【技术实现步骤摘要】
本专利技术涉及模型离线学习，尤其涉及一种基于向量特征的模型优化方法及装置、网络附加存储设备。
技术介绍
1、随着科学技术的飞速发展，人工智能领域逐渐成为各行各业研究的终点领域。其中，物体图像识别已然成为当前人工智能研究的一个重要领域，也即通过人工智能对采集到的多种图像进行处理和分析。
2、但是，当前对人工智能图像识别模型进行训练时，训练所需的数据主要依靠人工手动标注，需要耗费大量的人力物力，存在效率低下并且耗时长的问题，并且所训练得到的模型存在准确性低下的问题。可见，提供一种新的模型优化方法以提高对图像识别模型进行优化的效率以及准确性显得尤为重要。
技术实现思路
1、本专利技术提供了一种基于向量特征的模型优化方法及装置、网络附加存储设备，通过本专利技术能够基于图像中的物体特征信息对模型进行优化，实现针对性地优化模型，有利于提高对模型进行优化的准确性和可靠性，以及有利于提高对模型进行优化的智能性和效率。
2、为了解决上述技术问题，本专利技术第一方面公开了一种基于向量特征的模型优化方法，所述方法包括：
3、确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签；
4、对于每个所述目标物体，将该目标物体与该目标物体的物体标签进行关联，得到该目标物体的关联结果，将所有所述目标物体的关联结果输入至预先确定出的第一卷积神经模型，以使所述第一卷积神经模型输出每个所述目标物体的物体特征；其中，每个所述目标物体的物体特征包括该目标物体的物体向量
5、基于所有所述目标物体的物体特征，生成物体特征集合，并根据所述物体特征集合对所述第一卷积神经模型执行模型优化操作，得到模型优化后的第二卷积神经模型。
6、作为一种可选的实施方式，在本专利技术第一方面中，所述方法还包括：
7、获取当前环境的实时环境信息，并根据所述实时环境信息，判断所述当前环境是否存在图像屏蔽需求；
8、当判断出所述当前环境存在所述图像屏蔽需求时，确定与所述图像屏蔽需求相匹配的目标屏蔽标签；
9、判断所有所述目标图像是否存在与所述目标屏蔽标签相匹配的待处理图像；
10、当判断出所有所述目标图像中存在与所述目标屏蔽标签相匹配的所述待处理图像时，对每张所述待处理图像执行预先确定出的图像屏蔽处理操作。
11、作为一种可选的实施方式，在本专利技术第一方面中，所述根据所述物体特征集合对所述第一卷积神经模型执行模型优化操作，得到模型优化后的第二卷积神经模型之后，所述方法还包括：
12、获取针对所述第二卷积神经模型的训练需求信息；
13、确定所述第二卷积神经模型的模型参数，判断所述模型参数与所述训练需求信息是否相匹配；
14、当判断出所述模型参数与所述训练需求信息不匹配时，根据所述模型参数以及所述训练需求信息确定所述第二卷积神经模型的模型训练参数；
15、根据所有所述模型训练参数，对所述第二卷积神经模型执行与所述模型训练参数相匹配的训练操作，以得到第三卷积神经模型。
16、作为一种可选的实施方式，在本专利技术第一方面中，所述确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签之前，所述方法还包括：
17、确定每张备选图像的图像参数，并根据每张所述备选图像的图像参数，确定每张所述备选图像的图像内容信息；
18、对于每张所述备选图像，根据该备选图像的图像内容信息，判断该备选图像是否满足预设的模型训练数据条件；
19、对于每张所述备选图像，当判断出该备选图像满足预设的所述模型训练数据条件时，将该备选图像确定为目标图像，并触发执行所述的确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签的操作。
20、作为一种可选的实施方式，在本专利技术第一方面中，所述确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签，包括：
21、对于每张目标图像，提取该目标图像中的图像主体特征，根据该目标图像的图像主体特征，确定该目标图像的目标物体；
22、对于每张所述目标图像中的每个所述目标物体，将该目标图像的目标物体输入至预先确定出的抽象识别模型，得到该目标图像对应的模型识别结果，其中，所述模型识别结果包括该目标物体对应的至少一个物体类别；
23、对于每张所述目标图像中的每个所述目标物体，确定该目标物体对应的每个所述物体类别的置信度，并从所有所述置信度中确定出置信度最高的目标置信度，并将所述目标置信度对应的物体类别确定为该目标物体的物体标签。
24、作为一种可选的实施方式，在本专利技术第一方面中，所述基于所有所述目标物体的物体特征，生成物体特征集合，包括：
25、基于所有所述目标物体的物体特征，提取每个所述目标物体的物体特征中的关键特征信息；
