[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

权利要求书

1.一种图像识别模型的训练方法，其特征在于，应用于电子设备，所述电子设备保存有待训练的第一图像识别模型和训练完成的第二图像识别模型；所述方法包括：

将训练样本图像分别输入所述第一图像识别模型和所述第二图像识别模型，以使所述第一图像识别模型提取所述训练样本图像对应的特征信息，以及使所述第二图像识别模型输出所述训练样本图像对应的类型识别结果；其中，所述类型识别结果表征所述训练样本图像为噪声样本或者是干净样本；

当所述训练样本图像为噪声样本，则丢弃所述特征信息；

当所述训练样本图像为干净样本，则利用所述特征信息对所述第一图像识别模型进行训练。

2.如权利要求1所述的方法，其特征在于，将所述训练样本图像输入所述第二图像识别模型，以使所述第二图像识别模型输出所述训练样本图像对应的所述类型识别结果的步骤，包括：

将所述训练样本图像输入所述第二图像识别模型，由所述第二图像识别模型输出所述训练样本图像对应的预测类别向量；其中，所述预测类别向量包括多个预测标签类别各自对应的预测参数，每一预测参数表征所述训练样本图像属于对应预测标签类别的概率；

确定出接收的标签类别在所述预测类别向量中对应的目标预测参数；其中，所述接收的标签类别属于所述多个预测标签类别中的一个；

当所述目标预测参数在所述预测类别向量包含的所有预测参数中，按照从大到小的顺序排列在前k个，则确定所述训练样本图像为干净样本；其中，k为正整数；

当所述目标预测参数在所述预测类别向量包含的所有预测参数中，按照从大到小的顺序未排列在前k个，则确定所述训练样本图像为噪声样本。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

当所述第一图像识别模型的训练次数达到设定的次数阈值，对k进行更新，并以更新后的k，以及新的训练样本图像，继续执行将训练样本图像分别输入所述第一图像识别模型和所述第二图像识别模型，以使所述第一图像识别模型提取所述训练样本图像对应的特征信息，以及使所述第二图像识别模型输出所述训练样本图像对应的类型识别结果的步骤，直至所述第一图像识别模型收敛。

4.如权利要求2所述的方法，其特征在于，所述第一图像识别模型的损失函数表示如下：

Loss＝-log(1-P_θ(x_i,y_t))

其中，x_i表示所述训练样本图像的特征信息，y_t表示所述接收的标签类别，P_θ(x_i,y_t)表示所述训练样本图像对应于所述接收的标签类别的权重参数；s表示设定的超参数，K表示所述多个预测标签类别的数量，

5.如权利要求1所述的方法，其特征在于，所述第一图像识别模型为学生网络，所述第二图像识别模型为教师网络。

6.一种图像识别模型的训练装置，其特征在于，应用于电子设备，所述电子设备保存有待训练的第一图像识别模型和训练完成的第二图像识别模型；所述装置包括：

数据处理模块，用于将训练样本图像分别输入所述第一图像识别模型和所述第二图像识别模型，以使所述第一图像识别模型提取所述训练样本图像对应的特征信息，以及使所述第二图像识别模型输出所述训练样本图像对应的类型识别结果；其中，所述类型识别结果表征所述训练样本图像为噪声样本或者是干净样本；

模型训练模块，用于当所述训练样本图像为噪声样本，则丢弃所述特征信息；

所述模型训练模块还用于，当所述训练样本图像为干净样本，则利用所述特征信息对所述第一图像识别模型进行训练。