[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

说明书

本发明提供一种基于图像识别的人工智能模型训练方法及系统，其中，该人工智能模型训练方法包括：获取基准样本集、注册样本集以及验证集；以GoogLeNet网络结构和基准样本集为依据训练原始人工智能模型；对原始人工智能模型进行优化迭代训练，得到至少一个优化人工智能模型；输入验证集，得到原始准确率以及与至少一个优化准确率；判断至少一个优化准确率中是否存在一个满足限制条件的最优准确率；当最优准确率存在的时候，确定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。可见，本发明所描述的基于图像识别的人工智能模型训练方法能够通过使用该人工智能模型以人工智能的手段来提高图像识别的效率、精度，并降低图像识别的成本。

技术领域

本发明涉及人工智能领域，具体而言，涉及一种基于图像识别的人工智能模型训练方法及装置。

背景技术

图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。传统的图像识别方法，通常是利用各种软件对图片进行不同方面的处理进行识别的。可见，传统的图像识别方法需要通过大量的工作才能识别出图像来，并且后期工作还需由工作人员参与，使得图像识别的主观性较强，并且人力成本较高，同时还伴随着精度不高的问题；另一方面，图像识别通常是基于固定比例进行识别的，这就使得在比例不同的情况下，图像识别的难度与工作量将呈指数倍增长，识别精度将大幅下降。

发明内容

鉴于上述问题，本发明提供了一种基于图像识别的人工智能模型训练方法及装置，能够通过使用该人工智能模型以人工智能的手段来提高图像识别的效率、精度，并降低图像识别的成本。

为了实现上述目的，本发明采用如下的技术方案：

第一方面，本发明提供了一种基于图像识别的人工智能模型训练方法，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。

作为一种可选的实施方式，所述正常图像、特殊图像以及其它图像皆属于人脸图像。

作为一种可选的实施方式，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。

作为一种可选的实施方式，所述基准样本集包括多组正样本集，其中，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；