[发明专利]一种基于图像识别的人工智能模型训练方法及装置

权利要求书

1.一种基于图像识别的人工智能模型训练方法，其特征在于，包括：

获取基准样本集、注册样本集以及验证集；其中，所述基准样本集、注册样本集以及验证集均包括图像，所述基准样本集包括的图像被归类为正常图像，所述注册样本集包括的图像被归类为特殊图像，所述验证集包括的图像被归类为所述基准样本集和所述注册样本集皆未包括的其它图像，并且所述正常图像、所述特殊图像以及所述其它图像按照阶元系统标准皆属于同类图像；

以GoogLeNet网络结构和所述基准样本集为依据训练原始人工智能模型；

以预设优化模型、所述基准样本集以及所述注册样本集为依据，对所述原始人工智能模型进行优化迭代训练，并获取优化迭代训练过程中存在的至少一个优化人工智能模型；

在所述原始人工智能模型和所述至少一个优化人工智能模型中输入所述验证集，计算出与所述原始人工智能模型对应的原始准确率以及与所述至少一个优化人工智能模型一一对应的至少一个优化准确率；

判断所述至少一个优化准确率中是否存在大于原始准确率的优化准确率，且与所述原始准确率差值的绝对值小于预设阈值的最优准确率；

当所述最优准确率存在的时候，确定所述最优准确率对应的优化人工智能模型为最优人工智能模型。

2.根据权利要求1所述的人工智能模型训练方法，其特征在于，所述正常图像、特殊图像以及其它图像皆属于人脸图像。

3.根据权利要求2所述的人工智能模型训练方法，其特征在于，所述基准样本集中包括多组正常图像，其中，每组正常图像包括同一位用户的三个人脸图像，且所述三个人脸图像中至少具有一张与预设图像要求相符的人脸图像。

4.根据权利要求1所述的人工智能模型训练方法，所述基准样本集包括多组正样本集，其特征在于，所述以GoogLeNet网络结构和所述基准样本集为依据训练原始人工智能模型的步骤包括：

在所述基准样本集中获取多组正样本集；

通过GoogLeNet网络结构提取与所述多组正样本集对应的特征集；

以所述多组正样本集包括的每组正样本集和所述特征集为依据，获取与所述每组正样本集对应负样本，并组合所有负样本为负样本集；

以预设损失函数和所述负样本集为依据，对所述多组正样本集进行权重更新，得到原始人工智能模型。

5.根据权利要求1所述的人工智能模型训练方法，其特征在于，所述以预设优化模型、所述基准样本集以及所述注册样本集为依据，对所述原始人工智能模型进行优化迭代训练，并获取优化迭代训练过程中存在的至少一个优化人工智能模型的步骤包括：

以预设比例获取所述所述基准样本集和所述注册样本集中的样本，得到优化样本集；

以预设优化模型和所述优化样本集为依据，对所述原始人工智能模型进行优化迭代训练，并获取优化迭代训练过程中存在的至少一个优化人工智能模型；其中，

所述预设优化模型是以所述GoogLeNet网络结构、Triplet Loss函数为基础的优化模型。