[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

说明书

本申请涉及一种图像识别模型训练方法、装置、计算机可读存储介质和计算机设备，该方法包括：使用标注图像进行训练，得到基准模型；将标注图像和未标注图像输入基准模型中训练，得到分类模型；将未标注图像输入分类模型中识别确定信息量，根据信息量确定目标未标注图像；根据目标未标注图像得到目标标注图像，根据目标标注图像确定更新的标注图像和更新的未标注图像；将更新的标注图像输入基准模型中训练，得到更新的基准模型，返回将标注图像和未标注图像输入到基准模型中，得到分类模型的步骤执行，直到更新的基准模型达到预设条件，将更新的基准模型作为目标模型。本申请提供的方案提高了使用少量标注图像训练得到的图像识别模型的准确率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种图像识别模型训练方法、装置、计算机可读存储介质和计算机设备。

背景技术

随着人工智能技术的发展，人们开始使用人工智能技术训练人工智能模型来解决各种问题。目前，在训练人工智能模型识别图像时，需要对图像数据进行标注，即在训练人工智能模型需要的大量的标注图像数据。由于无法获取到大量的标注图像数据，目前，通常使用少量标注图像数据进行人工智能模型的训练，然而，使用少量标注图像数据训练得到的人工智能模型识别图像数据的准确率低。

发明内容

基于此，有必要针对少量标注图像数据训练得到的人工智能模型识别图像数据的准确率低的技术问题，提供一种图像识别模型训练方法、装置、计算机可读存储介质和计算机设备。

一种图像识别模型训练方法，包括：

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

根据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；

将当前训练数据输入到基准神经网络模型中进行训练，得到分类神经网络模型，分类神经网络模型用于对数据进行分类；

将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；

根据类别概率确定未标注图像数据对应的信息量，从未标注图像数据中获取信息量超过预设阈值的目标未标注图像数据；

获取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，将更新的标注图像数据和更新的未标注图像数据作为当前训练数据；

将更新的标注图像数据输入到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，将更新的基准神经网络模型作为基准神经网络模型，返回将当前训练数据输入到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，以通过目标神经网络模型对目标图像进行识别。

一种模型训练装置，包括：

数据获取模块，用于获取初始图像训练数据，初始图像训练数据包括标注图像数据和未标注图像数据，将初始图像训练数据作为当前训练数据；

基准模型训练模块，用于根据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；

分类模型训练模块，用于将当前训练数据输入到基准神经网络模型中进行训练，得到分类神经网络模型，分类神经网络模型用于对数据进行分类；

分类识别模块，用于将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；

目标数据获取模块，用于根据类别概率确定未标注图像数据对应的信息量，从未标注图像数据中获取信息量超过预设阈值的目标未标注图像数据；