[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

说明书

本申请涉及一种图像识别模型训练方法、装置、计算机设备和存储介质。该方法包括：获取基础图像识别模型，并获取训练图像样本，训练图像样本包括长尾类别对应的各个图像样本；将长尾类别对应的各个图像样本输入到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，基于各个图像样本特征向量计算得到长尾类别权重；使用长尾类别权重替换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；使用训练图像样本对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，可以将第一目标图像识别模型部署到云服务器中进行使用。采用本方法能够提高第一目标图像识别模型对图像识别的精准性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种图像识别模型训练方法、装置、计算机设备和存储介质。

背景技术

随着图像识别技术的发展，出现了通过人工智能算法训练得到的图像识别模型，使用图像识别模型来对图像中的物体类别进行识别，比如，对图像中的人、狗、猫和鸟等类别进行的识别并给出对象所属类别。目前在训练图像识别模型时，需要获取到大量的不同物体类别的图像样本，通过大量的图像样本进行训练，才能得到图像识别模型。然而，通常获取到的图像样本是长尾分布的，即不同物体类别的图像样本量是极度不均衡的，其中，一部分的类别的图像样本量极少，一部分的图像类别的样本量极多、其他类别的图像样本量居中。

由于长尾分布中的长尾类别的图像样本量不足，导致长尾类别得不到充分的训练，使得训练得到的图像识别模型对长尾类别的识别不够精确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高对长尾类别识别精确度的图像识别模型方法、装置、计算机设备和存储介质。

一种图像识别模型训练方法，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，训练图像样本包括长尾类别对应的各个图像样本；

将长尾类别对应的各个图像样本输入到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，基于各个图像样本特征向量计算得到长尾类别权重；

使用长尾类别权重替换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；

使用训练图像样本对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。

一种图像识别方法，所述方法包括：

获取待识别图像；

将待识别图像输入到第一目标图像识别模型中进行识别，得到输出的图像类别；

其中，第一目标图像识别模型是使用长尾类别权重替换基础图像识别模型输出层对应的长尾类别模型参数，得到当前图像识别模型，并使用训练图像样本对当前图像识别模型进行训练后得到，长尾类别权重是将训练图像样本中长尾类别对应的各个图像样本输入到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，基于各个图像样本特征向量计算得到的。

一种图像识别模型训练装置，所述装置包括：

获取模块，用于获取基础图像识别模型，并获取训练图像样本，训练图像样本包括长尾类别对应的各个图像样本；

权重计算模块，用于将长尾类别对应的各个图像样本输入到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，基于各个图像样本特征向量计算得到长尾类别权重；

替换模块，用于使用长尾类别权重替换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；

训练模块，使用训练图像样本对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。

一种图像识别装置，所述装置包括：