[发明专利]模型训练方法、样本生成方法、装置、设备及存储介质

说明书

本发明公开了一种模型训练方法、样本生成方法、装置、设备及存储介质，其中，所述模型训练方法包括：获取训练图像并将训练图像输入至第一编码器，获得第一编码器输出的第一隐向量；将第一隐向量输入至生成器，获得生成器输出的重构图像；所述重构图像中包含按照预设噪声生成方法所生成的目标噪声；将重构图像输入至第二编码器，获得第二编码器输出的第二隐向量；将第二隐向量输入至判别器，获得所述判别器输出的判别结果；根据判别结果对生成器以及判别器进行对抗训练，直至满足训练结束条件，则将第二编码器和判别器确定为样本生成模型。上述方法通过模型进行对抗训练，可生成更贴近自然类型的可靠对抗样本。

技术领域

本发明涉及图像处理技术领域，特别涉及一种模型训练方法、样本生成方法、装置、设备及存储介质。

背景技术

随着商品指纹在快销领域的扩展深入，将商品指纹大规模应用于商品识别中已逐渐成为趋势。商品指纹的识别特点在于，锁定商品之后，可通过特征搜索在商品特征库中匹配出最相近的特征，从而完成商品识别过程。

然而，商品识别过程中，受图像光线、背景颜色、拍照角度、商品旋转和遮挡等影响，识别结果往往易出现误差。因此，亟需提供一种能够在复杂条件下的准确识别商品图像信息的方案。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种模型训练方法、样本生成方法、装置、设备及存储介质，其中，所述方法通过对抗训练生成更贴近自然类型的对抗样本，进而可以实现对商品识别网络结构的高效优化，以提高识别结果的准确性。

第一方面，本发明提供一种模型训练方法，包括：

获取训练图像并将所述训练图像输入至第一编码器，获得所述第一编码器输出的第一隐向量；

将所述第一隐向量输入至生成器，获得所述生成器输出的重构图像；所述重构图像中包含按照预设噪声生成方法所生成的目标噪声；

将所述重构图像输入至第二编码器，获得所述第二编码器输出的第二隐向量；所述第二隐向量与所述第一隐向量之间的误差小于预设阈值；

将所述第二隐向量输入至判别器，获得所述判别器输出的判别结果；

根据所述判别结果对所述生成器以及所述判别器进行对抗训练，直至满足训练结束条件，则将所述第二编码器和所述判别器确定为样本生成模型。

作为进一步改进，所述预设噪声生成方法包括：

设置初始噪声范围，迭代获取所述噪声范围内各噪声值对应的第二隐向量；

基于所获取的第二隐向量对所述初始噪声范围进行逐步缩小，直至确定目标噪声。

作为进一步改进，所述预设噪声生成方法还包括：

通过预先构建的分类模型获取第二编码器输出的第二隐向量的分类结果；

基于所述第二隐向量的分类结果与所述训练图像的分类标签确定噪声范围；

根据所述噪声范围内各噪声值所对应的第二隐向量与所述第一隐向量之间的误差，确定目标噪声。

作为进一步改进，所述预先构建的分类模型具体为DenseNet网络模型。

第二方面，本发明还提供一种样本生成方法，包括：

获取初始图像，将所述初始图像输入至样本生成模型，由所述样本生成模型中的判别器通过加入目标噪声生成所述初始图像的目标样本；其中，

所述目标噪声通过预设噪声生成方法生成；

所述样本生成模型为采用如第一方面所述的模型训练方法训练出的模型。

第三方面，本发明还提供一种模型训练装置，包括：