[发明专利]图像处理模型的训练方法、装置、电子设备和介质

说明书

本公开提供了一种图像处理模型的训练方法、装置、电子设备和介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸图像处理和人脸识别等场景。具体实现方案为：根据待训练图像处理模型输出的样本图像的样本特征，以及所述样本图像所属类别的类中心特征，确定所述样本图像的惩罚参数；根据所述惩罚参数确定损失函数，并根据所述损失函数对所述待训练图像处理模型进行训练。本公开实现了对损失函数中的惩罚参数进行动态调整的效果，使得对不同样本图像实施不同的惩罚，改善图像处理模型训练的效果。

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸图像处理和人脸识别等场景，特别涉及一种图像处理模型的训练方法、装置、电子设备和介质。

背景技术

人脸识别是计算机视觉领域一个重要的研究方向。但由于人脸的复杂性，传统方法很难取得好的效果。随着神经网络技术的加入，人脸识别取得了一系列重大进展，目前的一些识别方法已经超过了人类的识别能力。

在目前的人脸识别模型训练的损失函数中，通常会设置惩罚参数来扩大样本之间的差距。

发明内容

本公开提供了一种用于改善人脸识别模型的模型训练效果的方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种图像处理模型的训练方法，包括：

根据待训练图像处理模型输出的样本图像的样本特征，以及所述样本图像所属类别的类中心特征，确定所述样本图像的惩罚参数；

根据所述惩罚参数确定损失函数，并根据所述损失函数对所述待训练图像处理模型进行训练。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例公开的一种图像处理模型的训练方法的流程图；

图2是根据本公开实施例公开的一种图像处理模型的训练方法的流程图；

图3是根据本公开实施例公开的一种图像处理模型的训练装置的结构示意图；

图4是用来实现本公开实施例公开的图像处理模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。