[发明专利]模型训练方法、对象识别方法、装置、介质及电子设备

说明书

本公开涉及计算机技术领域，具体涉及一种模型训练方法、对象识别方法、模型训练装置、对象识别装置、计算机可读存储介质及电子设备。本公开实施例中的模型训练方法用于对包括特征提取层和分类层的预训练模型进行追加训练，该方法包括：基于预训练模型的特征提取层构建追加样本分类模型；利用标注追加类型的追加样本对追加样本分类模型进行训练以确定追加类型的追加分类权重；将追加分类权重添加至预训练模型的分类层。该方法不必对原始样本进行重复训练可以在保证模型整体精度的情况下不断增加新的数据类型，而且可以极大地节约模型训练成本，提高模型训练效率。

技术领域

本公开涉及计算机技术领域，具体涉及一种模型训练方法、对象识别方法、模型训练装置、对象识别装置、计算机可读存储介质及电子设备。

背景技术

当前，随着人工智能的发展，一些自动化设备已经逐步取代人类，并发挥着重要作用。在日常消费的结算系统中，基于深度学习的商品自动结算台系统已经能够完全通过实时摄像采集系统实现全自动化结算，并能获得较高的精度。在这种全自动化结算系统中，首先通过实时摄像头检测到商品，并提取得到单个商品图像的特征信息，然后在查询数据库中进行查询，得到最终的商品类型。其中查询数据库的建立是其中的重要一环，包含着商品图像的特征信息和商品标签。由于日常商品种类繁多，并且随着时间的推移，一些商品会下架，新的商品会不断增加，随之而来的一个重要问题是建立新的图像数据查询库。因此需要对新商品图像进行数据库入库操作，以满足实际的运维要求。

在相关技术中，可以利用深度学习模型进行商品的自动识别和分类。在深度学习的初始模型训练过程中，往往需要采集大量的图像数据样本，才能训练出较高的精度。由于新商品的种类不断增加，其数据的采集量级需要达到旧数据集的量级，则需要耗费大量的人力物力去进行数据的采集和标注，并且数据的标注也需要专门的技术人员进行标注，其总体成本较高，不利于长期发展。而如果新商品的数据采集量过低则会影响最终的训练精度。另外，每当一批新商品入库时，需要将初始模型进行重新训练，随着种类的增多，训练所耗费的时间和资源也就越多，而且新的商品会不断分散旧商品的识别率，因此随着种类越来越多其整体精度往往会不断下降。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种模型训练方法、对象识别方法、模型训练装置、对象识别装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的模型追加训练时存在的训练成本高、训练精度差等技术问题。

根据本公开的一个方面，提供一种模型训练方法，用于对包括特征提取层和分类层的预训练模型进行追加训练，其特殊之处在于，所述方法包括：

基于所述预训练模型的特征提取层构建追加样本分类模型；

利用标注追加类型的追加样本对所述追加样本分类模型进行训练以确定所述追加类型的追加分类权重；

将所述追加分类权重添加至所述预训练模型的分类层。

在本公开的一种示例性实施方式中，所述追加样本分类模型包括追加样本特征生成器和追加样本权重生成器；所述基于所述预训练模型的特征提取层构建追加样本分类模型，包括：

将所述预训练模型的特征提取层进行参数固定，以形成所述追加样本特征生成器；

从所述预训练模型的分类层中获取原始分类权重，并基于所述原始分类权重构建所述追加样本权重生成器。

在本公开的一种示例性实施方式中，所述基于所述原始分类权重构建所述追加样本权重生成器，包括：

利用所述追加样本特征生成器对追加样本进行特征提取以得到所述追加样本的特征向量；

根据所述特征向量计算对应于所述追加样本的追加类型的均值向量；