【技术实现步骤摘要】
本公开大体涉及人工智能领域，具体涉及一种图像识别模型的训练方法、识别方法、介质及设备。
技术介绍
1、随着人工智能技术的成熟，基于人工智能技术的图像识别被广泛应用于自动驾驶、医疗诊断、安防监控等领域。在医疗诊断领域，图像识别模型被用于辅助识别医学图像中的疾病信息。利用传统机器学习或深度学习等技术，将图像数据作为图像识别模型的输入并输出对应的预测结果，图像识别模型可以对图像数据中的疾病进行识别。
2、目前的图像识别模型训练方法通常是通过收集训练集，对训练集进行预处理，选择合适的网络架构作为图像识别模型并选择合适的损失函数来衡量模型的性能，将训练集输入模型得到预测结果，计算损失函数的值以比较预测结果与真实标签，基于损失函数调整模型参数，使损失函数收敛从而完成训练。
3、然而，图像识别过程中，受拍摄图像时的拍摄条件(例如，目标对象的背景、拍摄环境的光照和拍摄角度等)影响，上述的图像识别模型可能会将同一目标对象在不同拍摄条件的图像识别成不同的结果，进而造成误判。在这种情况下，图像识别模型对图像特征的识别准确率还有待于提高。
技术实现思路
1、本公开是有鉴于上述的状况而提出的，其目的在于提供一种能够提高同一目标对象在不同拍摄条件下获得的图像的识别准确率的图像识别模型的训练方法、识别方法、介质及设备。
2、为此，本公开的第一方面提供一种图像识别模型的训练方法，包括基于所述图像识别模型获得辅助模型；对来自训练集的图像进行至少两次不同的扩增运算获得至少两张扩增图
3、在本公开的第一方面中，通过对来自训练集的图像进行至少两次不同的扩增运算获得至少两张扩增图像，利用图像识别模型和辅助模型分别对第一扩增图像和第二扩增图像进行特征提取以获得特征向量，基于特征向量获得分析结果进而迭代图像识别模型。在这种情况下，能够使不同扩增运算的图像的特征尽可能接近，以提高图像识别模型对同一目标对象相关的不同形式的图像的预测结果的一致性。由此，能够提高同一目标对象在不同拍摄条件下获得的图像的识别准确率。
4、另外，在本公开的第一方面所涉及的图像识别模型的训练方法中，可选地，在迭代之前，所述辅助模型与所述图像识别模型相同。
5、另外，在本公开的第一方面所涉及的图像识别模型的训练方法中，可选地，当所述图像识别模型在所述辅助模型更新之后的迭代次数等于第一次数，基于当次迭代后的图像识别模型、以及当次迭代前的辅助模型对当次迭代前的辅助模型进行更新，第一次数指示在每次更新所述辅助模型前的所述图像识别模型的迭代次数。在这种情况下，更新后的辅助模型能够同时考虑当次迭代后的图像识别模型和当次迭代前的辅助模型，进而能够获得更合适的模型参数，提升辅助模型的性能。由此，能够有利于辅助模型的更新。同时，每当图像识别模型完成第一次数的迭代，辅助模型就进行一次更新，也即辅助模型不需要在图像识别模型的每次迭代后都进行更新，辅助模型的更新频率低于图像识别模型的迭代频率，进而能够减小计算量，并且能够保持辅助模型和图像识别模型的差异。由此，能够节约计算资源，提高训练效率。
6、另外，在本公开的第一方面所涉及的图像识别模型的训练方法中，可选地，对当次迭代后的图像识别模型、以及当次迭代前的辅助模型进行加权计算以对当次迭代前的辅助模型进行更新。在这种情况下，通过加权计算，更新后的辅助模型能够以一定权重同时考虑当次迭代后的图像识别模型和当次迭代前的辅助模型，同时，还能够基于权重控制当次迭代后的图像识别模型和当次迭代前的辅助模型对更新后的辅助模型的影响。
7、另外，在本公开的第一方面所涉及的图像识别模型的训练方法中，可选地，在进行加权计算时，当次迭代后的图像识别模型的权重小于当次迭代前的辅助模型的权重。在这种情况下，辅助模型对应的更大权重能够减缓各个历史版本的图像识别模型对辅助模型的影响的衰减速度，从而能够均衡考虑各个历史版本的图像识别模型，使辅助模型更加平滑和稳定。另外，能够使当次迭代后的图像识别模型的权重大于辅助模型中集成的各个历史版本的图像识别模型，从而能够使当次迭代后的图像识别模型130对辅助模型420的更新起到更大的贡献，进而能够使更新后的辅助模型更多地考虑接近当次迭代的版本的图像识别模型。由此，能够有利于对图像识别模型的迭代。
