[发明专利]构建图像识别模型和图像识别的方法、装置、设备及介质

说明书

本公开涉及一种构建图像识别模型和图像识别的方法、装置、设备及介质，可应用于计算机和人工智能技术领域，上述构建图像识别模型的方法包括：获取初始机器学习模型，该初始机器学习模型的超参数为预先确定的目标最优超参数；该目标最优超参数是通过对备选超参数对应的模型进行训练、对训练后的模型进行测试、基于测试结果剔除部分备选超参数以及基于贝叶斯优化得到下一批备选超参数这一过程进行迭代得到的；从源图像样本集中获取待处理的源图像样本；对上述待处理的源图像样本进行预处理操作，得到预处理后的样本数据；以及将上述预处理后的样本数据输入至上述初始机器学习模型中进行训练，训练完成得到的目标机器学习模型为图像识别模型。

技术领域

本公开涉及计算机技术领域，尤其涉及一种构建图像识别模型和图像识别的方法、装置、设备及介质。

背景技术

物体重识别是计算机视觉中一项非常重要的任务，该技术可以用于行人/车辆重识别、人脸识别、野生动物保护、商品溯源、拍照购物等应用中，其中包括搜索电视剧中感兴趣的演员的视频、从监控视频中搜索商场中走失的孩子、从城市监控系统中搜索可疑车辆的视频、电子商务平台的拍照购物、商品溯源防伪、东北虎保护等具体应用。

随着人工智能算法的发展，对于海量数据进行训练后可以得到用于进行物体重识别的模型。训练数据通常有两类：学术研究的数据集中的数据和实际场景中采集的数据集中的数据。学术研究的数据集经过精心的人工清洗、筛选和标注，同时数据规模较小，训练得到的模型的效果不是最佳，需要采集海量的实际数据来对模型进行训练，期望得到更为准确的模型。然而，在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：在实际场景中采集的数据，不仅规模都非常大，同时数据分布也是未知的，采用默认的超参数对应的模型进行训练一般无法得到比较好的效果；同时在大规模数据上进行超参数优化的成本非常高，模型的迭代周期慢。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种一种构建图像识别模型和图像识别的方法、装置、设备及介质。

第一方面，本公开的实施例提供了一种构建图像识别模型的方法。上述方法包括：获取初始机器学习模型，上述初始机器学习模型的超参数为预先确定的目标最优超参数；其中，上述目标最优超参数是通过对备选超参数对应的模型进行训练、对训练后的模型进行测试、基于测试结果剔除部分备选超参数以及基于贝叶斯优化得到下一批备选超参数这一过程进行迭代得到的；从源图像样本集中获取待处理的源图像样本；对上述待处理的源图像样本进行预处理操作，得到预处理后的样本数据；以及将上述预处理后的样本数据输入至上述初始机器学习模型中进行训练，训练完成得到的目标机器学习模型为图像识别模型。

根据本公开的实施例，上述方法还包括：确定目标最优超参数和初始机器学习模型。上述确定目标最优超参数和初始机器学习模型包括：针对具有不同备选超参数的模型，实施训练-测试-剔除和贝叶斯优化的迭代过程，直至迭代达到预设次数T后停止，T≥2且T为整数；在第i次训练-测试-剔除和贝叶斯优化的迭代过程中，i＝1,2…或T，实施以下操作：针对M_i组备选超参数对应的模型进行N_i次训练；对训练后的M_i组模型进行测试；基于所述M_i组模型的测试结果来剔除所述M_i组备选超参数中的部分备选超参数，得到剩余的k_i组待定超参数；以及基于高斯回归过程计算出组待定超参数的后验概率分布，并基于贝叶斯优化算法计算得到用于第i+1次迭代过程的备选超参数；其中，当i＝1时对应的备选超参数为随机初始化得到的备选超参数；用于第j次迭代过程的备选超参数作为所述目标最优超参数，所述目标最优超参数对应的模型作为初始机器学习模型，j＝2,3,…或T。