【技术实现步骤摘要】
模型训练方法、装置、电子设备及存储介质
[0001]本申请涉及人工智能
，特别是涉及一种模型训练方法、装置、电子设备及存储介质。
技术介绍
[0002]随着互联网技术的快速发展，内容审核的重要性日益提高，图像识别是内容审核中重要的一个环节。以往的图像识别基本以人工为主，审核耗时耗力，自动化地进行图像识别变得尤为重要，对于内容审核具有重大意义。
[0003]相关技术中，一般是基于RGB整图粒度的全局分类模型来对待识别的图像进行自动识别，具体是将待识别的图像输入至深度学习分类模型，输出待识别的图像的标签，进而确定待识别的图像是否存在特定的内容。然而，特定的内容往往出现在图像的某个区域，相关技术的识别方式的精细化程度较低，识别的准确性有待提升。
技术实现思路
[0004]以下是对本申请详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]本申请实施例提供了一种模型训练方法、装置、电子设备及存储介质，能够提升图像识别的准确性。
[0006]一方面，本申请实施例提供了...
【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：获取样本图像，其中，所述样本图像标注有多个目标区域的检测框；基于注意力网络提取所述样本图像的样本注意力特征；确定所述检测框中各个像素点与所述检测框的中心之间的样本偏离值，根据所述样本偏离值得到对所述注意力网络进行训练的监督信息；根据所述监督信息与所述样本注意力特征确定所述注意力网络的注意力损失，根据所述注意力损失训练所述注意力网络。2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述样本偏离值得到对所述注意力网络进行训练的监督信息，包括：将所述样本偏离值与预设的偏离阈值进行比较，当所述样本偏离值大于或者等于所述偏离阈值时，将所述样本偏离值替换为预设的参考偏离值；根据所述参考偏离值以及剩余的未进行替换的所述样本偏离值，得到对所述注意力网络进行训练的监督信息。3.根据权利要求1或2所述的模型训练方法，其特征在于，所述检测框的形状为矩形，所述确定所述检测框中各个像素点与所述检测框的中心之间的样本偏离值，包括：确定所述检测框中各个像素点与所述检测框的左边缘之间的第一距离、与所述检测框的右边缘之间的第二距离、与所述检测框的上边缘之间的第三距离、与所述检测框的下边缘之间的第四距离；根据所述第一距离、所述第二距离、所述第三距离和所述第四距离，确定所述检测框中各个像素点与所述检测框的中心之间的样本偏离值。4.根据权利要求3所述的模型训练方法，其特征在于，所述根据所述第一距离、所述第二距离、所述第三距离和所述第四距离，确定所述检测框中各个像素点与所述检测框的中心之间的样本偏离值，包括：确定所述第一距离和所述第二距离之间的第一比值，其中，当所述第一距离大于所述第二距离时所述第二距离作为分子，当所述第一距离小于所述第二距离时所述第一距离作为分子；确定所述第三距离和所述第四距离之间的第二比值，其中，当所述第三距离大于所述第四距离时所述第四距离作为分子，当所述第三距离小于所述第四距离时所述第三距离作为分子；根据所述第一比值和所述第二比值的乘积，确定所述检测框中各个像素点与所述检测框的中心之间的样本偏离值。5.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述监督信息与所述样本注意力特征确定所述注意力网络的注意力损失，包括：根据所述监督信息与所述样本注意力特征确定所述注意力网络的二分类交叉熵损失；根据所述样本注意力特征确定所述注意力网络的调制系数；根据所述调制系数和所述二分类交叉熵损失之间的损失确定所述注意力网络的注意力损失。6.根据权利要求1所述的模型训练方法，其特征在于，所述基于注意力网络提取所述样本图像的样本注意力特征，包括：
基于特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像的样本全局特征；基于注意力网络对所述样本全局特征进行注意力提取处理，得到所述样本图像的样本注意力特征。7.根据权利要求6所述的模型训练方法，其特征在于，所述基于...
【专利技术属性】
技术研发人员：高英国，鄢科，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
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。