子集中的物理对象图像的数量大于所述第二图像子集中的虚拟对象图像的数量；
[0011]处理单元，用于调用图像处理模型，分别对所述至少一个物理对象图像中的每个
物理对象图像进行特征提取，得到所述每个物理对象图像的图像特征；并调用所述图像处理模型，分别对所述至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到所述每个虚拟对象图像的图像特征；
[0012]所述处理单元，还用于基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值；
[0013]所述处理单元，还用于按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型，所述图像识别模型用于对虚拟对象图像进行图像识别。
[0014]在一种实施方式中，处理单元在基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值时，可具体用于：
[0015]基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值，任一物理对象图像的标签信息用于指示所述任一物理对象图像所指示的物理对象；
[0016]基于所述每个虚拟对象图像的图像特征和所述每个虚拟对象图像的标签信息，计算所述图像处理模型的第二模型损失值，任一虚拟对象图像的标签信息用于指示所述任一虚拟对象图像所指示的虚拟对象；
[0017]对所述第一模型损失值和所述第二模型损失值进行加权求和，得到所述图像处理模型的目标模型损失值。
[0018]另一种实施方式中，获取单元还可用于：在所述训练图像集中获取至少一个目标对象图像，所述至少一个目标对象图像包括至少一个目标虚拟对象图像，或者至少一个目标物理对象图像和至少一个目标虚拟对象图像；
[0019]处理单元还可用于：调用所述图像处理模型，分别对所述至少一个目标对象图像中的每个目标虚拟对象图像进行特征提取，得到所述每个目标虚拟对象图像的图像特征；
[0020]处理单元在基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值时，可具体用于：
[0021]基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述每个目标虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值。
[0022]另一种实施方式中，处理单元在基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述每个目标虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值时，可具体用于：
[0023]基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值，任一物理对象图像的标签信息用于指示所述任一物理对象图像所指示的物理对象；
[0024]基于所述每个虚拟对象图像的图像特征和所述每个虚拟对象图像的标签信息，计算所述图像处理模型的第二模型损失值，任一虚拟对象图像的标签信息用于指示所述任一虚拟对象图像所指示的虚拟对象；
[0025]基于所述每个目标虚拟对象图像的图像特征和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值，任一目标虚拟对象图像的标签信息用于指示所述任一目标虚拟对象图像所指示的虚拟对象；
[0026]对所述第一模型损失值、所述第二模型损失值以及所述第三模型损失值进行加权求和，得到所述图像处理模型的目标模型损失值。
[0027]另一种实施方式中，图像处理模型包括所述第一图像子集中各个物理对象图像所指示的物理对象的第一类中心权重，以及所述第二图像子集中各个虚拟对象图像所指示的虚拟对象的第二类中心权重；处理单元在基于所述每个目标虚拟对象图像的图像特征和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值时，可具体用于：
[0028]遍历所述至少一个目标对象图像中的目标虚拟对象图像，并分别对遍历的目标虚拟对象图像，与每个第一类中心权重和每个第二类中心权重进行融合处理，得到所述遍历的目标虚拟对象图像被识别为所述每个第一类中心权重对应的物理对象的概率，以及被识别为所述每个第二类中心权重对应的虚拟对象的概率；
[0029]在遍历完所述至少一个目标对象图像中的目标虚拟对象图像后，基于所述每个目标虚拟对象图像的概率和所述每个目标虚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型优化方法，其特征在于，包括：在训练图像集包括的第一图像子集中获取至少一个物理对象图像，并在所述训练图像集包括的第二图像子集中获取至少一个虚拟对象图像，所述第一图像子集中的物理对象图像的数量大于所述第二图像子集中的虚拟对象图像的数量；调用图像处理模型，分别对所述至少一个物理对象图像中的每个物理对象图像进行特征提取，得到所述每个物理对象图像的图像特征；并调用所述图像处理模型，分别对所述至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到所述每个虚拟对象图像的图像特征；基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值；按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型，所述图像识别模型用于对虚拟对象图像进行图像识别。2.根据权利要求1所述的方法，其特征在于，所述基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值，包括：基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值，任一物理对象图像的标签信息用于指示所述任一物理对象图像所指示的物理对象；基于所述每个虚拟对象图像的图像特征和所述每个虚拟对象图像的标签信息，计算所述图像处理模型的第二模型损失值，任一虚拟对象图像的标签信息用于指示所述任一虚拟对象图像所指示的虚拟对象；对所述第一模型损失值和所述第二模型损失值进行加权求和，得到所述图像处理模型的目标模型损失值。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述训练图像集中获取至少一个目标对象图像，所述至少一个目标对象图像包括至少一个目标虚拟对象图像，或者至少一个目标物理对象图像和至少一个目标虚拟对象图像；调用所述图像处理模型，分别对所述至少一个目标对象图像中的每个目标虚拟对象图像进行特征提取，得到所述每个目标虚拟对象图像的图像特征；所述基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值，包括：基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述每个目标虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值。4.根据权利要求3所述的方法，其特征在于，所述基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述每个目标虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值，包括：基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值，任一物理对象图像的标签信息用于指示所述任一物理对象图像所指示的物理对象；基于所述每个虚拟对象图像的图像特征和所述每个虚拟对象图像的标签信息，计算所
述图像处理模型的第二模型损失值，任一虚拟对象图像的标签信息用于指示所述任一虚拟对象图像所指示的虚拟对象；基于所述每个目标虚拟对象图像的图像特征和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值，任一目标虚拟对象图像的标签信息用于指示所述任一目标虚拟对象图像所指示的虚拟对象；对所述第一模型损失值、所述第二模型损失值以及所述第三模型损失值进行加权求和，得到所述图像处理模型的目标模型损失值。5.根据权利要求4所述的方法，其特征在于，所述图像处理模型包括所述第一图像子集中各个物理对象图像所指示的物理对象的第一类中心权重，以及所述第二图像子集中各个虚拟对象图像所指示的虚拟对象的第二类中心权重；所述基于所述每个目标虚拟对象图像的图像特征和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值，包括：遍历所述至少一个目标对象图像中的目标虚拟对象图像，并分别对遍历的目标虚拟对象图像，与每个第一类中心权重和每个第二类中心权重进行融合处理，得到所述遍历的目标虚拟对象图像被识别为所述每个第一类中心权重对应的物理对象的概率，以及被识别为所述每个第二类中心权重对应的虚拟对象的概率；在遍历完所述至少一个目标对象图像中的目标虚拟对象图像后，基于所述每个目标虚拟对象图像的概率和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值。6.根据权利要求2或4所述的方法，其特征在于，所述基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值，包括：遍...

【专利技术属性】
技术研发人员：许剑清，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：