[发明专利]一种图像识别模型泛化能力增强方法、系统及计算机可读存储介质

说明书

本发明提供了一种基于不同场景下图像识别模型泛化能力增强方法、系统及计算机可读存储介质，所述方法包括：根据场景对训练图片样本进行分类；根据训练图片样本的场景类别对所述图像识别模型中与所述场景类别对应的特征层进行训练。采用本发明的技术方案，可以增强图像识别模型的泛化能力。

技术领域

本发明涉及机器学习技术领域，具体为一种基于不同场景下图像识别模型泛化能力增强方法、系统及计算机可读存储介质。

背景技术

对于现有不同场景下，图像识别模型一般具有比较差的泛化能力，即在训练集上出现次数较多的场景，模型的效果会比较好，而出现较少甚至没有见过的场景，模型的效果会比较差。到目前为止，常见的解决模型不同场景应用的问题，一般会有两类方法。第一类方法主要集中在增加出现较少次数场景的数据，即数据增强，使得模型更多地见过这类场景，增强其在这类场景的识别准确率；另一类方法主要是解决模型本身的问题，即从其他领域或场景学习到的知识也能迁移到该场景。

无论是增强数据还是迁移场景，都存在比较大的缺陷。增强数据方法收集数据很直接，但存在是否能收集到不同场景数据，涉及到的隐私性，以及收集到数据之后的标注成本问题等。而迁移场景方法已经提出了很多，如zero-shot、one-shot等，但在实际应用场景中应用的效果却不好，因为有很多实际场景之间实际上存在光线、角度、背景环境等不同因素的影响差别非常大，迁移效果其实并不好。

发明内容

本发明的目的在于提供一种基于不同场景下图像识别模型泛化能力增强方法、系统及计算机可读存储介质，从而增强图像识别模型的泛化能力。

本发明实施例中，提供了一种图像识别模型泛化能力增强方法，其包括：

根据场景对训练图片样本进行分类；

根据训练图片样本的场景类别对所述图像识别模型中与所述场景类别对应的特征层进行训练。

本发明实施例中，所述的图像识别模型泛化能力增强方法，还包括：

根据训练图片样本中不同场景出现的次数来计算各个场景的权重因子。

本发明实施例中，在训练过程中，根据不同场景的权重因子计算所述图像识别模型的Loss值Loss_总，计算方式如下：

其中，p_i表示第i类场景的权重因子，loss_i代表第i类场景的所有训练图片样本图片经过计算得到的loss值。

本发明实施例中，不同场景的权重因子的计算公式如下：

其中，x_i表示第i类场景出现的次数。

本发明实施例中，所述的图像识别模型泛化能力增强方法中，根据场景对训练图片样本进行分类之前，包括：

采用带场景标签的训练图片样本进行训练，得到一个场景分类器，所述场景分类器用于对不含场景标签的训练数据进行分类。

本发明实施例中，还提供了一种图像识别模型泛化能力增强系统，其包括：

样本分分类器，用于根据场景对训练图片样本进行分类；

训练模块，用于根据训练图片样本的场景类别对所述图像识别模型中与所述场景类别对应的特征层进行训练。

本发明实施例中，所述的图像识别模型泛化能力增强系统，还包括：

权重因子计算模块，用于根据训练图片样本中不同场景出现的次数来计算各个场景的权重因子。

本发明实施例中，所述的图像识别模型泛化能力增强系统，还包括：