[发明专利]模型训练、图像识别方法和装置、电子设备及存储介质

说明书

本申请提供的模型训练、图像识别方法和装置、电子设备及存储介质，涉及图像识别技术领域。在本申请中，首先，通过神经网络模型中的图像分类层对图像特征进行分类处理，得到分类结果，其中，该图像特征基于该神经网络模型的特征提取层对样本图像进行处理得到。其次，通过神经网络模型中的图像重构层对图像特征进行重构处理，得到重构图像。然后，通过神经网络模型中的损失确定层对重构图像进行损失确定处理得到重构损失、对分类结果进行损失确定处理得到分类损失。最后，基于重构损失和分类损失对神经网络模型进行更新处理，得到图像识别模型。通过上述方法，可以改善现有技术中训练的图像识别模型存在识别精度不高的问题。

技术领域

本申请涉及图像识别技术领域，具体而言，涉及一种模型训练、图像识别方法和装置、电子设备及存储介质。

背景技术

随着图像识别技术的不断发展，其应用范围也越来越广。如此，导致对图像识别的识别结果的精度要求也越来越高。

经发明人研究发现，现有技术中，在对图像识别模型进行训练的过程中，由于对训练所依据的信息的约束和限制的力度不足，使得训练得到的图像识别模型，在进行图像识别时，提取的信息较少，从而导致该图像识别模型存在识别精度不高的问题。

发明内容

有鉴于此，本申请的目的在于提供一种模型训练、图像识别方法和装置、电子设备及存储介质，以改善现有技术中训练的图像识别模型存在识别精度不高的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种图像识别模型训练方法，包括：

通过预设的图像分类层对图像特征进行分类处理，得到分类结果，其中，该图像分类层属于预设的神经网络模型，该图像特征基于该神经网络模型的特征提取层对样本图像进行处理得到；

通过预设的图像重构层对所述图像特征进行重构处理，得到重构图像，其中，该图像重构层属于所述神经网络模型；

通过所述神经网络模型中的损失确定层对所述重构图像进行损失确定处理得到重构损失、对所述分类结果进行损失确定处理得到分类损失；

基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型，其中，该图像识别模型用于对目标图像进行识别。

在本申请实施例较佳的选择中，在上述图像识别模型训练方法中，所述基于所述重构损失和所述分类损失对所述神经网络模型进行更新处理，得到图像识别模型的步骤，包括：

基于所述重构损失和所述分类损失进行求和处理，得到损失总值；

基于所述损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到图像识别模型。

在本申请实施例较佳的选择中，在上述图像识别模型训练方法中，所述基于所述损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到图像识别模型的步骤，包括：

a，基于得到的损失总值和预设的反向传播算法对所述神经网络模型进行更新处理，得到新的神经网络模型，其中，该新的神经网络模型用于再次对所述样本图像进行处理，得到新的损失总值；

b，判断所述新的损失总值是否小于预设损失值，并在该新的损失总值小于该预设损失值时，将最后一次更新处理得到的神经网络模型作为图像识别模型，在该新的损失总值不小于该预设损失值时，再次执行步骤a。

在本申请实施例较佳的选择中，在上述图像识别模型训练方法中，所述对所述重构图像进行损失确定处理得到重构损失的步骤，包括：

针对每一张重构图像，通过所述损失确定层确定该重构图像与对应的样本图像之间的像素损失，其中，该重构图像为多个，该样本图像为多个；