[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

说明书

本公开实施例公开了一种模型训练及图像处理方法、装置、电子设备和存储介质，模型训练方法包括：获取多个类别的样本图像；利用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；利用采样的样本图像对预设的学生模型训练，以及对预训练的教师模型进行知识蒸馏，得到训练后的学生模型。

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种模型训练及图像处理方法、装置、电子设备和存储介质。

背景技术

图像分类问题是计算机视觉领域的常见问题，通常采用训练好的图像分类模型实现图像分类。在训练图像分类模型的过程中，采集到的样本图像往往是不平衡的，长尾的，即一些类别可以采集到大量样本图像，另一些类别只能采集到极少的样本图像。

目前，为了缓解样本图像不均衡对图像分类模型产生的影响，可以基于样本的采样方式进行样本图像的采样，从而提高图像分类模型的网络特征学习能力，也可以基于类别的采样方式进行样本图像的采样，从而提高图像分类模型的分类能力。然而，在使用一种采样方式提升一方面能力的同时，必然会牺牲另一方面的能力，使得图像分类模型的精度较低。

发明内容

本公开实施例期望提供一种模型训练及图像处理方法、装置、电子设备和存储介质。

本公开实施例的技术方案是这样实现的：

本公开实施例提供了一种模型训练方法，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和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，得到预训练的教师模型。

在上述训练方法中，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。

在上述训练方法中，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样本图像的类别对应；

将所述多个分类模型确定为所述预训练的教师模型。

在上述训练方法中，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。