[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；

将所述初始特征图通过初始分割神经网络模型，得到分割结果，其中，所述初始分割神经网络模型用于在所述初始特征图中将所述目标对象与非目标对象所在的区域进行区分；

根据所述第一预测结果、所述第二预测结果和所述分割结果，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，得到第一降维结果；

将所述第一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第一卷积层，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，得到第一降维结果，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，得到第一降维结果。

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，所述将所述初始特征图通过初始分割神经网络模型，得到分割结果，包括：

获取所述初始分割神经网络模型包括的K个分割标签，其中，K为不小于1的整数；

在所述K个分割标签下，对所述初始特征图包括的每个像素点进行分割预测，分别得到每个所述像素点的K个分割预测结果；

根据每个所述像素点的K个分割预测结果，确定所述初始特征图中属于所述目标对象的像素点，作为所述分割结果。

7.根据权利要求6所述的方法，其特征在于，所述在所述K个分割标签下，对所述初始特征图包括的每个像素点进行分割预测，分别得到每个所述像素点的K个分割预测结果，包括：

将所述初始特征图依次通过反卷积层进行放大，得到放大特征图；

对所述放大特征图通过第二卷积层进行降维，得到第二降维结果；

将所述第二降维结果通过分类器，得到每个所述像素点的K个分割预测结果。

8.根据权利要求1至7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；

根据所述分割结果，对所述初始分割神经网络模型包括的第三初始权重进行反向梯度更新，得到更新后的第三权重和分割神经网络模型；

根据所述第一预测结果、第二预测结果、分割结果、第一权重、第二权重和第三权重，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。