[发明专利]图像识别模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种图像识别模型的训练方法，包括：

对预设的神经网络的特征提取层参数进行初始化；

基于初始化后的所述特征提取层参数对目标样本数据集中的样本图像进行特征提取，得到不同类别的样本图像特征，其中，所述目标样本数据集包括不同类别的样本图像；

基于所述不同类别的样本图像特征构建图像特征矩阵；

基于所述图像特征矩阵初始化所述神经网络的全连接层参数；

基于所述目标样本数据集对初始化后的所述神经网络进行微调训练，以得到图像识别模型。

2.根据权利要求1所述的方法，所述对预设的神经网络的特征提取层参数进行初始化，包括：

获取预设的原始模型的特征提取层参数，其中，所述原始模型基于与所述目标样本数据集不同的源样本数据集训练得到；

将所述神经网络的特征提取层参数初始化为所述原始模型的特征提取层参数。

3.根据权利要求1所述的方法，所述基于所述图像特征矩阵初始化所述神经网络的全连接层参数，包括：

将所述神经网络的全连接层的权重矩阵初始化为所述图像特征矩阵；

将所述全连接层的偏置矩阵初始化为预设矩阵。

4.根据权利要求1所述的方法，所述基于初始化后的所述特征提取层参数对目标样本数据集中的样本图像进行特征提取，得到不同类别的样本图像特征，包括：

对于所述目标样本数据集中的每一类别，从所述类别的所有样本图像中随机筛选出一张样本图像，作为所述类别的类别表示图像；

基于初始化后的所述特征提取层参数对所述类别的类别表示图像进行特征提取，得到所述类别的类别表示图像的图像特征；

将所述类别表示图像的图像特征作为所述类别的样本图像特征。

5.根据权利要求1所述的方法，所述基于初始化后的所述特征提取层参数对目标样本数据集中的样本图像进行特征提取，得到不同类别的样本图像特征，包括：

对于所述目标样本数据集中的每一类别，基于初始化后的所述特征提取层参数对所述类别的各样本图像进行特征提取，得到所述类别的各样本图像的图像特征；

基于所述类别的各样本图像的图像特征确定所述类别的中心并确定所述类别的各样本图像与所述类别的中心之间的距离；

从所述类别的所有样本图像中筛选出所述距离最小的样本图像并将所述距离最小的样本图像的图像特征作为所述类别的样本图像特征。

6.根据权利要求5所述的方法，对于所述目标样本数据集中的每一类别，所述基于所述类别的各样本图像的图像特征确定所述类别的中心，包括：

确定所述类别的各样本图像的图像特征的平均值；

将所述平均值确定为所述类别的中心。

7.根据权利要求1至6中任一项所述的方法，所述特征提取层包括卷积层、池化层和全连接层。

8.一种图像识别模型的训练装置，包括：

第一初始化单元，对预设的神经网络的特征提取层参数进行初始化；

特征提取单元，基于初始化后的所述特征提取层参数对目标样本数据集中的样本图像进行特征提取，得到不同类别的样本图像特征，其中，所述目标样本数据集包括不同类别的样本图像；

构建单元，基于所述不同类别的样本图像特征构建图像特征矩阵；

第二初始化单元，基于所述图像特征矩阵初始化所述神经网络的全连接层参数；

微调单元，基于所述目标样本数据集对初始化后的所述神经网络进行微调训练，以得到图像识别模型。