[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

说明书

本申请公开了一种图像识别模型的训练方法、装置、电子设备及存储介质，所述方法包括：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。本申请可以提升图像识别模型的收敛速度和性能，最终提升整个图像识别模型的训练过程的效率、减小对执行模型训练任务的电子设备计算资源的消耗。

技术领域

本申请涉及计算机技术领域，尤其涉及一种图像识别模型的训练方法、装置、电子设备及存储介质。

背景技术

基于大量的样本图像数据进行模型训练，以得到准确度高的、用于执行图像识别任务的图像识别模型是图像识别领域的热点。

目前在对图像识别模型进行训练时，通常以已有的基于其他图像数据集训练得到的图像识别模型作为基模型在自己的图像数据集上进行微调Finetune训练，即，使用已有模型的参数对预先创建的待训练模型对应的参数进行初始化，再基于自己的图像数据集对初始化后的待训练模型进行训练，以得到能够用于识别自己的图像数据的图像识别模型。然而，由于训练已有模型使用的图像数据和自己的图像数据不同，基于使用已有模型的参数进行初始化后的待训练模型进行Finetune训练，导致模型训练收敛速度慢、模型性能差，进而致使模型训练过程耗时长且还会消耗大量的计算资源。

发明内容

本申请实施例的目的是提供一种图像识别模型的训练方法、装置、电子设备及存储介质，以至少解决相关技术中的图像识别模型训练存在收敛速度慢、模型性能差的问题。

为了解决上述技术问题，本申请实施例采用下述技术方案：

第一方面，提供了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。

可选地，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。

可选地，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。

可选地，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；