[发明专利]一种图像识别模型的训练方法、装置及电子设备

权利要求书

1.一种图像识别模型的训练方法，其特征在于，所述方法包括：

获取已标注图像样本和未标注图像样本；

将所述已标注图像样本和所述未标注图像样本输入待训练卷积神经网络CNN模型的特征提取层中，分别提取所述已标注图像样本的特征和所述未标注图像样本的特征；

通过将每个类别的所述已标注图像样本的特征、该已标注图像样本所属类别的权重、多个类别的权重和所述未标注图像样本的特征，输入至所述待训练CNN模型的损失层，获得所述待训练CNN模型中损失函数的损失值；

基于所述损失函数的损失值，对所述待训练CNN模型中的参数进行调整，得到训练后的CNN模型；

所述通过将每个类别的所述已标注图像样本的特征、该已标注图像样本所属类别的权重、多个类别的权重和所述未标注图像样本的特征，输入至所述待训练CNN模型的损失层，获得所述待训练CNN模型中损失函数的损失值，包括：

将第i个已标注图像样本的特征f_i、所述第i个已标注图像样本的特征f_i所属类别li的权重w_li、第j个类别的权重w_j以及所述未标注图像样本中第u个未标注图像样本的特征f_u，输入至所述待训练CNN模型的损失层，以使得所述损失层通过以下公式：

计算所述待训练CNN模型中损失函数的损失值L，其中，所述n为所述已标注图像样本的总数，所述K为所述已标注图像样本的类别的总数，所述U为所述未标注图像样本的总数，所述w_li和所述w_j分别为预设权重向量W中的第li列向量和第j列向量，1≤li≤K；

或者，

所述通过将每个类别的所述已标注图像样本的特征、该已标注图像样本所属类别的权重、所述多个类别的权重和所述未标注图像样本的特征，输入至所述待训练CNN模型的损失层，获得所述待训练CNN模型中损失函数的损失值，包括：

将第i个已标注图像样本的特征f_i、所述第i个已标注图像样本的特征f_i所属类别li的权重w_li、第j个类别的权重w_j以及所述未标注图像样本中第u个未标注图像样本的特征f_u，输入至所述待训练CNN模型的损失层，以使得所述损失层通过以下公式：

计算所述待训练CNN模型中损失函数的损失值L，其中，所述θ_yi＝arccos(f_i·w_i)，所述s,m分别为该损失函数中的预先设置的超参数，所述yi表示第i个已标注图像样本所属的类别，1≤yi≤K，θ_j＝arccos(f_i·w_j)，θ_u＝arccos(f_i·f_u)。

2.根据权利要求1所述的方法，其特征在于，所述已标注图像样本为标注了类别的图像样本，所述已标注图像样本中的标注对象与所述未标注图像样本不同；

在所述通过将所述已标注图像样本的特征和所述未标注图像样本的特征输入至所述待训练CNN模型的损失层，获得所述待训练CNN模型中损失函数的损失值之前，所述方法还包括：

基于每个类别的所述已标注图像样本的类别，在所述待训练CNN模型对应的权重向量中，确定该已标注图像样本所述类别的权重，其中，所述待训练CNN模型对应的权重向量包括每个类别对应的权重，所述待训练CNN模型对应的权重向量，至少为预先设置的初始权重向量。