[发明专利]一种模型训练方法、装置、电子设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

对至少两张第一图像中的每张第一图像的部分图像内容进行遮挡，得到至少两张第二图像；所述至少两张第一图像对应至少两种图像类别，且所述至少两张第一图像中的不同类别的第一图像之间的相似度大于设定值；

基于所述至少两张第一图像和所述至少两张第二图像训练第一模型；训练得到的所述第一模型用于识别输入图像的图像类别。

2.根据权利要求1所述的方法，其特征在于，所述对至少两张第一图像中的每张第一图像的部分图像区域进行遮挡，包括：

在所述至少两张第一图像的每张第一图像中选定一个设定区域；

使用设定颜色的像素块填充所述设定区域。

3.根据权利要求1所述的方法，其特征在于，所述对至少两张第一图像中的每张第一图像的部分图像区域进行遮挡，包括：

在所述至少两张第一图像中的每张第一图像中随机选择部分图像区域进行遮挡，得到所述至少两张第一图像的每张第一图像对应的至少两张第二图像。

4.根据权利要求1所述的方法，其特征在于，所述基于所述至少两张第一图像和所述至少两张第二图像训练第一模型，包括：

将所述至少两张第一图像和所述至少两张第二图像输入所述第一模型，得到所述第一模型输出的关于第一图像的第一概率值和对应的第二图像的第二概率值；所述第一概率值表征对应的第一图像的图像类别；所述第二概率值表征对应的第二图像的图像类别；

基于所述第一概率值和所述第二概率值，确定所述至少两种图像类别中的每种图像类别对应的设定的损失函数的损失值；

基于所述损失值更新所述第一模型的权重参数。

5.根据权利要求4所述的方法，其特征在于，所述基于所述损失值更新所述第一模型的权重参数，包括：

对所述至少两种图像类别中的每种图像类别对应的设定的损失函数的损失值进行加权计算，得到加权值；

基于所述加权值更新所述第一模型的权重参数。

6.根据权利要求1所述的方法，其特征在于，在基于所述至少两张第一图像和所述至少两张第二图像训练第一模型之前，所述方法还包括：

删除设定的神经网络模型的网络层数和/或网络通道数，得到所述第一模型。

7.根据权利要求1所述的方法，其特征在于，在基于所述至少两张第一图像和所述至少两张第二图像训练得到所述第一模型之后，所述方法还包括：

将所述第一模型转换为第二模型；所述第二模型用于识别所述至少一张第三图像的图像类别；所述第一模型表征PyTorch模型；所述第二模型表征飞桨PaddlePaddle模型。

8.根据权利要求7所述的方法，其特征在于，所述将所述第一模型转换为第二模型，包括：

将所述第一模型转换为开放神经网络交换格式；

通过设定的模型转换工具将开放神经网络交换格式的所述第一模型转换为所述第二模型。

9.一种图像识别方法，其特征在于，基于如权利要求1至8任一项所述的第一模型或第二模型进行图像识别，所述方法包括：

将第三图像输入所述第一模型或所述第二模型，得到所述第一模型或所述第二模型输出的第三概率值；所述第三概率值表征所述第三图像的图像类别；

确定所述第三概率值与至少两种类别中的每种类别对应的第四概率值的差值；

基于所述差值确定所述第二图像的图像类别。

10.一种模型训练装置，其特征在于，包括：

遮挡模块，用于对至少两张第一图像中的每张第一图像的部分图像内容进行遮挡，得到至少两张第二图像；所述至少两张第一图像对应至少两种图像类别，且所述至少两张第一图像中的不同类别的第一图像之间的相似度大于设定值；

训练模块，用于基于所述至少两张第一图像和所述至少两张第二图像训练第一模型；训练得到的所述第一模型用于识别输入图像的图像类别。