[发明专利]模型训练及图像处理方法、装置、电子设备和存储介质

权利要求书

1.一种模型训练方法，其特征在于，所述训练方法包括：

获取多个类别的样本图像；

利用所述样本图像对预设的教师模型进行训练，得到预训练的教师模型；

对所述样本图像中不同类别的图像均衡采样，得到采样的样本图像；

利用所述采样的样本图像对预设的学生模型进行训练，以及对所述预训练的教师模型进行知识蒸馏，得到训练后的学生模型。

2.根据权利要求1所述的训练方法，其特征在于，所述利用所述样本图像对预设的教师模型进行训练，得到预训练的教师模型，包括：

利用所述样本图像对所述预设的教师模型进行训练；

将训练得到的模型确定为所述预训练的教师模型；其中，所述预训练的教师模型与所述多个类别对应。

3.根据权利要求1所述的训练方法，其特征在于，所述利用所述样本图像对预设的教师模型进行训练，得到预训练的教师模型，包括：

将所述样本图像中属于同一类别的图像划分为一组，得到多组图像；

统计所述多组图像中每组的图像数量；

根据所述图像数量，将所述多组图像中满足同一预设数量条件的图像组划分到一个集合中，得到多个图像集；

利用所述多个图像集中的每个图像集分别训练所述预设的教师模型，得到多个分类模型；其中，所述多个分类模型中每个分类模型与所述多个图像集中对应图像集包含的图像的类别对应；

将所述多个分类模型确定为所述预训练的教师模型。

4.根据权利要求1所述的训练方法，其特征在于，所述利用所述采样的样本图像对预设的学生模型进行训练，以及对所述预训练的教师模型进行知识蒸馏，得到训练后的学生模型，包括：

根据所述预训练的教师模型，确定目标教师模型；

将所述采样的样本图像在所述目标教师模型中进行前向传输，得到第一网络特征，并将所述采样的样本图像在所述预设的学生模型中进行前向传输，得到第二网络特征；

计算所述第一网络特征和所述第二网络特征之间的损失信息，得到第一损失信息；

基于所述第一损失信息对所述预设的学生模型进行调整，得到所述训练后的学生模型。

5.根据权利要求4所述的训练方法，其特征在于，所述根据所述预训练的教师模型，确定目标教师模型，包括：

在所述预训练的教师模型包括分别与所述多个类别中不同类别对应的多个分类模型的情况下，将所述多个分类模型中，与所述采样的样本图像的类别对应的模型确定为所述目标教师模型；

在所述预训练的教师模型为与所述多个类别对应的一个分类模型的情况下，将所述预训练的教师模型确定为所述目标教师模型。

6.根据权利要求4所述的训练方法，其特征在于，所述计算所述第一网络特征和所述第二网络特征之间的损失信息，得到第一损失信息，包括：

获取与所述采样的样本图像的类别对应的所述预设的学生模型的网络特征通道响应分布信息；

根据所述网络特征通道响应分布信息，从所述预设的学生模型的网络特征通道中选取出第一网络特征通道，并从所述目标教师模型中选取出与所述第一网络特征通道对应的第二网络特征通道；

从所述第一网络特征中选取通过所述第一网络特征通道提取的第一目标特征，并从所述第二网络特征中选取通过所述第二网络特征通道提取的第二目标特征；

计算所述第一目标特征和所述第二目标特征之间的损失信息，得到所述第一损失信息。

7.根据权利要求4所述的训练方法，其特征在于，所述基于所述第一损失信息对所述预设的学生模型进行调整，得到所述训练后的学生模型，包括：

获取预设的与所述采样的样本图像对应的标准网络特征；

计算所述标准网络特征和所述第二网络特征之间的损失信息，得到第二损失信息；

基于所述第一损失信息和所述第二损失信息联合对所述预设的学生模型进行调整，得到所述训练后的学生模型。