[发明专利]基于机器学习的图像信息识别的优化方法及装置

权利要求书

1.一种基于机器学习的图像信息识别的优化方法，其特征在于，包括：

获取主任务图像训练样本集以及至少一个分支任务图像训练样本集，所述主任务图像训练样本集与所述分支任务图像训练样本集相匹配；

基于所述主任务图像训练样本集、所述分支任务图像训练样本集对预设深度学习模型执行主任务训练及分支任务训练相切换的训练处理，以使根据模型精度、损失值确定所述预设深度学习模型处于非局部最优、和/或非鞍点状态下完成训练处理；

基于完成训练的预设深度学习模型，对待识别的图像信息进行识别处理，得到所述图像信息的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述主任务图像训练样本集、所述分支任务图像训练样本集对预设深度学习模型执行主任务训练及分支任务训练相切换的训练处理包括：

当执行主任务训练处理的所述预设深度学习模型处于局部最优、和/或鞍点状态，则根据与所述主任务图像训练样本集匹配的分支任务图像训练样本集对已执行主任务训练处理的所述预设深度学习模型执行分支任务训练处理；

当执行分支任务训练处理的所述预设深度学习模型跳出所述局部最优以及所述鞍点状态，则根据所述主任务图像训练样本集对所述预设深度学习模型重新执行主任务训练处理；

当重新执行主任务训练处理的所述预设深度学习模型的模型精度匹配预设精度阈值时，确定完成所述预设深度学习模型的训练。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

当重新执行主任务训练处理后，所述所述预设深度学习模型处于局部最优、和/或鞍点状态，则再次基于所述分支任务图像训练样本集重新对所述预设深度学习模型执行分支任务训练处理的步骤；

当执行分支任务训练处理的所述预设深度学习模型跳出所述局部最优以及所述鞍点状态后，再次执行根据所述主任务图像训练样本集对所述预设深度学习模型重新执行主任务训练处理的步骤，直至所述预设深度学习模型的模型精度匹配预设精度阈值确定完成所述预设深度学习模型的训练。

4.根据权利要求2所述的方法，其特征在于，所述根据与所述主任务图像训练样本集匹配的分支任务图像训练样本集对已执行主任务训练处理的所述预设深度学习模型执行分支任务训练处理包括：

若所述分支任务图像训练样本集为多个时，基于所述分支任务图像训练样本集匹配的识别特征，以及识别特征与图像信息映射对应关系确定执行分支任务训练处理的顺序，并按照所述顺序对已执行主任务训练处理的所述预设深度学习模型执行多个分支任务训练处理。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于对执行主任务训练处理的所述预设深度学习模型的模型精度、损失值进行递归计算，当所述模型精度、损失值不变时，确定执行主任务训练处理的所述预设深度学习模型处于局部最优、和/或鞍点状态，所述预设深度学习模型为神经网络模型。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

基于待训练的图像训练集中各图像信息的识别特征，构建一个主任务图像训练样本集，以及至少一个分支任务图像训练样本集，所述识别特征至少包括图像信息中五官特征、性别特征、年龄特征、表情特征、文字特征、数字特征之一。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

解析得到所述图像信息的识别结果，基于解析出的识别特征对所述主任务图像训练样本集、所述分支任务图像训练样本集进行更新。