[发明专利]神经网络模型训练方法及装置、图像识别方法及装置

说明书

本发明提供了一种神经网络模型训练方法及装置、图像识别方法及装置，涉及深度学习技术领域，该方法包括：从第一训练样本集获取目标样本，利用神经网络模型对目标样本进行特征提取，得到目标样本的个体特征，利用神经网络模型对第二训练样本集中的各样本进行特征提取，得到第二训练样本集对应的群体特征；群体特征包括第二训练样本集中每个样本的个体特征；基于目标样本的个体特征和群体特征确定目标样本对应的损失值；基于目标样本对应的损失值，对神经网络模型的参数进行迭代更新。本发明提升了训练后的神经网络模型的识别精度。

技术领域

本发明涉及深度学习技术领域，尤其是涉及一种神经网络模型训练方法及装置、图像识别方法及装置。

背景技术

人脸识别是计算机视觉研究中的重要领域，被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一，人脸识别的困难主要是人脸作为生物特征的特点所带来的。目前的人脸识别已广泛用于政府、银行、社会福利保障、电子商务、安全防务等领域，随着人脸识别日常生活中的应用越来越广泛，各行业对于人脸识别精度的要求也越来越高。在使用神经网络模型进行人脸识别之前，首先需要使用训练样本对神经网络模型进行训练。然而，目前的神经网络模型大都是基于训练样本的个体特征训练得到的，导致训练得到的神经网络模型还存在识别精度较低的问题。

发明内容

有鉴于此，本发明的目的在于提供一种神经网络模型训练方法及装置、图像识别方法及装置，能够提升训练后的神经网络模型的识别精度。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种神经网络模型训练方法，包括：从第一训练样本集获取目标样本；利用所述神经网络模型对所述目标样本进行特征提取，得到所述目标样本的个体特征，利用所述神经网络模型对第二训练样本集中的各样本进行特征提取，得到所述第二训练样本集对应的群体特征；所述群体特征包括所述第二训练样本集中每个样本的个体特征；基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值；基于所述目标样本对应的损失值，对所述神经网络模型的参数进行迭代更新。

进一步，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值的步骤，包括：将所述目标样本的个体特征与所述群体特征中的每个个体特征进行逐一比较，得到所述目标样本的全局特征；基于所述目标样本的个体特征和所述目标样本的全局特征，得到所述目标样本对应的损失值。

进一步，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述将所述目标样本的个体特征与所述群体特征中的每个个体特征进行逐一比较，得到所述目标样本的全局特征的步骤，包括：计算所述目标样本的个体特征与所述群体特征中的各个体特征之间的相似度，得到所述目标样本与所述第二训练样本集的相似度向量；将所述相似度向量作为所述目标样本的全局特征。

进一步，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值的步骤，包括：将所述目标样本的个体特征与所述全局特征进行融合，得到所述目标样本的融合特征；基于所述目标样本的个体特征及所述目标样本的融合特征，得到所述目标样本对应的损失值。

进一步，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值的步骤，包括：基于所述目标样本的个体特征、所述目标样本的全局特征及所述目标样本的融合特征，得到所述目标样本对应的损失值。

进一步，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述将所述目标样本的个体特征与所述全局特征进行融合，得到所述目标样本的融合特征的步骤，包括：对所述目标样本的个体特征与所述全局特征进行拼接，并将拼接后的特征输入所述神经网络模型的全连接层，得到所述全连接层输出的所述目标样本的融合特征。