26、对所有所述目标物体的关键特征信息执行信息压缩处理操作，得到目标特征信息；
27、基于所有所述目标物体的目标特征信息，生成物体特征集合。
28、作为一种可选的实施方式，在本专利技术第一方面中，所述将所有所述目标物体的关联结果输入至预先确定出的第一卷积神经模型，以使所述第一卷积神经模型输出每个所述目标物体的物体特征，包括：
29、对于每个所述目标物体，将该目标物体以及该目标物体的物体标签输入至预先确定出的第一卷积神经模型，以使第一卷积神经模型提取得到该目标物体的向量特征信息，并根据该目标物体的向量特征信息，生成该目标物体的物体特征。
30、本专利技术第二方面公开了一种基于向量特征的模型优化装置，所述装置包括：
31、确定模块，用于确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签；
32、输入模块，用于对于每个所述目标物体，将该目标物体与该目标物体的物体标签进行关联，得到该目标物体的关联结果，将所有所述目标物体的关联结果输入至预先确定出的第一卷积神经模型，以使所述第一卷积神经模型输出每个所述目标物体的物体特征；其中，每个所述目标物体的物体特征包括该目标物体的物体向量特征，每个所述目标物体的关联结果包括该目标物体以及该目标物体的物体标签且用于表示该目标物体与该目标物体的物体标签存在关联关系；
33、生成模块，用于基于所有所述目标物体的物体特征，生成物体特征集合；
34、优化模块，用于根据所述物体特征集合对所述第一卷积神经模型执行模型优化操作，得到模型优化后的第二卷积神经模型。
35、作为一种可选的实施方式，在本专利技术第二方面中，所述装置还包括：
36、获取模块，用于获取当前环境的实时环境信；
37、判断模块，用于根据所述实时环境信息，判断所述当前环境是否存在图像屏蔽需求；
38、所述确定模块，还用于本文档来自技高网...
【技术保护点】
1.一种基于向量特征的模型优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于向量特征的模型优化方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于向量特征的模型优化方法，其特征在于，所述根据所述物体特征集合对所述第一卷积神经模型执行模型优化操作，得到模型优化后的第二卷积神经模型之后，所述方法还包括：
4.根据权利要求2所述的基于向量特征的模型优化方法，其特征在于，所述确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签之前，所述方法还包括：
5.根据权利要求1所述的基于向量特征的模型优化方法，其特征在于，所述确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签，包括：
6.根据权利要求5所述的基于向量特征的模型优化方法，其特征在于，所述基于所有所述目标物体的物体特征，生成物体特征集合，包括：
7.根据权利要求1所述的基于向量特征的模型优化方法，其特征在于，所述将所有所述目标物体的关联结果输入至预先确定出的第一卷积神经模型，以使所述第一卷积神经模型输出每个所述目标
8.一种基于向量特征的模型优化装置，其特征在于，所述装置包括：
9.一种网络附加存储设备，其特征在于，所述网络附加存储设备至少包括一如权利要求8所述的基于向量特征的模型优化装置，且所述装置配置有：
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于向量特征的模型优化方法。
...【技术特征摘要】
1.一种基于向量特征的模型优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于向量特征的模型优化方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于向量特征的模型优化方法，其特征在于，所述根据所述物体特征集合对所述第一卷积神经模型执行模型优化操作，得到模型优化后的第二卷积神经模型之后，所述方法还包括：
4.根据权利要求2所述的基于向量特征的模型优化方法，其特征在于，所述确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签之前，所述方法还包括：
5.根据权利要求1所述的基于向量特征的模型优化方法，其特征在于，所述确定每张目标图像中的目标物体，并确定每个所述目标物体的物体标签，包括：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：张清森，陈俊灵，罗永欢，
申请(专利权)人：深圳市绿联科技股份有限公司，
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。