[发明专利]一种图像识别模型训练方法、图像识别方法及相关设备

说明书

本申请提供一种图像识别模型训练方法、图像识别方法及相关设备，用于减少训练模型的训练样本。该图像识别模型训练方法包括：通过第一图像识别模型的第一特征提取模块，提取训练集中各样本图像的特征，获得各样本图像的第一特征矩阵；通过所述第一相似度度量模块，对各第一特征矩阵进行映射，获得各第二特征矩阵；并确定每两个第二特征矩阵之间的相似度；调整所述第一相似度度量模块的模型参数，直到训练损失满足目标损失，获得已训练的第一图像识别模型，其中，所述训练损失表示与样本图像目标分类标签相同的样本图像的相似度与样本图像目标分类标签不同的样本图像的相似度之间的误差。

技术领域

本申请涉及计算机技术领域，尤其涉及一种图像识别模型训练方法、图像识别方法及相关设备。

背景技术

在图像识别之前，通常需要根据图像识别任务训练一个神经网络模型，然而，训练神经网络模型需要大量的训练样本，这在实际应用中是很难实现的。

随着图像识别准确性的要求的不断提升，图像识别模型的特征提取模块涉及的参数越来越多，在模型应用端对图像识别模型进行迁移学习时，仅基于实际应用时的样本，对特征提取模块进行训练，会导致迁移学习后的图像识别模型产生严重的偏置，因此训练特征提取模块时，除了实际应用时的样本以外，仍然需要较多的迁移学习前的训练样本一同参与对图像识别模型的训练，对于模型应用端来说，获得迁移学习前的训练样本是很难实现的，因此，在训练过程中，仍然存在所需训练样本较多的问题，造成训练效率较低。

发明内容

本申请实施例提供一种图像识别模型训练方法、图像识别方法及相关设备，用于减少训练模型的训练样本。

第一方面，提供一种图像识别模型训练方法，该方法包括：

通过第一图像识别模型的第一特征提取模块，提取训练集中各样本图像的特征，获得各样本图像的第一特征矩阵；其中，所述第一特征提取模块的模型参数是从已训练的第二图像识别模型迁移得到的，所述第一图像识别模型和所述第二图像识别模型用于识别不同的目标；

通过所述第一相似度度量模块，对各第一特征矩阵进行映射，获得各第二特征矩阵，并确定每两个第二特征矩阵之间的相似度；

根据每两个第二特征矩阵之间的相似度，确定所述第一图像识别模型的训练损失；

根据所述训练损失，调整所述第一相似度度量模块的模型参数，直到所述第一图像识别模型的训练损失满足目标损失，获得已训练的第一图像识别模型。

可选的，调整所述第一相似度度量模块的模型参数，包括：

在每一次调整过程中，按照预设调整范围，调整第一相似度度量模块的模型参数。

可选的，所述方法还包括：

在每一次调整过程中，对调整后的第一相似度度量模块的模型参数进行正则化约束。

可选的，第一相似度度量模块的模型参数包括单位矩阵形式的转移矩阵。

可选的，确定每两个第二特征矩阵之间的相似度，包括：

针对每两个第二特征矩阵，确定两个第二特征矩阵之间的余弦相似度。

第二方面，提供一种图像识别方法，包括：

通过已训练的第一图像识别模型，对待处理图像进行识别；其中，已训练的第一图像识别模型是通过第一方面所述的任一方法训练得到的；

获得所述待处理图像的目标分类。

第三方面，提供一种训练图像识别模型的装置，包括：