[发明专利]图像识别模型训练方法、识别方法及装置

说明书

本申请提供一种图像识别模型训练方法、识别方法及装置。方法包括：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；根据第一模型参数和F1值更新第二训练模型；利用第二训练模型对第二训练图像集中的训练图像进行预测，获得训练图像对应的标签；利用第一训练图像集和第二训练图像集及训练图像对应的标签对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。本申请提高了模型训练过程中的收敛速度和获得的模型的性能。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像识别模型训练方法、识别方法及装置。

背景技术

目前，人工智能技术在图像识别领域已经得到广泛应用。例如，采用深度学习网络进行图像分类。深度学习网络的预测精度与样本数据集的多少和准确度有着密切的关系。一般来说，标签样本集越大，训练所得的模型性能越好，而标记数据集对应的人工成本的消耗也越大。

在实际应用中，由于标签样本数据量的限制，半监督学习方式越来越受到业内的关注。利用带标签样本对模型进行训练，再利用训练好的模型对无标签的数据生成伪标签，利用伪标签的方式扩充带标签样本的数据量，从而利用带标签样本进行模型训练。但是，该方法中伪标签的有效性较低，从而导致最终获得的模型的精度较低。

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训练方法、识别方法及装置，用以提高训练获得的图像识别模型的准确性。

第一方面，本申请实施例提供一种图像识别模型训练方法，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，第一训练模型为利用第一训练图像集进行训练获得，F1值为利用第一训练模型的精确度和召回率计算获得；根据第一模型参数和F1值更新第二训练模型；利用第二训练模型对第二训练图像集中的训练图像进行预测，获得训练图像对应的标签；利用第一训练图像集和第二训练图像集及训练图像对应的标签对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。

本申请实施例通过利用第一模型参数和F1值更新第二训练模型，使得第二训练模型预测的伪标签具有更高的精确度和召回率，提高了模型训练过程中的收敛速度和获得的模型的性能。

在任一实施例中，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；利用第二模型参数更新第二训练模型中的参数。

本申请实施例通过利用第一模型参数和F1值更新第二训练模型，使得第二训练模型预测的伪标签具有更高的精确度和召回率，提高了模型训练过程中的收敛速度和获得的模型的性能。

在任一实施例中，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：根据公式计算获得第二模型参数；其中，θ_i'为对第一训练模型进行第i轮迭代训练后计算获得的第二模型参数；α为模型参数影响力衰减系数；f_j为对第一训练模型进行第j轮迭代训练后的F1值；θ_j为对第一训练模型进行第j轮迭代训练后的第一模型参数。

本申请实施例通过利用第一模型参数和F1值更新第二训练模型，使得第二训练模型预测的伪标签具有更高的精确度和召回率，提高了模型训练过程中的收敛速度和获得的模型的性能。