[发明专利]模型训练方法、图像识别方法、装置及终端设备

权利要求书

1.一种模型训练方法，其特征在于，包括：

将获取的随机噪声输入到预先搭建的对抗网络模型的生成器中，获得第一生成样本；

将所述第一生成样本和第一标签样本输入到所述对抗网络模型的判别器中，对所述第一标签样本和所述第一生成样本进行分类判断；其中，所述第一标签样本为具有预设图像特征分布的完整图像；

确定所述对抗网络模型的损失值，以基于所述损失值更新所述对抗网络模型的参数数值；其中，在所述对抗网络模型的损失值未达到预设阈值时，进入下一轮迭代训练过程，直到所述对抗网络模型的损失值达到预设阈值，得到初始训练模型；

将获取的图像训练样本输入到所述初始训练模型的生成器中，获得第二生成样本；其中，所述图像训练样本为非完整图像；

将所述第二生成样本和第二标签样本输入到所述初始训练模型的判别器中，对所述第二标签样本和所述第二生成样本进行分类判断；其中，所述第二标签样本包括所述图像训练样本和所述图像训练样本的二值图；

确定所述初始训练模型的损失值，以基于所述损失值更新所述初始训练模型的参数数值；其中，在所述初始训练模型的损失值未达到预设阈值时，进入下一轮迭代训练过程，直到所述初始训练模型的损失值达到预设阈值，得到图像恢复模型。

2.根据权利要求1所述的方法，其特征在于，用于所述初始训练模型训练的损失函数为：

V＝E_Pdata(x)logD(x)+E_Pg(x)log(1-D(x))

其中，V表示损失函数值，E_Pdata(x)表示判别器端的损失值，E_Pg(x)表示生成器端的损失值，x表示生成器或判别器的输入，D(x)表示判别器的输出结果。

3.根据权利要求1所述的方法，其特征在于，用于所述图像恢复模型训练的损失函数为：

Loss＝Lp(z)+Lc(z|y，M)

Lp(z)＝λlog(1-D(G(z)))

Lc(z|y，M)＝||W⊙(G(z)-y)||₁

其中，Loss表示损失函数值，Lp(z)表示判别器端的先验损失值，Lc表示生成器端的图像内容损失值，z表示输入生成器的图像训练样本，G(z)表示生成器的输出结果，y表示输入判别器的图像训练样本，M表示输入判别器的图像训练样本的二值图，其中像素i属于完整图像区域时，M_i等于1，而像素i属于非完整图像区域时，M_i等于0，λ表示预设权重参数，N(i)表示以像素i为中心的预设局部区域中除像素i之外所有像素点的个数，⊙表示针对每个像素单独点乘，||||₁表示差的绝对值，W_i表示像素i的预设权重。

4.根据权利要求1所述的方法，其特征在于，所述生成器的结构包括多个卷积层，每个卷积层中包括对应的响应函数和池化层，每个卷积层通过卷积核对相应输入图像进行处理，增强输出图像的特征；所述判别器的结构为所述生成器的结构的逆运算结构。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述随机噪声满足正态分布。

6.一种图像识别方法，其特征在于，包括：

获取待识别的非完整图像；

将所述非完整图像输入到图像恢复模型中，输出所述非完整图像对应的完整图像；其中，所述图像恢复模型是基于分阶段递进的训练过程预先训练得到，训练过程中的训练样本包括非完整图像以及所述非完整图像的二值图，所述二值图用于调整训练过程中模型的与生成图像特征表达相关的模型参数；

将所述完整图像输入到预先训练的图像识别模型中，输出表示所述非完整图像的图像对象信息的识别结果。

7.根据权利要求6所述的方法，其特征在于，用于所述图像恢复模型训练的损失函数包括图像内容损失值，所述图像内容损失值基于所述二值图进行调整；当训练样本中的非完整图像的像素i属于完整图像区域时，对应二值图中的像素i为1，而当训练样本中的非完整图像的像素i属于非完整图像区域时，对应二值图中的像素i为0。