[发明专利]图像识别模型训练方法、装置和计算机可读存储介质

权利要求书

1.一种图像识别模型训练方法，包括：

获取初始图像训练数据，所述初始图像训练数据包括标注图像数据和未标注图像数据，将所述初始图像训练数据作为当前训练数据；

根据所述标注图像数据使用卷积神经网络进行训练，得到基准神经网络模型；

将所述当前训练数据输入到所述基准神经网络模型中进行训练，得到分类神经网络模型，所述分类神经网络模型用于对图像数据进行分类；

将所述未标注图像数据输入到分类神经网络模型中进行识别，得到输出的类别概率；

根据所述类别概率确定所述未标注图像数据对应的信息量，从所述未标注图像数据中获取所述信息量超过预设阈值的目标未标注图像数据；

获取所述目标未标注图像数据对应的标注值，得到目标标注图像数据，根据所述目标标注图像数据确定更新的标注图像数据和更新的未标注图像数据，将所述更新的标注图像数据和所述更新的未标注图像数据作为当前训练数据；

将所述更新的标注图像数据输入到所述基准神经网络模型中进行训练，得到更新的基准神经网络模型，将所述更新的基准神经网络模型作为基准神经网络模型，返回将所述当前训练数据输入到所述基准神经网络模型中进行训练，得到分类神经网络模型的步骤执行，直到所述更新的基准神经网络模型达到预设条件，将所述更新的基准神经网络模型作为目标神经网络模型，以通过所述目标神经网络模型对目标图像进行识别。

2.根据权利要求1所述的方法，其特征在于，所述根据所述类别概率确定所述未标注图像数据对应的信息量，从所述未标注图像数据中获取所述信息量超过预设阈值的目标未标注图像数据，包括：

获取所述未标注图像数据的自监督信号，根据所述自监督信号和所述类别概率计算所述未标注图像数据的损失值；

从所述未标注图像数据中获取所述损失值超过预设损失阈值的目标未标注图像数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述目标标注图像数据确定更新的标注图像数据和更新的未标注图像数据，包括：

根据所述目标标注图像数据和所述标注图像数据得到更新的标注图像数据，根据所述未标注图像数据和所述目标标注图像数据得到更新的未标注图像数据。

4.根据权利要求1所述的方法，其特征在于，在所述将更新的基准神经网络模型作为目标神经网络模型之后，还包括：

将所述目标神经网络模型部署到云服务器中。

5.根据权利要求1所述的方法，其特征在于，在所述将更新的基准神经网络模型作为目标神经网络模型之后，还包括：

获取待识别图像数据，将所述待识别图像数据输入到所述目标神经网络模型中进行识别，得到输出的识别概率；

根据所述识别概率确定所述待识别图像数据对应的识别结果。

6.根据权利要求1所述的方法，其特征在于，从所述未标注图像数据中获取所述信息量超过预设阈值的目标未标注图像数据,包括：

按照所述信息量对所述未标注图像数据进行排序，根据所述排序结果选取预设数量的未标注图像数据，得到目标未标注图像数据。

7.根据权利要求1所述的方法，其特征在于，所述更新的基准神经网络模型达到预设条件，将更新的基准神经网络模型作为目标神经网络模型，包括：

获取测试图像数据和对应的已有识别结果；

将所述测试图像数据输入到所述更新的基准神经网络模型中进行测试，得到输出的测试结果，根据所述已有识别结果和所述测试结果确定图像识别准确率；

当所述图像识别准确率达到预设阈值时，将所述更新的基准神经网络模型作为目标神经网络模型。