[发明专利]图像识别模型训练方法、装置、计算机设备及存储介质

说明书

本发明公开了图像识别模型训练方法、装置、计算机设备及存储介质。方法包括：根据识别模型及扰动生成规则生成与图像数据集中每一初始图像对应的一张扰动图像，根据预设数据集每一扰动图像的扰动类别生成与每一扰动类别对应的扰动样式，根据变换参数集合及扰动样式对初始图像进行样式迁徙得到训练图像集，根据训练图像集对识别模型进行梯度训练。本发明基于模型构建技术，属于人工智能技术领域，采用样式迁徙方式可极大扩充训练图像集中训练图像的数量，且训练图像集中的训练图像可覆盖各种变化因素，通过所得的训练图像集对识别模型进行训练，可大幅升识别模型在各种变化因素环境下的识别效率及准确率。

技术领域

本发明涉及人工智能技术领域，应用于智慧城市中模型构建相关的应用场景，尤其涉及一种图像识别模型训练方法、装置、计算机设备及存储介质。

背景技术

为促进智慧城市建设，智能监控摄像头在实际生活中得到了更加广泛的应用，其普遍应用于社区安防、视频监管、环境监管、交通监管等场景中。在实际应用过程中，通过采用深度卷积神经网络的计算机视觉技术构建识别模型，实现对智能监控摄像头所获取的实时监控图像中的目标进行检测和识别，对目标进行检测和识别可通过预设的图像数据集进行训练后的识别模型进行实现，基于训练后的识别模型对实时监控图像中的目标进行检测和识别。

目前对识别模型进行训练均是采用包含若干张图像组成图像数据集进行训练，图像数据集中的图像均是常规拍摄所采集的图像，而现实应用中外界环境通常存在很多变化因素，例如白天到夜晚的变换、雨雪天气、大雾天气、摄像头相对高度和拍摄角度引起的视角变化等，由此训练得到的识别模型无法在现实应用适应众多变化因素，导致识别模型的识别效率及识别准确率不高，因此现实应用中应用效果较差。因此，现有的技术方法中的训练方法所训练得到的图像识别模型存在无法适应变化因素的问题。

发明内容

本发明实施例提供了一种图像识别模型训练方法、装置、计算机设备及存储介质，旨在解决现有的训练方法所训练得到的图像识别模型存在无法适应变化因素的问题。

第一方面，本发明实施例提供了一种图像识别模型训练方法，其包括：

接收到用户所输入的图像数据集及扰动生成规则，根据预置的识别模型及所述扰动生成规则生成与所述图像数据集中每一初始图像对应的一张扰动图像；其中，所述扰动生成规则包括定位损失计算公式、交叉熵损失计算公式、扰动迭代计算公式；

根据每一所述扰动图像对应的扰动类别及预设数量，从每一所述扰动类别中获取所述预设数量的扰动图像并生成与每一所述扰动类别对应的扰动样式；

根据预置的变换参数集合及多个所述扰动样式对所述图像数据集进行样式迁徙以得到对应的训练图像集；

采用所述训练图像集及所述定位损失计算公式、所述交叉熵损失计算公式及预存的梯度计算公式对所述识别模型进行训练，以得到训练后的所述识别模型。

第二方面，本发明实施例提供了一种图像识别模型训练装置，其包括：

扰动图像生成单元，用于接收到用户所输入的图像数据集及扰动生成规则，根据预置的识别模型及所述扰动生成规则生成与所述图像数据集中每一初始图像对应的一张扰动图像；其中，所述扰动生成规则包括定位损失计算公式、交叉熵损失计算公式、扰动迭代计算公式；

扰动样式生成单元，用于根据每一所述扰动图像对应的扰动类别及预设数量，从每一所述扰动类别中获取所述预设数量的扰动图像并生成与每一所述扰动类别对应的扰动样式；

训练图像集获取单元，用于根据预置的变换参数集合及多个所述扰动样式对所述图像数据集进行样式迁徙以得到对应的训练图像集；

识别模型训练单元，用于采用所述训练图像集及所述定位损失计算公式、所述交叉熵损失计算公式及预存的梯度计算公式对所述识别模型进行训练，以得到训练后的所述识别模型。