【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种质量评估模型的训练方法、身份识别方法、设备及介质。
技术介绍
1、人工智能(artificial intelligence，ai)涵盖计算机视觉(computer vision，cv)，cv技术也是ai的主要研究领域。cv技术可应用于图像识别任务，其可利用训练好的模型判定图像所属类别。
2、而在图像识别任务中，准备大批量的图像样本费时费力、成本非常高，因此，在某些场景中往往会出现标记样本数量少、样本质量差等问题，影响了对相应的模型的训练效果，从而影响了模型的应用性能。
3、例如，在利用掌静脉图像进行身份识别的场景中，由于掌静脉图像是由特定波段的红外相机采集，存在样本数量低，且样本图像存在低对比度、噪声高及光照不均匀的特点，其训练得到的模型容易造成识别精度低、身份注册失败的问题。
4、因此，如何在少样本情况下筛选合适的样本图像进行模型训练，以提高模型训练效果，是本领域技术人员亟待解决的问题。
技术实现思路
1、本申请至少提供一种质量评估模型的训练方法、身份识别方法、设备及介质。
2、本申请第一方面提供了一种质量评估模型的训练方法，方法包括：获取样本图像集合，样本图像集合中含有多个样本图像；将样本图像输入至待训练模型的特征提取网络中，得到特征提取网络输出的样本图像特征；将样本图像特征分别输入至待训练模型的质量评估网络和分类网络中，得到质量评估网络输出的质量分数和分类网络输出的分类结果；其中，分类结果用于表
3、在一实施例中，样本图像集合包括有标签样本和无标签样本，有标签样本的数量小于无标签样本的数量，有标签样本的标签用于标记样本图像在分类任务中所属的真实类别。
4、在一实施例中，结合质量分数和分类结果，计算模型训练损失，包括：针对有标签样本，获取待训练模型的分类网络输出的有标签样本对应的分类结果，得到分类结果的分类概率值；以及，获取待训练模型的质量评估网络输出的有标签样本对应的质量分数；计算分类概率值和质量分数之间的比值；利用比值计算得到模型训练损失。
5、在一实施例中，分类网络包括第一分类网络和第二分类网络；结合质量分数和分类结果，计算模型训练损失，包括：针对无标签样本，获取待训练模型的第一分类网络和第二分类网络分别输出的第一分类结果和第二分类结果；计算第一分类结果与第二分类结果之间的差异，得到分类结果差异损失；利用分类结果差异损失计算得到模型训练损失。
6、在一实施例中，利用分类结果差异损失计算得到模型训练损失，包括：针对有标签样本，获取待训练模型的分类网络输出的有标签样本对应的分类结果，得到分类结果的分类概率值；以及，获取待训练模型的质量评估网络输出的有标签样本对应的质量分数；计算分类概率值和质量分数之间的比值；利用比值计算得到第一训练损失；利用分类结果差异损失计算得到第二训练损失；对第一训练损失和第二训练损失进行求和计算，得到模型训练损失。
7、在一实施例中，方法还包括：构建初始神经网络模型；利用有标签样本对初始神经网络模型进行有监督训练，得到待训练模型。
8、在一实施例中，利用有标签样本对初始神经网络模型进行有监督训练，得到待训练模型，包括：获取初始神经网络模型的分类网络输出的有标签样本对应的分类结果，得到分类结果的分类概率值；以及，获取初始神经网络模型的质量评估网络输出的有标签样本对应的质量分数；以质量分数和分类概率值成正相关为训练目标，调整初始神经网络模型的模型参数，得到待训练模型。
9、本申请第二方面提供了一种身份识别方法，方法包括：获取待识别对象的掌静脉图像；将掌静脉图像输入至质量评估模型中，得到质量评估模型输出的掌静脉图像的图像特征和质量分数；其中，质量评估模型是根据上述质量评估模型的训练方法训练得到的；以及，获取身份数据库，身份数据库中含有多个候选身份特征；计算掌静脉图像的图像特征与各个候选身份特征之间的相似度，得到特征相似度；结合特征相似度和掌静脉图像的质量分数，确定待识别对象的身份识别结果。
10、本申请第三方面提供了一种质量评估模型的训练装置，装置包括：样本获取模块，用于获取样本图像集合，样本图像集合中含有多个样本图像；特征提取模块，用于将样本图像输入至待训练模型的特征提取网络中，得到特征提取网络输出的样本图像特征；结果获取模块，用于将样本图像特征分别输入至待训练模型的质量评估网络和分类网络中，得到质量评估网络输出的质量分数和分类网络输出的分类结果；其中，分类结果用于表征样本图像在分类任务中属于各个预设类别的概率，质量分数用于衡量样本图像用于执行分类任务的可靠性；损失计算模块，用于结合质量分数和分类结果，计算模型训练损失；参数调整模块，用于利用模型训练损失对待训练模型进行模型参数调整，得到训练完成的质量评估模型。
