[发明专利]图像识别模型训练方法、识别方法及装置

权利要求书

1.一种图像识别模型训练方法，其特征在于，包括：

获取带标签的第一训练图像集和无标签的第二训练图像集；

获取第一训练模型的第一模型参数和F1值；其中，所述第一训练模型为利用所述第一训练图像集进行训练获得，所述F1值为利用所述第一训练模型的精确度和召回率计算获得；

根据所述第一模型参数和F1值更新第二训练模型；

利用所述第二训练模型对所述第二训练图像集中的训练图像进行预测，获得所述训练图像对应的标签；

利用所述第一训练图像集和所述第二训练图像集及所述训练图像对应的标签对所述第一训练模型进行一次迭代训练，若未满足停止迭代条件，则利用迭代训练后的第一模型参数和F1值再次更新所述第二训练模型，直至满足所述停止迭代条件为止，获得训练好的图像识别模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一模型参数和F1值更新第二训练模型，包括：

根据所述第一模型参数和F1值，利用复合移动加权平均算法计算获得第二模型参数；

利用所述第二模型参数更新所述第二训练模型中的参数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一模型参数和F1值，利用复合移动加权平均算法计算获得第二模型参数，包括：

根据公式计算获得所述第二模型参数；

其中，θ_i'为对所述第一训练模型进行第i轮迭代训练后计算获得的所述第二模型参数；α为所述模型参数影响力衰减系数；f_j为对所述第一训练模型进行第j轮迭代训练后的F1值；θ_j为对所述第一训练模型进行第j轮迭代训练后的第一模型参数。

4.根据权利要求1所述的方法，其特征在于，所述训练图像对应的标签为图像类别分值；所述利用所述第一训练图像集和所述第二训练图像集及所述训练图像对应的标签对所述第一训练模型进行一次迭代训练，包括：

将所述第一训练图像集、所述第二训练图像集输入所述第一训练模型，获得所述第一训练模型输出的图像类别分值；

根据所述第一训练图像集、所述第二训练图像集、所述图像类别分值以及动态模型权重计算损失值；

根据所述损失值对所述第一训练模型中的第一模型参数进行优化，以完成一次迭代训练。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一训练图像集、所述第二训练图像集、所述图像类别分值以及动态模型权重计算损失值，包括：

根据公式计算获得所述损失值；

其中，L为所述损失值；M为所述第一训练图像集与所述第二训练图像集对应的总图像类别数；N_l为所述第一训练图像集的样本数量；y_kc为所述第一训练图像集中第k个样本在第c个图像类别上的标签；p_kc1为所述第一训练模型对所述第一训练图像集中第k个样本预测的属于第c个图像类别的图像类别分值；p_kc2为所述第一训练模型对所述第二训练图像集第k个样本预测的属于第c个图像类别的图像类别分值；N_u为所述第二训练图像集的样本数量；s_kc为所述第二训练模型对第二训练图像集中第k个样本预测的在第c个图像类别上的图像分类分值；β为所述动态模型权重。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述第二训练模型与所述第一训练模型的模型结构相同。

7.一种图像识别方法，其特征在于，包括：

获取待识别图像；

将所述待识别图像输入预先训练好的图像识别模型中，获得所述图像识别模型输出的类别标签；

其中，所述图像识别模型为根据如权利要求1-6任一项所述的模型训练方法训练获得。