[发明专利]快速模型的训练方法、装置、计算机设备及存储介质

权利要求书

1.一种快速模型的训练方法，其特征在于，包括：

获取预设的训练样本图像；

将所述训练样本图像输入到预设的辅助训练模型和初始的快速模型中，其中，所述辅助训练模型为预先训练至收敛状态用于提取图像特征向量的神经网络模型，所述快速模型为待训练的神经网络模型；

计算所述辅助训练模型提取的训练样本图像的特征向量与所述快速模型提取的训练样本图像的特征向量之间的特征距离；

通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数。

2.根据权利要求1所述的快速模型的训练方法，其特征在于，所述通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数之前还包括：

将所述特征距离与预设的第一阈值进行比对；

当所述特征距离大于所述第一阈值时，确认对所述特征距离进行反向传播。

3.根据权利要求2所述的快速模型的训练方法，其特征在于，所述通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数之后还包括：

反复迭代将所述训练样本图像输入到所述辅助训练模型和所述快速模型中，至所述特征距离小于等于所述第一阈值时，确认所述训练样本图像的训练结束。

4.根据权利要求1所述的快速模型的训练方法，其特征在于，所述特征距离包括欧氏距离和/或余弦距离，所述计算所述辅助训练模型提取的训练样本图像的特征向量与所述快速模型提取的训练样本图像的特征向量之间的特征距离包括：

获取所述辅助训练模型提取的所述训练样本图像的第一特征向量和所述快速模型提取的所述训练样本图像的第二特征向量；

比对所述第一特征向量和所述第二特征向量的欧氏距离和/或余弦距离。

5.根据权利要求1所述的快速模型的训练方法，其特征在于，所述获取预设的训练样本图像之前还包括：

获取目标用户或者目标场景中需要辨识图像的图像信息，其中，所述图像信息包括各辨识图像的图像类别；

根据所述图像信息中的图像类别对辨识图像进行聚类，以获取所述目标用户或者目标场景偏好辨识的图像类型；

根据所述图像类型收集训练快速模型的训练样本图像。

6.根据权利要求5所述的快速模型的训练方法，其特征在于，所述根据所述图像类型收集训练快速模型的训练样本图像包括：

以所述图像类型为限定条件在预设的图像数据库中进行检索；

将检索召回的图像确认为所述训练样本图像。

7.根据权利要求6所述的快速模型的训练方法，其特征在于，所述训练样本图像包括原始样本图像和派生样本图像，所述将检索召回的图像确认为所述训练样本图像之后还包括：

对所述原始样本图像进行图像处理，生成派生于所述原始样本图像的派生样本图像；

提取所述原始样本图像的特征向量和所述派生样本图像的特征向量；

计算所述原始样本图像的特征向量和所述派生样本图像的特征向量之间的特征差值；

当所述特征差值小于等于预设的第二阈值时，确认所述原始样本图像和派生样本图像为所述训练样本图像。

8.一种快速模型的训练装置，其特征在于，包括：

获取模块，用于获取预设的训练样本图像；

处理模块，用于将所述训练样本图像输入到预设的辅助训练模型和初始的快速模型中，其中，所述辅助训练模型为预先训练至收敛状态用于提取图像特征向量的神经网络模型，所述快速模型为待训练的神经网络模型；

计算模块，用于计算所述辅助训练模型提取的训练样本图像的特征向量与所述快速模型提取的训练样本图像的特征向量之间的特征距离；

执行模块，用于通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述快速模型的训练方法的步骤。

10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述快速模型的训练方法的步骤。