8、另外，在本公开的第一方面所涉及的图像识别模型的训练方法中，可选地，对所述第一特征向量集与所述第二特征向量集进行相似性比较以获得所述第一分析结果。在这种情况下，第一特征向量集对应至少一张第一扩增图像，第二特征向量集对应至少一张第二扩增图像，通过对第一特征向量集与第二特征向量集进行相似性比较，能够获得辅助模型和图像识别模型分别基于来自不同扩增运算的图像获得的特征的相似性。
9、另外，在本公开的第一方面所涉及的图像识别模型的训练方法中，可选地，基于所述第二特征向量集获得所述第二扩增图像的预测结果，并且基于所述预测结果、以及所述图像的标签获取所述第二分析结果。在这种情况下，能够获得图像识别模型对至少一个第二扩增图像的预测结果和对应的标签之间的差异，通过迭代能够使预测结果尽可能接近标签，从而能够提高识别准确率。
10、本公开的第二方面提供一种用于对眼底图像进行识别的识别方法，包括：获取所述眼底图像；基于利用本公开的第一方面所述图像识别模型的训练方法获得的所述图像识别模型识别所述眼底图像。由此，利用本公开第一方面所涉及的训练方法得到的图像识别模型对眼底图像进行识别，能够提高识别准确率。
11、本公开的第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现本公开第一方面所涉及的图像识别模型的训练方法或第二方面所涉及的识别方法。
12、本公开的第四方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器执行所述存储器存储的程序以实现本公开第一方面所涉及的图像识别模型的训练方法或第二方面所涉及的识别方法。
13、根据本公开，能够提供一种提高同一目标对象在不同拍摄条件下获得的图像的识别准确率的图像识别模型的训练方法、识别方法、介质及设备。
本文档来自技高网...【技术保护点】
1.一种图像识别模型的训练方法，其特征在于，包括：基于所述图像识别模型获得辅助模型；对来自训练集的图像进行至少两次不同的扩增运算获得至少两张扩增图像；将至少一张第一扩增图像输入所述辅助模型以获得第一特征向量集；将至少一张第二扩增图像输入所述图像识别模型以获得第二特征向量集；基于所述第一特征向量集和所述第二特征向量集获得第一分析结果；基于所述图像的标签和所述第二特征向量集获得第二分析结果；基于所述第一分析结果和所述第二分析结果对所述图像识别模型进行迭代。
2.根据权利要求1所述的图像识别模型的训练方法，其特征在于，
3.根据权利要求1所述的图像识别模型的训练方法，其特征在于，
4.根据权利要求3所述的图像识别模型的训练方法，其特征在于，
5.根据权利要求4所述的图像识别模型的训练方法，其特征在于，
6.根据权利要求1所述的图像识别模型的训练方法，其特征在于，
7.根据权利要求1所述的图像识别模型的训练方法，其特征在于，
8.一种用于对眼底图像进行识别的识别方法，其特征在于，
9.一种计算
10.一种电子设备，其特征在于，
...【技术特征摘要】
1.一种图像识别模型的训练方法，其特征在于，包括：基于所述图像识别模型获得辅助模型；对来自训练集的图像进行至少两次不同的扩增运算获得至少两张扩增图像；将至少一张第一扩增图像输入所述辅助模型以获得第一特征向量集；将至少一张第二扩增图像输入所述图像识别模型以获得第二特征向量集；基于所述第一特征向量集和所述第二特征向量集获得第一分析结果；基于所述图像的标签和所述第二特征向量集获得第二分析结果；基于所述第一分析结果和所述第二分析结果对所述图像识别模型进行迭代。
2.根据权利要求1所述的图像识别模型的训练方法，其特征在于，
【专利技术属性】
技术研发人员：王娟，郑万铎，潘晓春，夏斌，
申请(专利权)人：深圳硅基智能科技有限公司，
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。