[发明专利]一种模型训练方法、手镯识别方法及对应装置

说明书

本申请提供一种模型训练方法、手镯识别方法及对应装置，其中，模型训练方法包括：将当前批次的N个训练样本输入到图像分类模型，得到每个训练样本对应的特征向量；基于N个特征向量及其对应的类别标签计算当前批次的损失，所述当前批次的损失包括分类损失和辅助损失；基于所述当前批次的损失更新所述图像分类模型的网络参数。本实施例结合辅助损失训练图像分类模型，辅助损失可表征具有相同类别标签的特征向量之间的差异性以及具有不同类别标签的特征向量之间的差异性，从而能提高图像分类模型对翡翠手镯类间差异的敏感性，有效提高图像分类模型的分类性能。

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种模型训练方法、手镯识别方法及对应装置。

背景技术

近年来，饰品电商平台不断发展，入驻的商家和商品数据不断增加。对于翡翠手镯等饰品，商家上传商品图像，平台负责按照纯度、匀度、明度、种、色调、纯净度等指标对翡翠手镯进行细致评价，以确定其种类和价格。商品数量较大，人工评价效率有限；同时，这些翡翠手镯的评价指标中，往往依靠细微的差异，比如翡翠整体颜色、表面细微纹理颜色种类、纹理的分布、不同于整体的斑纹颜色等进行分类评价，在涉及到翡翠品质的不同指标下的细分类时，其类间差异较小，细分类存在一定的困难。

发明内容

本申请实施例的目的在于提供一种模型训练方法、手镯识别方法及对应装置，以改善上述技术问题。

第一方面，本申请提供一种模型训练方法，包括：将当前批次的N个训练样本输入到图像分类模型，得到每个训练样本对应的特征向量；其中，每个训练样本包括一个目标手镯图像和对应的类别标签；基于N个特征向量及其对应的类别标签计算当前批次的损失，所述当前批次的损失包括分类损失和辅助损失，所述分类损失表征分类预测结果与真实分类结果的差异性，所述辅助损失表征具有相同类别标签的特征向量之间的差异性以及具有不同类别标签的特征向量之间的差异性；基于所述当前批次的损失更新所述图像分类模型的网络参数。

在翡翠手镯的分类中，各类别之间的纹理或者不同于整体的斑纹颜色差异较小，可鉴别特征比较小，类间相似度高，若只利用分类损失，优化图像分类模型的程度有限，上述方案结合辅助损失训练图像分类模型，辅助损失可表征具有相同类别标签的特征向量之间的差异性以及具有不同类别标签的特征向量之间的差异性，从而能提高图像分类模型对翡翠手镯类间差异的敏感性，有效提高图像分类模型的分类性能。

在一种可选的实施方式中，所述辅助损失为Triplet损失，所述基于N个特征向量及其对应的类别标签计算当前批次的损失，包括：利用softmax分类器将N个特征向量转化为N个概率分布，基于N个概率分布和对应的N个类别标签计算当前批次的分类损失；其中每个概率分布表征对应训练样本的分类预测结果；基于N个特征向量及其对应的类别标签计算当前批次的Triplet损失；将所述分类损失与所述Triplet损失进行加权求和，得到所述当前批次的损失。

在一种可选的实施方式中，所述当前批次的N个训练样本对应K个类别，所述基于N个特征向量及其对应的类别标签计算当前批次的Triplet损失，包括：根据所述N个训练样本的特征向量构造多个三元组[V_A,V_P,V_N]，其中，每一所述三元组中的V_A为N个特征向量中的任意一个，V_P为V_A对应类别的训练样本的特征向量中除开V_A的任意一个，V_N为与V_A不同类别的训练样本的特征向量中的任意一个；计算构造的每一三元组的Triplet损失，获得多个Triplet损失；对所述多个Triplet损失取平均值，得到所述当前批次的Triplet损失。

在训练阶段，分类损失与辅助损失Triplet_loss_m共同参与图像分类模型的优化，在通过训练学习后，使得同类别的正样本更靠近锚样本，而不同类别的负样本则远离锚样本，从而对于相似的手镯图像也能够准确地甄别其类别。