[发明专利]图像识别训练方法、装置、计算机设备及存储介质

权利要求书

1.一种图像识别训练方法，其特征在于，包括：

基于实体类型的实体属性，构建对应的扩展属性；

基于所述实体类型的实体属性以及扩展属性，对所述实体类型的已知类视觉特征进行语义一致性合成，获取所述实体属性和扩展属性分别对应的已知类合成特征；

将所述已知类视觉特征、已知类合成特征、实体属性以及扩展属性作为待训练分类模型的输入数据，将所述已知类视觉特征对应的类原型和所述实体类型作为所述待训练分类模型的输出数据，对将所述待训练分类模型进行训练，并最终生成已训练分类模型。

2.根据权利要求1所述的图像识别训练方法，其特征在于，所述基于实体类型的实体属性，构建对应的扩展属性，包括：

依次通过MSE损失和CE损失对所述已知类视觉特征进行特征分解，获取视觉区分特征；

通过triplet损失提取所述已知类视觉特征的所述类原型；

提取所述已知类视觉特征对应的实体属性，通过MSE损失对所述实体属性进行训练，以使所述实体属性分别和所述视觉区分特征和所述类原型对齐，并将训练结果作为所述实体类型对应的所述扩展属性。

3.根据权利要求1所述的图像识别训练方法，其特征在于，所述待训练分类模型包括编码器和生成器；

所述基于所述实体类型的实体属性以及扩展属性，对所述实体类型的已知类视觉特征进行语义一致性合成，获取所述实体属性和扩展属性分别对应的已知类合成特征，包括：

将所述实体类型的实体属性、扩展属性以及已知类视觉特征输入所述编码器，获取噪音分布参数；

将所述噪音分布参数、所述实体类型的实体属性以及扩展属性输入所述生成器，获取所述实体类型的已知类合成特征。

4.根据权利要求3所述的图像识别训练方法，其特征在于，还包括：

采用二元交叉熵损失对所述已知类视觉特征和所述已知类合成特征进行比较。

5.根据权利要求1所述的图像识别训练方法，其特征在于，所述待训练分类模型包括生成器、实体属性解码器和扩展属性解码器；

在所述获取所述实体属性和扩展属性分别对应的已知类合成特征之后，还包括：

将所述已知类视觉特征和所述实体属性输入所述实体属性解码器，获取真实重建属性；

将所述已知类视觉特征和所述重建属性输入所述重建属性解码器，获取扩展重建属性；

采用循环一致性损失，对所述真实重建属性和所述扩展重建属性进行训练，用于将所述已知类合成特征逼近所述已知类视觉特征。

6.根据权利要求1所述的图像识别训练方法，其特征在于，所述将所述已知类视觉特征、已知类合成特征、实体属性以及扩展属性作为待训练分类模型的输入数据，将所述已知类视觉特征对应的类原型和所述实体类型作为所述待训练分类模型的输出数据，对将所述待训练分类模型进行训练，并最终生成已训练分类模型，包括：

采用WGAN网络作为待训练分类模型，将所述已知类视觉特征、已知类合成特征、实体属性以及扩展属性作为待训练分类模型的输入数据，通过优化损失对所述WGAN网络进行训练，用于最终生成已训练分类模型。

7.根据权利要求1所述的图像识别训练方法，其特征在于，在所述最终生成已训练分类模型之后，还包括：

获取未见类视觉特征，将所述未见类视觉特征输入所述已训练类别识别模型，用于识别所述未见类视觉特征对应的识别类型。

8.一种图像识别训练装置，其特征在于，包括：

构建扩展属性模块，用于基于实体类型的实体属性，构建对应的扩展属性；

获取合成特征模块，用于基于所述实体类型的实体属性以及扩展属性，对所述实体类型的已知类视觉特征进行语义一致性合成，获取所述实体属性和扩展属性分别对应的已知类合成特征；

生成分类模块模块，用于将所述已知类视觉特征、已知类合成特征、实体属性以及扩展属性作为待训练分类模型的输入数据，将所述已知类视觉特征对应的类原型和所述实体类型作为所述待训练分类模型的输出数据，对将所述待训练分类模型进行训练，并最终生成已训练分类模型。