[发明专利]图像识别模型训练方法、装置、计算机设备和存储介质

权利要求书

1.一种图像识别模型训练方法，其特征在于，所述方法包括：

获取基础图像识别模型，并获取训练图像样本，所述训练图像样本包括长尾类别对应的各个图像样本和正常类别对应的各个图像样本，所述基础图像识别模型是使用所述训练图像样本训练得到的；

将所述长尾类别对应的各个图像样本输入到所述基础图像识别模型中进行特征识别，得到各个图像样本特征向量，基于所述各个图像样本特征向量计算得到长尾类别权重；

使用所述长尾类别权重替换所述基础图像识别模型输出层中所述长尾类别对应的长尾类别模型参数，得到当前图像识别模型；

使用所述训练图像样本对所述当前图像识别模型进行训练，当达到预设训练完成条件时，得到第一目标图像识别模型。

2.根据权利要求1所述的方法，其特征在于，在所述使用所述训练图像样本对所述当前图像识别模型进行训练，当达到预设训练完成条件时，得到第一目标图像识别模型之后，还包括：

将所述第一目标图像识别模型作为基础图像识别模型，并返回将所述长尾类别对应的各个图像样本输入到所述基础图像识别模型中进行特征识别，得到各个图像样本特征向量，基于所述各个图像样本特征向量计算得到长尾类别权重的步骤执行，直到达到预设循环完成条件时，得到第二目标图像识别模型。

3.根据权利要求2所述的方法，其特征在于，在所述得到第二目标图像识别模型之后，还包括：

将所述第二目标图像识别模型部署到云服务器中，并生成调用接口，所述调用接口用于调用所述第二目标图像识别模型对待识别图像进行识别。

4.根据权利要求1所述的方法，其特征在于，所述基础图像识别模型的生成包括以下步骤：

获取所述训练图像样本，将所述训练图像样本输入到深度神经网络模型中进行训练，当达到预设基础训练完成条件时，得到所述基础图像识别模型。

5.根据权利要求4所述的方法，其特征在于，所述获取所述训练图像样本，将所述训练图像样本输入到深度神经网络模型中进行训练，当达到预设基础训练完成条件时，得到所述基础图像识别模型，包括：

从所述训练图像样本中选取当前训练样本；

将所述当前训练样本输入到所述深度神经网络模型中进行前向传播计算，得到当前预测类别；

获取所述当前训练样本对应的图像类别标签，使用所述当前预测类别和对应的所述图像类别标签计算当前损失值；

使用所述当前损失值对所述深度神经网络模型进行反向传播计算，得到更新模型参数的深度神经网络模型，将所述更新模型参数的深度神经网络模型作为深度神经网络模型，并返回从所述训练图像样本中选取当前训练样本的步骤执行，直到达到所述预设基础训练完成条件时，得到所述基础图像识别模型。

6.根据权利要求1所述的方法，其特征在于，基于所述各个图像样本特征向量计算得到长尾类别权重，包括：

从所述各个图像样本特征向量中确定各个长尾类别对应的目标图像样本特征向量；

分别计算所述各个长尾类别对应的目标图像样本特征向量的平均向量，得到所述各个长尾类别对应的平均向量；

将所述各个长尾类别对应的平均向量作为所述各个长尾类别对应的长尾类别权重。

7.根据权利要求1所述的方法，其特征在于，所述使用所述长尾类别权重替换所述基础图像识别模型中对应的长尾类别模型参数，得到当前图像识别模型，包括：

获取到各个长尾类别对应的长尾类别权重，并从所述基础图像识别模型输出层中确定所述各个长尾类别对应的长尾类别模型参数；

使用所述各个长尾类别对应的长尾类别权重替换对应的长尾类别模型参数，得到当前图像识别模型。