[发明专利]图像识别模型的训练方法、装置、设备及存储介质

权利要求书

1.一种图像识别模型的训练方法，其特征在于，包括：

基于至少两个图像预识别模型，确定多个图像样本中每个图像样本的不确定度；其中，所述不确定度用于表征所述至少两个图像预识别模型识别图像类别的不确定性；所述至少两个图像预识别模型均用于从相同的多个图像类别中确定待识别图像的类别；

将所述多个图像样本中的不确定度小于等于第一预设阈值的第一目标图像样本，确定为所述第一目标图像样本所属图像类别的原型样本，或将多个图像样本中的不确定度小于其他图像样本的第一预设数量的第二目标图像样本，确定为所述第二目标图像样本所属图像类别的原型样本；

基于所述多个图像类别中每个图像类别的原型样本，训练神经网络模型，得到图像识别模型；其中，所述图像识别模型用于从所述多个图像类别中确定待识别图像的类别，或者确定所述待识别图像的类别不属于所述多个图像类别。

2.根据权利要求1所述的方法，其特征在于，所述至少两个图像预识别模型包括第一图像预识别模型和第二图像预识别模型，所述多个图像样本包括第一图像样本；所述基于至少两个图像预识别模型，确定多个图像样本中每个图像样本的不确定度，包括：

基于所述第一图像预识别模型提取所述每个图像样本的第一特征向量；其中，所述第一特征向量用于所述第一图像预识别模型从所述多个图像类别中确定待识别图像的类别；

基于所述第二图像预识别模型提取所述每个图像样本的第二特征向量；其中，所述第二特征向量用于所述第二图像预识别模型从所述多个图像类别中确定待识别图像的类别；

基于所述第一图像样本的第一特征向量分别与所述每个图像样本的第一特征向量,得到第一特征分布向量；其中，所述第一特征分布向量用于表征所述第一图像样本的第一特征向量与其他图像样本的第一特征向量的距离分布；

基于所述第一图像样本的第二特征向量分别与所述每个图像样本的第二特征向量，得到第二特征分布向量；其中，所述第二特征分布向量用于表征所述第一图像样本的第二特征向量与其他图像样本的第二特征向量的距离分布；

基于所述第一特征分布向量和所述第二特征分布向量，得到所述第一图像样本的不确定度。

3.根据权利要求1或2所述的方法，其特征在于，所述基于多个图像类别中每个图像类别的原型样本，训练神经网络模型，得到图像识别模型，包括：

确定所述每个图像类别的目标原型样本集合，所述多个图像类别包括第一图像类别，所述第一图像类别的目标原型样本集合至少包括第一原型样本，所述第一原型样本是所述第一图像类别的原型样本中不确定度最小的；

基于所述每个图像类别的目标原型样本集合，训练神经网络模型，得到图像识别模型。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

确定所述第一图像类别中的第二原型样本与所述第一图像类别的目标原型样本集合的最小特征距离，所述第二原型样本是不属于所述第一图像类别的目标原型样本集合的原型样本；

将最小特征距离最大的第二原型样本，确定为属于所述第一图像类别的目标原型样本集合的元素；

重复执行上述步骤，直至最大的最小特征距离小于等于第二预设阈值，或者所述第一图像类别的目标原型样本集合的元素数量等于第二预设数量。

5.根据权利要求1所述的方法，其特征在于，所述多个图像类别包括第二图像类别，所述基于多个图像类别中每个图像类别的原型样本，训练神经网络模型，得到图像识别模型，包括：

基于所述每个图像类别的原型样本和所述每个图像类别的原型样本的损失函数，训练神经网络模型，得到图像识别模型；其中，所述第二图像类别的原型样本的损失函数基于第一特征距离和第二特征距离确定，所述第一特征距离为所述第二图像类别中的每个图像样本与所述第二图像类别的原型样本之间的特征距离，所述第二特征距离为所述第二图像类别中每个图像样本与所述多个图像类别中其他图像类别的原型样本之间的特征距离。