[发明专利]网络模型的训练方法、识别方法、装置及电子设备

说明书

本发明涉及图像识别技术领域，具体涉及网络模型的训练方法、识别方法、装置及电子设备，所述训练方法包括获取样本图像；将样本图像分别输入质量网络以及识别模型的特征提取网络中，得到预测质量以及识别特征，识别模型包括特征提取网络以及全连接层；基于识别特征以及全连接层的参数确定目标质量，并利用目标质量以及预测质量，确定质量损失；根据质量损失，对识别模型以及质量网络的参数进行更新，确定目标特征提取网络以及目标质量网络。用质量损失对识别模型以及质量网络进行训练，使得图像质量与特征提取强相关，避免了图像质量的人工标注，提高了特征提取网络的训练效率；且对特征提取网络以及质量网络同时训练，节省了训练时间。

技术领域

本发明涉及图像识别技术领域，具体涉及网络模型的训练方法、识别方法、装置及电子设备。

背景技术

目前在特征提取模型的训练过程中，通常是用样本图像输入特征提取模型中，输出预测结果，再利用预测结果与样本图像的标签计算损失值，从而对特征提取模型的参数进行更新。

由于样本图像的图像质量对提取出的特征的准确性影响较大，因此，通常需要采集到的图像进行人工标定，以确定哪些样本图像是高质量图像，哪些样本是低质量图像质量，以保证所训练得到的特征提取模型的准确性。然而，上述训练方法中，由于需要对采集到的图像进行图像质量的人工标定，会导致训练效率较低。

发明内容

有鉴于此，本发明实施例提供了一种网络模型的训练方法、识别方法、装置及电子设备，以解决特征提取网络训练效率低的问题。

根据第一方面，本发明实施例提供了一种网络模型的训练方法，所述方法包括：

获取样本图像；

将所述样本图像分别输入质量网络以及识别模型的特征提取网络中，得到预测质量以及识别特征，所述识别模型包括所述特征提取网络以及全连接层；

基于所述识别特征以及所述全连接层的参数确定目标质量，并利用所述目标质量以及所述预测质量，确定质量损失；

根据所述质量损失，对所述识别模型以及所述质量网络的参数进行更新，确定目标特征提取网络以及目标质量网络。

本发明实施例提供的网络模型的训练方法，在训练过程中结合质量网络的预测质量与目标质量确定质量损失，并用质量损失对识别模型以及质量网络进行训练，使得图像质量与特征提取强相关，在保证特征提取准确性的基础上，避免了图像质量的人工标注，提高了特征提取网络的训练效率；且对特征提取网络以及质量网络同时训练，节省了训练时间。

结合第一方面，在第一方面第一实施方式中，所述基于所述识别特征以及所述全连接层的参数确定目标质量，并利用所述目标质量以及所述预测质量，确定质量损失，包括：

获取所述样本图像的目标类别；

在所述全连接层对应于每个类别的权重中，提取对应于所述目标类别的权重得到目标类代理；

基于所述识别特征与所述目标类代理的相似度，计算所述目标质量；

利用所述目标质量以及所述预测质量，确定所述质量损失。

本发明实施例提供的网络模型的训练方法，利用全连接层中对应于目标类别的权重(即，目标类代理)与识别特征计算目标质量，将其作为质量损失的计算依据，由于图像越模糊，该图像经过特征提取网络得到的识别特征与目标类代理之间的相似度越小，用质量网络拟合这个相似度对应的目标质量，就可以训练出质量网络，而不需要任何待识别图像的质量标注信息，提高了质量网络的训练效率。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述基于所述识别特征与所述目标类代理相似度，计算所述目标质量，包括：

计算所述识别特征与所述目标类代理之间的距离或余弦角度，确定所述目标质量。