[发明专利]图像识别模型的训练方法、电子设备和存储介质

说明书

本申请实施例涉及视觉搜索技术领域，公开了一种图像识别模型的训练方法、电子设备和存储介质，该方法包括：获取第一模型的训练样本；其中，训练样本标注用于表征训练样本的特征的特征类别的标签；基于第一模型的网络结构，构建第二模型；根据训练样本和第三模型，获取第三模型对应的各特征类别的类别中心向量；其中，第一模型和第三模型为功能相同的模型；根据各特征类别的类别中心向量，确定第二模型的分类层权重；根据训练样本和标签对第二模型进行迭代训练，更新第二模型的除分类层权重之外的参数，训练出的模型提取出的特征集可以直接与用旧模型提取出的特征库进行对比，省时省力，降低了成本，极大地提升了模型工业部署的便利性。

技术领域

本申请实施例涉及视觉匹配和搜索技术领域，特别涉及一种图像识别模型的训练方法、电子设备和存储介质。

背景技术

随着视觉匹配和搜索技术的日益成熟，基于视觉匹配和搜索技术的识别模型被广泛应用在诸多领域中，如图像检索、行人重识别、车辆重识别、人脸识别等，这些基于视觉匹配和搜索技术的识别模型通过深度神经网络江图像映射到一个特征嵌入空间，在此特征空间中，相同类别的特征彼此相近并聚成一类，通常来说，对于数据检索库里大规模的图像数据，其特征是由识别模型预先提取的，这些图像数据的特征形成特征库gallery，而待查询图像的特征是由识别模型实时提取的，这些特征组成了待查询图像的特征集probe，识别模型可以遍历probe里的每一个特征，从gallery里检索出与其最相近的特征，并返回相应的信息。

在实际应用场景中，为了让用户获得更好的使用体验，基于视觉匹配和搜索技术的识别模型需要不断地进行迭代更新，然而，识别模型更新后，probe中的特征是用新模型提取的，但gallery中的特征都是用旧模型提取的，为了保证probe与gallery之间的特征具有一致性，技术人员需要使用新模型重新对gallery对应的原始图像数据进行特征提取，这个过程耗时非常长、成本非常高，并且在一些高安全要求的场景下，gallery对应的原始图像数据在gallery生成后就已自动删除，无法重新提取特征，也就不能保证probe与gallery之间的特征具有一致性，无法直接而对比。

发明内容

本申请实施例的目的在于提供一种图像识别模型的训练方法、电子设备和存储介质，训练出的模型提取出的特征集可以直接与用旧模型提取出的特征库进行对比，省时省力，降低了成本，极大地提升了模型工业部署的便利性。

为解决上述技术问题，本申请的实施例提供了一种图像识别模型的训练方法，包括以下步骤：获取第一模型的训练样本；其中，所述训练样本标注有标签，所述标签用于表征所述训练样本的特征的特征类别；基于所述第一模型的网络结构，构建第二模型；根据所述训练样本和第三模型，获取所述第三模型对应的各特征类别的类别中心向量；其中，所述第一模型和所述第三模型为功能相同的模型；根据所述各特征类别的类别中心向量，确定所述第二模型的分类层权重；根据所述训练样本和所述标签对所述第二模型进行迭代训练，更新所述第二模型的除所述分类层权重之外的参数。

本申请的实施例还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上述的图像识别模型的训练方法。

本申请的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像识别模型的训练方法。