[发明专利]神经网络训练及图像识别方法、装置、设备和存储介质

权利要求书

1.一种神经网络的训练方法，其特征在于，包括：

将训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图；

将所述初始特征图通过第一初始识别神经网络模型，得到第一预测结果，其中，所述第一初始识别神经网络模型用于根据所述目标对象的整体特征进行识别；

将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，其中，所述第二初始识别神经网络模型用于根据所述目标对象的局部特征进行识别；

根据所述第一预测结果和所述第二预测结果，更新所述初始特征提取神经网络模型，得到训练后的特征提取神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，包括：

根据所述初始特征图，生成局部特征掩模；

根据所述局部特征掩模，对所述初始特征图进行降维，得到降维结果；

将所述降维结果作为所述第二预测结果。

3.根据权利要求2所述的方法，其特征在于，所述根据所述初始特征图，生成局部特征掩模，包括：

将所述初始特征图通过卷积层，得到卷积结果；

将所述卷积结果的值对应到预设值域内，得到局部特征掩模。

4.根据权利要求2或3所述的方法，其特征在于，所述根据所述局部特征掩模，对所述初始特征图进行降维，得到降维结果，包括：

通过所述局部特征掩模，对所述初始特征图进行加权均值池化，得到降维结果。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述第二初始识别神经网络模型的数量包括一个或两个以上，其中，

在所述第二初始识别神经网络模型的数量为两个以上的情况下，将所述初始特征图分别通过每个所述第二初始识别神经网络模型，得到两个以上的第二预测结果。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果，更新所述初始特征提取神经网络模型，得到训练后的特征提取神经网络模型，包括：

根据所述第一预测结果，对所述第一初始识别神经网络模型包括的第一初始权重进行反向梯度更新，得到更新后的第一权重和第一识别神经网络模型；

根据所述第二预测结果，对所述第二初始识别神经网络模型包括的第二初始权重进行反向梯度更新，得到更新后的第二权重和第二识别神经网络模型；

根据所述第一预测结果、第二预测结果、第一权重和第二权重，对所述初始特征提取神经网络模型进行反向梯度更新，得到训练后的特征提取神经网络模型。

7.根据权利要求6所述的方法，其特征在于，在所述第二初始神经网络模型的数量为两个以上的情况下，根据每个所述第二预测结果，分别对每个对应的所述第二初始神经网络模型包括的第二初始权重进行反向梯度更新，得到两个以上的更新后的第二权重和第二识别神经网络模型。

8.根据权利要求6或7所述的方法，其特征在于，所述方法包括：

在第一处理器中，将所述初始特征图通过第一初始识别神经网络模型，得到第一预测结果，以及根据所述第一预测结果，对所述第一初始识别神经网络模型包括的第一初始权重进行反向梯度更新，得到更新后的第一权重和第一识别神经网络模型；

在第二处理器中，将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，以及根据所述第二预测结果，对所述第二初始识别神经网络模型包括的第二初始权重进行反向梯度更新，得到更新后的第二权重和第二识别神经网络模型；

在第三处理器中，将所述训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图，以及根据所述第一预测结果、第二预测结果、第一权重和第二权重，对所述初始特征提取神经网络模型进行反向梯度更新，得到训练后的特征提取神经网络模型。