[发明专利]图像识别模型的训练方法、装置、计算机设备及存储介质

权利要求书

1.一种图像识别模型的训练方法，其特征在于，所述方法包括：

获取样本图像，所述样本图像携带有所述样本图像所属的实际类别的标注信息；

将所述样本图像输入至待训练的图像识别模型的多通道卷积层，得到所述样本图像的多通道特征图；

根据所述多通道特征图的通道数，按照预设的通道比例将所述多通道特征图拆分为初始特征图和第一特征图；

将所述第一特征图输入至所述待训练的图像识别模型的主干网络进行前向传播，得到中间特征图；

将所述中间特征图与所述初始特征图进行拼接，得到训练样本特征图；

将所述训练样本特征图输入至所述待训练的图像识别模型的全连接层，得到所述训练样本特征图的映射类别；

以所述样本图像所属的实际类别作为目标，调整所述主干网络的参数，循环所述将所述样本图像输入至待训练的图像识别模型的多通道卷积层至所述调整所述主干网络的参数的步骤，直到所述映射类别与所述实际类别相同时，得到训练好的图像识别模型。

2.根据权利要求1所述的图像识别模型的训练方法，其特征在于，所述主干网络包括至少一个模块，每个所述模块均包括一个稠密块和一个传递层，所述多通道卷积层的输出连接第一个模块的稠密块，所述第一个模块的稠密块连接所述第一个模块的传递层，各所述模块依次顺序连接，最后一个所述模块的传递层连接所述全连接层。

3.根据权利要求2所述的图像识别模型的训练方法，其特征在于，所述稠密块包括若干个稠密层，各所述稠密层依次顺序连接，最后一个所述稠密层的输出连接对应模块的传递层。

4.根据权利要求3所述的图像识别模型的训练方法，其特征在于，所述初始特征图包括第二特征图，当所述主干网络包括一个所述模块时，所述得到所述训练样本特征图的步骤具体包括：

通过所述多通道卷积层将所述第一特征图输入所述模块的稠密块中的第一稠密层，通过各所述稠密层对所述第一特征图进行前向传播，得到与每个所述稠密层相对应的输出特征；

将最后一个所述稠密层的输出特征作为所述中间特征图，将所述中间特征图与所述第二特征图进行拼接，得到所述训练样本特征图。

5.根据权利要求3所述的图像识别模型的训练方法，其特征在于，所述初始特征图包括第二特征图和中间初始特征图，当所述主干网络包括多个所述模块时，所述将所述第一特征图输入至所述待训练的图像识别模型的主干网络进行前向传播，得到中间特征图的步骤包括：

通过所述多通道卷积层将所述第一特征图输入至第一个所述模块的稠密块中的第一稠密层，通过第一个所述模块中的各所述稠密层对所述第一特征图进行前向传播，得到与每个所述稠密层相对应的输出特征；

将所述第二特征图与第一个所述模块的最后一个稠密层的输出特征进行拼接，得到第一中间特征图；

将所述第一中间特征图输入至所述第一个模块中的传递层，按照所述通道比例将所述第一中间特征图拆分为第三特征图和所述中间初始特征图；

通过所述第一个模块的传递层将所述第三特征图输入至第二个模块的稠密块中的第一稠密层，通过第二个模块中的各所述稠密层对所述第三特征图进行前向传播，得到与第二个模块中每个所述稠密层相对应的中间单元输出特征；

将所述中间初始特征图与第二个所述模块的最后一个稠密层的中间单元输出特征进行拼接，得到第二中间特征图；

当所述第二个模块不为所述主干网络的最后一个模块时，对所述第二中间特征图进行拆分、前向传播和拼接的递归操作，得到与每个所述模块相对应的所述中间特征图。

6.根据权利要求5所述的图像识别模型的训练方法，其特征在于，所述将所述中间特征图与所述初始特征图进行拼接，得到训练样本特征图的步骤进一步包括：

通过所述主干网络最后一个模块的传递层得到所述训练样本特征图。