[发明专利]神经网络模型的训练方法及装置、图像识别方法及装置

说明书

本公开提供了一种神经网络模型的训练方法及装置、图像识别方法及装置，涉及人工智能领域，具体为计算机视觉和深度学习领域。实现方案为：获取至少两个具有不同识别难度级的训练集；根据多个网络模块中每一个网络模块在神经网络模型中的位置，确定该网络模块所对应的训练集，其中，针对多个网络模块中任意两个网络模块，其中靠近神经网络模型的输入侧的网络模块所对应的训练集的识别难度级不大于其中另一个网络模块所对应的训练集的识别难度级；以及利用多个网络模块中每一个网络模块所对应的训练集，对该网络模块的参数进行调整。

技术领域

本公开涉及人工智能领域，尤其涉及计算机视觉和深度学习领域，具体涉及一种神经网络模型的训练方法及装置、图像识别方法及装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种神经网络模型的训练方法及装置、图像识别方法及装置、计算机设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种神经网络模型的训练方法，其中，神经网络模型包括多个级联的网络模块，训练方法包括：获取至少两个具有不同识别难度级的训练集；根据多个网络模块中每一个网络模块在神经网络模型中的位置，确定该网络模块所对应的训练集，其中，针对多个网络模块中任意两个网络模块，其中靠近神经网络模型的输入侧的网络模块所对应的训练集的识别难度级不大于其中另一个网络模块所对应的训练集的识别难度级；以及利用多个网络模块中每一个网络模块所对应的训练集，对该网络模块的参数进行调整。

根据本公开的另一方面，提供了一种图像识别方法，包括：获取根据上述的训练方法训练得到的神经网络模型，其中，神经网络模型包括多个级联的网络模块；将待识别图像输入神经网络模型；针对多个级联的网络模块中的任一网络模块，响应于该网络模块接收到待识别图像或上一个网络模块所输出的特征图，该网络模块输出待识别图像的预测分类及其置信度；响应于置信度大于预设阈值，确定预测分类为识别结果。

根据本公开的另一方面，提供了一种神经网络模型的训练装置，其中，神经网络模型包括多个级联的网络模块，训练装置包括：第一获取单元，被配置用于获取至少两个具有不同识别难度级的训练集；第一确定单元，被配置用于根据多个网络模块中每一个网络模块在神经网络模型中的位置，确定该网络模块所对应的训练集，其中，针对多个网络模块中任意两个网络模块，其中靠近神经网络模型的输入侧的网络模块所对应的训练集的识别难度级不大于其中另一个网络模块所对应的训练集的识别难度级；以及调整单元，被配置用于利用多个网络模块中每一个网络模块所对应的训练集，对该网络模块的参数进行调整。

根据本公开的另一方面，提供了一种图像识别装置，包括：根据上述的训练方法训练得到的神经网络模型，其中，神经网络模型包括多个级联的网络模块；输入单元，被配置用于将待识别图像输入神经网络模型；所述神经网络模型被配置用于针对多个级联的网络模块中的任一网络模块，响应于该网络模块接收到待识别图像或上一个网络模块所输出的特征图，该网络模块输出待识别图像的预测分类及其置信度；第四确定单元，被配置用于响应于置信度大于预设阈值，确定预测分类为识别结果。

根据本公开的另一方面，提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现上述方法的步骤。