[发明专利]模型训练方法、识别方法、设备、存储介质及程序产品

说明书

本公开提供一种模型训练方法、识别方法、设备、存储介质及程序产品，涉及计算机视觉技术、深度学习技术。本申请提供的方案中，通过对不具有标签的第一训练图片本身变形的方式对图片进行变形，并利用第一模型对变形前的图片进行识别得到第一无监督识别结果，对第二模型对变形后的图片进行识别得到第二无监督识别结果，并对第一模型的第一无监督识别结果进行变形处理，从而可以根据第二无监督识别结果和变形的识别结果构建一致性损失函数，通过这种方式，既能够增强一致性损失函数的约束效果，又能够避免破坏训练用的图片的场景语义信息。

技术领域

本申请涉及人工智能领域，具体涉及计算机视觉技术、深度学习技术，尤其涉及一种模型训练方法、识别方法、设备、存储介质及程序产品。

背景技术

语义分割的目的是将图片中的物体按照其形状分割出来，并进行分类。语义分割算法可以广泛应用于图像理解的各个应用场景中。

现有技术中存在用于训练语义分割模型的半监督的训练方式。半监督的训练方式是利用有标签的数据以及没有标签的数据对模型进行训练的方式。为了提高模型的训练效果，通常还会队对训练用的数据添加扰动。比如，将两张不同的图片按照预设的方式进行混合，还可以将这两张图片的识别结果进行混合。

但是，这种图像间的混合方法会导致严重的场景语义信息破坏，从而在一定程度上伤害语义分割模型的效果。

发明内容

本申请提供了一种模型训练方法、识别方法、设备、存储介质及程序产品，以解决现有技术中对模型进行训练时，对图像进行混合的方式会破坏图像中的场景语义信息的问题。

根据本申请的第一方面，提供了一种语义分割模型的训练方法，包括：

获取第一训练图片、变形图片以及第二训练图片的有监督识别结果所对应的有监督损失函数，其中，所述变形图片是对所述第一训练图片进行变形所得到的图片；

将所述第一训练图片输入至第一模型，得到第一无监督识别结果，并将所述变形图片输入至第二模型，得到第二无监督识别结果；其中，所述第一模型与所述第二模型的结构相同；

对所述第一无监督识别结果进行变形处理得到加扰识别结果，并根据所述第二无监督识别结果、所述加扰识别结果确定一致性损失函数；

根据所述一致性损失函数和所述有监督损失函数更新所述第二模型中的参数，更新后的所述第二模型用于对图片进行语义分割。

根据本申请的第二方面，提供了一种图像识别方法，包括：

获取待识别图像，将所述待识别图像输入预设的语义分割模型中，得到并输出所述待识别图像的识别结果；

其中，所述语义分割模型为通过如第一方面所述的方法训练得到的模型。

根据本申请的第三方面，提供了一种语义分割模型的训练装置，包括：

获取单元，用于获取第一训练图片、变形图片以及第二训练图片的有监督识别结果所对应的有监督损失函数，其中，所述变形图片是对所述第一训练图片进行变形所得到的图片；

识别单元，用于将所述第一训练图片输入至第一模型，得到第一无监督识别结果，并将所述变形图片输入至第二模型，得到第二无监督识别结果；其中，所述第一模型与所述第二模型的结构相同；

加扰单元，用于对所述第一无监督识别结果进行变形处理得到加扰识别结果；

函数构建单元，用于根据所述第二无监督识别结果、所述加扰识别结果确定一致性损失函数；

更新单元，用于根据所述一致性损失函数和所述有监督损失函数更新所述第二模型中的参数，更新后的所述第二模型用于对图片进行语义分割。

根据本申请的第四方面，提供了一种图像识别装置，包括：