[发明专利]一种图像识别模型的训练方法、装置及电子设备

说明书

本发明实施例提供了一种图像识别模型的训练方法、装置及电子设备，其中，该方法包括：将获取的已标注图像样本和未标注图像样本输入CNN模型的特征提取层中，分别提取已标注图像样本的特征和未标注图像样本的特征；通过将已标注图像样本的特征和未标注图像样本的特征输入至待训练CNN模型的损失层，获得待训练CNN模型中损失函数的损失值；基于损失函数的损失值对待训练CNN模型中的参数进行调整，得到训练后的CNN模型。这样，采用一部分已标注图像样本和一部分未标注图像样本对CNN模型进行训练，无须采用大量的已标注图像样本对CNN模型进行训练，可以减少人工标注的图像的数量，降低人工标注的工作量，提高模型训练的效率。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种图像识别模型的训练方法、装置及电子设备。

背景技术

随着深度学习技术的发展，极大的推动了机器视觉技术的应用，例如，将深度学习技术应用于机器视觉领域后，可以使得图像识别、目标检测和实例分割等机器视觉任务的性能显著提高。

在应用基于图像识别的机器视觉技术时，通常是先采用已标注的图像作为训练样本对图像识别模型进行训练，然后再采用训练好的图像识别模型处理机器视觉任务。通常情况下，标注图像样本越多，训练的图像识别模型越好，对机器视觉任务处理的精确度也较高。

然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：

在现有技术中，为了训练该图像识别模型，往往需要对大量的图像进行人工标注以得到图像样本，由于人工进行标注比较麻烦，使得人工标注的工作量较大，模型训练的效率低。

发明内容

本发明实施例的目的在于提供一种图像识别模型的训练方法、装置及电子设备，以实现减少人工标注的图像的数量，降低人工标注的工作量，提高模型训练的效率。具体技术方案如下：

在本发明实施例的一个方面，本发明实施例提供了一种图像识别模型的训练方法，该方法包括：

获取已标注图像样本和未标注图像样本；

将已标注图像样本和未标注图像样本输入CNN(Convolutional NeuralNetworks，卷积神经网络)模型的特征提取层中，分别提取已标注图像样本的特征和未标注图像样本的特征；

通过将已标注图像样本的特征和未标注图像样本的特征输入至待训练CNN模型的损失层，获得待训练CNN模型中损失函数的损失值；

基于损失函数的损失值，对待训练CNN模型中的参数进行调整，得到训练后的CNN模型。

可选的，已标注图像样本为标注了类别的图像样本，已标注图像样本中的标注对象与未标注图像样本不同；

在通过将已标注图像样本的特征和未标注图像样本的特征输入至待训练CNN模型的损失层，获得待训练CNN模型的损失函数的损失值之前，该图像识别模型的训练方法还包括：

基于每个类别的已标注图像样本的类别，在待训练CNN模型对应的权重向量中，确定该已标注图像样本类别的权重，其中，待训练CNN模型对应的权重向量包括每个类别对应的权重，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；

通过将已标注图像样本的特征和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模型的损失函数的损失值，包括：

通过将每个类别的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、多个类别的权重和未标注图像样本的特征，输入至待训练CNN模型的损失层，获得待训练CNN模型的损失函数的损失值。

可选的，通过将每个类别的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、多个类别的权重和未标注图像样本的特征，输入至待训练CNN模型的损失层，获得CNN模型中损失函数的损失值，包括：