[发明专利]图像识别模型的训练、图像识别方法、装置及设备

权利要求书

1.一种图像识别模型的训练方法，其特征在于，包括：

获取第一图像识别结果，所述第一图像识别结果是将图像样本集输入第一图像识别模型得到的；

确定损失函数对应的当前的权重系数，所述损失函数包括第一损失函数和多个第二损失函数；

模型参数更新阶段：将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果；根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及根据所述多个第二损失函数确定当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，至模型参数更新阶段的迭代次数满足模型参数迭代条件；确定模型训练次数，当模型训练次数达到训练次数阈值时，将当前的第二图像识别模型作为目标图像识别模型；当模型训练次数未达到训练次数阈值时，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果，并进入权重系数更新阶段；

权重系数更新阶段：根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及根据所述多个第二损失函数确定当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数，至权重系数更新阶段的迭代次数满足权重系数迭代条件；并在权重系数更新阶段的迭代次数满足权重系数迭代条件时，进入模型参数更新阶段。

2.根据权利要求1所述的方法，其特征在于，所述根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，得到当前的第二图像识别模型，包括：

根据当前的权重系数、第一梯度信息和第二梯度信息，得到梯度加权信息；

根据所述梯度加权信息，更新所述第二图像识别模型的模型参数，得到当前的第二图像识别模型。

3.根据权利要求1所述的方法，其特征在于，所述根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数，包括：

根据当前的权重系数、第一梯度信息和第二梯度信息，得到梯度加权信息；

根据所述梯度加权信息和Frank-Wolfe算法，得到梯度更新方向信息；

获取所述Frank-Wolfe算法的第二学习率；

根据所述第二学习率、所述梯度更新方向信息以及当前的权重系数，确定更新的权重系数；

利用所述更新的权重系数更新所述权重系数。

4.根据权利要求1所述的方法，其特征在于，还包括：

若权重系数更新阶段的迭代次数不满足权重系数迭代条件，返回权重系数更新阶段。

5.根据权利要求1所述的方法，其特征在于，还包括：

若模型参数更新阶段的迭代次数不满足模型参数迭代条件，返回模型参数更新阶段。

6.一种图像识别方法，其特征在于，包括：

获取待识别图像；

将所述待识别图像输入如权利要求1-5任一项中的目标图像识别模型，获取图像识别结果。