11、本申请第四方面提供了一种身份识别装置，装置包括：图像采集模块，用于获取待识别对象的掌静脉图像；特征提取及质量评估模块，用于将掌静脉图像输入至质量评估模型中，得到质量评估模型输出的掌静脉图像的图像特征和质量分数；其中，质量评估模型是根据上述的质量评估模型的训练方法训练得到的；以及，获取身份数据库，身份数据库中含有多个候选身份特征；相似度计算模块，用于计算掌静脉图像的图像特征与各个候选身份特征之间的相似度，得到特征相似度；结果确定模块，用于结合特征相似度和掌静脉图像的质量分数，确定待识别对象的身份识别结果。
12、本申请第五方面提供了一种电子设备，包括存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述质量评估模型的训练方法、身份识别方法。
13、本申请第六方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述质量评估模型的训练方法、身份识别方法。
14、上述方案，通过将样本图像输入至待训练模型的特征提取网络中，得到特征提取网络输出的样本图像特征；将样本图像特征分别输入至待训练模型的质量评估网络和分类网络中，得到质量评估网络输出的质量分数和分类网络输出的分类结果；其中，分类结果用于表征样本图像在分类任务中属于各个预设类别的概率，质量分数用于衡量样本图像用于执行分类任务的可靠性；结合质量分数和分类结果，计算模型训练损失；利用模型训练损失对待训练模型进行模型参数调整，得到训练完成的质量评估模型，可以解决手工设计特征导致输出的图像质量分数与实际情况不贴合且局限高的问题，且该模型训练方式不依赖大量的有标签样本，可以有效缓解模型训练对有标签样本量的依赖性。
15、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
本文档来自技高网...【技术保护点】
1.一种质量评估模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述样本图像集合包括有标签样本和无标签样本，所述有标签样本的数量小于所述无标签样本的数量，所述有标签样本的标签用于标记所述样本图像在所述分类任务中所属的真实类别。
3.根据权利要求2所述的方法，其特征在于，所述结合所述质量分数和所述分类结果，计算模型训练损失，包括：
4.根据权利要求2所述的方法，其特征在于，所述分类网络包括第一分类网络和第二分类网络；所述结合所述质量分数和所述分类结果，计算模型训练损失，包括：
5.根据权利要求4所述的方法，其特征在于，所述利用所述分类结果差异损失计算得到模型训练损失，包括：
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述利用所述有标签样本对所述初始神经网络模型进行有监督训练，得到待训练模型，包括：
8.一种身份识别方法，其特征在于，所述方法包括：
9.一种电子设备，其特征在于，所述电子设备包
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序指令，所述程序指令能够被处理器执行以实现如权利要求1-7任一项所述质量评估模型的训练方法的步骤、或权利要求8所述身份识别方法的步骤。
...【技术特征摘要】
1.一种质量评估模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述样本图像集合包括有标签样本和无标签样本，所述有标签样本的数量小于所述无标签样本的数量，所述有标签样本的标签用于标记所述样本图像在所述分类任务中所属的真实类别。
3.根据权利要求2所述的方法，其特征在于，所述结合所述质量分数和所述分类结果，计算模型训练损失，包括：
4.根据权利要求2所述的方法，其特征在于，所述分类网络包括第一分类网络和第二分类网络；所述结合所述质量分数和所述分类结果，计算模型训练损失，包括：
5.根据权利要求4所述的方法，其特征在于，所述利用所述分类结果差异损失计算得到模型训练损失，包括：
6.根...
【专利技术属性】
技术研发人员：朱婷，夏炜栋，郝敬松，朱树磊，殷俊，
申请(专利权)人：浙江大华技术股份有限公司，
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。