[发明专利]用于识别图像的方法和装置

权利要求书

1.一种用于识别图像的方法，其特征在于，包括：

对待识别图像集和包含目标人体的图像的目标图像，使用预先建立的识别模型，从所述待识别图像集中识别出包括所述目标人体的图像的待识别图像，其中，所述识别模型的特征提取网络是通过以下训练步骤得到的：

基于初始模型的特征提取网络对无标签样本集中样本图像所提取的特征信息，将无标签样本集划分多个子集，以及对子集中的样本图像添加标签；

响应于确定当前训练轮数不是第一轮，从已添加标签的多个子集中选取预设数量个目标子集，其中，所述预设数量个目标子集间的特征距离小于上一轮训练时所使用目标子集间的特征距离；

基于所述预设数量个目标子集中的样本图像，对所述初始模型进行训练，得到训练后的初始模型；

响应于确定当前训练轮数为最后一轮，将所述训练后的初始模型的特征提取网络作为所述识别模型的特征提取网络。

2.根据权利要求1所述的方法，其特征在于，所述训练步骤还包括：

响应于确定当前训练轮数不是最后一轮，将所述训练后的初始模型作为初始模型，继续执行所述训练步骤。

3.根据权利要求1所述的方法，其特征在于，所述训练步骤还包括：

响应于确定当前训练轮数是第一轮，选取子集间距离最大的预设数量个子集作为目标子集。

4.根据权利要求1所述的方法，其特征在于，在执行所述训练步骤之前，所述训练步骤还包括：

使用有标签样本集训练得到预训练模型，将所述预训练模型作为第一轮的初始模型。

5.根据权利要求1所述的方法，其特征在于，所述响应于确定当前训练轮数不是第一轮，从已添加标签的多个子集中选取预设数量个目标子集，包括：

根据预设的训练轮数与采样位置的对应关系，确定当前训练轮数所对应的目标采样位置；

选取第一个子集，以及执行以下子集选取步骤：基于未选取子集与当前已选取子集中子集的特征距离，按降序对未选取子集进行排序；选取所述排序结果中所述目标采样位置处的子集作为下一个所选取的子集；响应于确定已选取子集数量未达到所述预设数量，则继续执行所述子集选取步骤。

6.根据权利要求1所述的方法，其特征在于，所述基于初始模型的特征提取网络对无标签样本集中样本图像所提取的特征信息，将无标签样本集划分多个子集，包括：

使用初始模型的特征提取网络对无标签样本集中样本图像进行特征提取，得到样本图像的特征信息；

对样本图像的特征信息进行聚类，得到多个簇。

7.一种用于识别图像的装置，其特征在于，包括：

识别单元，被配置成对待识别图像集和包含目标人体的图像的目标图像，使用预先建立的识别模型，从所述待识别图像集中识别出包括所述目标人体的图像的待识别图像，其中，所述识别模型的特征提取网络是通过训练单元训练得到的，所述训练单元包括：

划分单元，被配置成基于初始模型的特征提取网络对无标签样本集中样本图像所提取的特征信息，将无标签样本集划分多个子集，以及对子集中的样本图像添加标签；

第一选取单元，被配置成响应于确定当前训练轮数不是第一轮，从已添加标签的多个子集中选取预设数量个目标子集，其中，所述预设数量个目标子集间的特征距离小于上一轮训练时所使用目标子集间的特征距离；

训练子单元，被配置成基于所述预设数量个目标子集中的样本图像，对所述初始模型进行训练，得到训练后的初始模型；

第一确定单元，被配置成响应于确定当前训练轮数为最后一轮，将所述训练后的初始模型的特征提取网络作为所述识别模型的特征提取网络。

8.根据权利要求7所述的装置，其特征在于，所述训练单元还包括：

第二确定单元，被配置成响应于确定当前训练轮数不是最后一轮，将所述训练后的初始模型作为初始模型，继续执行训练步骤。