本公开提供一种图像识别模型的训练方法、装置及图像识别方法、装置。该训练方法包括：采用基于特征空间畸变的生成对抗网络算法模型对原始人体姿态训练样本进行扩充，得到目标人体姿态训练样本，生成对抗网络算法模型包括生成器和判别器，生成器包括畸变模块，畸变模块根据随机噪声向量和畸变模块参数按照预设特征变形算法生成畸变图像特征，基于畸变图像特征得到目标人体姿态训练样本；将目标人体姿态训练样本输入初始图像识别模型；根据每个训练周期中初始图像识别模型的输出，对初始图像识别模型进行调参，直至获得满足训练停止条件的目标图像识别模型，提高了目标图像识别模型的泛化能力和人体姿态识别的准确性。
【技术实现步骤摘要】
本公开属于人体姿态识别，具体涉及一种图像识别模型的训练方法、装置及图像识别方法、装置。
技术介绍
1、随着人工智能和计算机视觉技术的快速发展，人体姿态识别逐渐成为诸多领域中的重要应用，例如智能监控、虚拟现实、运动分析和健康监测等。然而，现有的人体姿态识别技术面临着一些挑战。首先，采集和标注大规模、多样化的人体姿态图像数据需要大量的时间和成本。在多视角、复杂环境下，人体姿态图像数据的采集往往不足，导致训练数据不充分。这种训练数据不足的问题可能会影响模型的训练效果，从而影响人体姿态识别的准确性。其次，传统的特征提取、特征降维和分类算法在处理复杂姿态变化时，可能会受到梯度消失、特征丢失、模型泛化能力差等问题的影响。这些问题可能会导致模型在多样化环境中的识别准确性和鲁棒性下降。此外，现有的分类器模型在处理多类别复杂数据时，其分类精度常常不够理想。特别是在涉及多姿态、多场景变化的识别任务中，现有的分类器模型难以达到稳定的分类效果。因此，如何解决以上问题以提高人体姿态识别的准确性和鲁棒性，是当前人体姿态识别技术发展的重要课题。
>技术实现思路本文档来自技高网...
【技术保护点】
1.一种图像识别模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述初始图像识别模型包括初始特征提取算法模型、初始自编码器算法模型和初始神经决策树算法模型，所述将所述目标人体姿态训练样本输入初始图像识别模型，包括：
3.根据权利要求2所述的训练方法，其特征在于，所述根据每个训练周期中所述初始图像识别模型的输出，对所述初始图像识别模型进行调参，直至获得满足训练停止条件的目标图像识别模型，包括：
4.根据权利要求3所述的训练方法，其特征在于，所述基于上一个训练周期的所述初始特征提取算法模型的输出误差量，利用混沌...
【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，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述初始图像识别模型包括初始特征提取算法模型、初始自编码器算法模型和初始神经决策树算法模型，所述将所述目标人体姿态训练样本输入初始图像识别模型，包括：
3.根据权利要求2所述的训练方法，其特征在于，所述根据每个训练周期中所述初始图像识别模型的输出，对所述初始图像识别模型进行调参，直至获得满足训练停止条件的目标图像识别模型，包括：
4.根据权利要求3所述的训练方法，其特征在于，所述基于上一个训练周期的所述初始特征提取算法模型的输出误差量，利用混沌优化算法调整所述初始特征提取算法模型在当前训练周期的学习率，进而根据更新的学习率更新所述初始特征提取算法模型的权重，直到获得满足停止模型训练条件的目标特征提取算法模型，包括：
5.根据权利要求3所述的训练方法，其特征在于，所述在当前训练周期，根据所述初始编码器的前一层激活函数的输出特征和当前层的特征重要性评分进行动态路由决策，在所述初始解码器利用来自不同编码层的特征进行数据重构，通过反向传播算法计算所述初始自编码器算法模型的损失函数对所述初始自编码器算法模型的参数的梯度，更新所述初始自编码器算法模型的权重和偏置，直到获得满足停止模型训练条件的目标自编码器算法模型，包括：
6.根据权利要求5所述的训练方法，其特征在于，所述在当前训练周期，根据所述初始编码器的前一层激活函数的输出特征和当前层的特征重要性评分进行动态路由决策，在所述初始解码器利用来自不同编码层的特征进行数据重构，通过反向传播算法计算所述初始自编码器算法模型的损失函数对所述初始自编码器算法模型的参数的梯度，更新所述初始自编码器算法模型的权重和偏置，直到获得满足停止模型训练...
【专利技术属性】
技术研发人员：刘文辛，
申请(专利权)人：成都开源计算生态科技有限公司，
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。