[发明专利]图像识别神经网络的训练方法和装置、图像识别方法

权利要求书

1.一种图像识别神经网络的训练方法，其特征在于，包括：

将目标样本图像输入到待训练的图像识别神经网络，得到所述图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，所述多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在所述目标树中对应的节点归属于同一个上级节点；

对于所述每组预测识别结果，执行以下步骤，其中，在执行以下步骤时，所述每组预测识别结果被视为当前组预测识别结果：

根据所述目标树中与所述当前组预测识别结果对应的当前组节点之间的排列关系，确定所述当前组预测识别结果中的每个预测识别结果对应的标签值，共得到与所述当前组预测识别结果对应的一组标签值；

根据所述多组预测概率值以及所述目标树中与所述多组预测识别结果对应的节点之间的关系，确定多组条件概率值，其中，所述多组预测概率值与所述多组条件概率值具有一一对应的关系；

在得到与所述多组预测识别结果一一对应的多组标签值的情况下，通过以下公式确定所述图像识别神经网络的所述第一损失函数的取值：

其中，表示所述第一损失函数的取值，表示所述多组标签值中的第i组标签值中的第j个标签值，表示所述多组条件概率值中的第i组条件概率值中的第j个条件概率值，所述多组标签值为m组标签值，所述多组预测概率值为m组预测概率值，所述多组条件概率值为m组条件概率值，所述m组条件概率值中的第i组条件概率值中的条件概率值的个数为，所述多组预测识别结果为m组预测识别结果，所述m组预测识别结果中的第i组预测识别结果中的预测识别结果的个数为，m为大于1的自然数，为自然数；

根据所述第一损失函数的取值确定所述图像识别神经网络的目标损失函数的取值；

对所述图像识别神经网络中的网络参数进行调整，使得所述目标损失函数的取值满足预设的损失条件。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一损失函数的取值确定所述图像识别神经网络的目标损失函数的取值包括：

将所述图像识别神经网络的所述目标损失函数的取值确定为等于所述第一损失函数的取值；或者，根据所述第一损失函数的取值和第二损失函数的取值，确定所述图像识别神经网络的所述目标损失函数的取值，其中，所述第二损失函数的取值是根据所述目标树中的一组中间节点对应的预测概率值确定得到的取值，每个中间节点的下级节点对应的预测概率满足预设的不确定性约束条件。

3.根据权利要求1所述的方法，其特征在于，所述根据所述目标树中与所述当前组预测识别结果对应的当前组节点之间的排列关系，确定所述当前组预测识别结果中的每个预测识别结果对应的标签值，共得到与所述当前组预测识别结果对应的一组标签值，包括：

根据所述目标树中与所述当前组预测识别结果对应的所述当前组节点之间的排列关系，确定所述当前组预测识别结果中的每个预测识别结果的排列位置；

根据所述当前组预测识别结果中的每个预测识别结果的排列位置，确定所述当前组预测识别结果中的每个预测识别结果对应的标签值，共得到与所述当前组预测识别结果对应的一组标签值。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述多组预测概率值中与所述目标树中的所述一组中间节点对应的预测概率值，确定所述第二损失函数的取值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述多组预测概率值中与所述目标树中的所述一组中间节点对应的预测概率值，确定所述第二损失函数的取值，包括：

根据所述多组预测概率值以及所述目标树中与所述多组预测识别结果对应的节点之间的关系，确定多组条件概率值，其中，所述多组预测概率值与所述多组条件概率值具有一一对应的关系；

通过以下公式确定所述第二损失函数的取值：

其中，表示所述第二损失函数的取值，表示M组条件概率值中的第i组条件概率值中的第j个条件概率值，所述M组条件概率值为所述多组条件概率值中与所述目标树中的M个中间节点的M组下级节点对应的条件概率值，表示所述M组条件概率值中的所述第i组条件概率值中的条件概率值的个数，M为自然数。