[发明专利]训练图像识别模型和图像识别的方法和装置

权利要求书

1.一种训练图像识别模型的方法，包括：

获取有标签的样本集、无标签的样本集和知识蒸馏网络，其中，所述有标签的样本集的样本包括样本图像和真实标签，所述无标签的样本集的样本包括样本图像和统一标识，统一标识为在真实标签中不会出现的字符串；

执行以下训练步骤：从所述有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数，其中，随着迭代次数的增加，增大有标签的样本的占比；将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，训练所述学生网络和所述教师网络；若满足训练完成条件，则从所述学生网络和所述教师网络中选取图像识别模型，其中，学生网络和教师网络都是基于CRNN的OCR识别模型。

2.根据权利要求1所述的方法，其中，所述方法还包括：

若不满足训练完成条件，则调整所述学生网络与所述教师网络中的相关参数，继续执行所述训练步骤。

3.根据权利要求1所述的方法，其中，所述训练完成条件包括：所述迭代次数达到最大迭代次数或总损失值小于预定阈值。

4.根据权利要求1所述的方法，其中，所述将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，训练所述学生网络和所述教师网络，包括：

将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，得到第一预测标签集和第二预测标签集；

基于所述第一预测标签集、所述第二预测标签集和真实标签集计算总损失值。

5.根据权利要求4所述的方法，其中，所述基于所述第一预测标签集、所述第二预测标签集和真实标签集计算总损失值，包括：

基于所述第一预测标签集和所述第二预测标签集计算软损失值；

基于所述第一预测标签集和对应的真实标签集计算第一硬损失值；

基于所述第二预测标签集和对应的真实标签集计算第二硬损失值；

将第一硬损失值和第二硬损失值之和确定为硬损失值；

计算所述硬损失值和所述软损失值的加权和作为总损失值，其中，当所述软损失值与所述硬损失值之比大于截断的超参数时，将所述软损失值截断为所述截断的超参数与所述硬损失值之积。

6.根据权利要求1所述的方法，其中，所述从所述有标签的样本集和无标签的样本集中选取输入样本，包括：

从所述有标签的样本集选取有标签的样本，并进行数据增强处理后作为输入样本；

从所述无标签的样本集选取无标签的样本，并进行数据增强处理后作为输入样本。

7.根据权利要求1所述的方法，其中，所述从所述有标签的样本集和无标签的样本集中选取输入样本，包括：

从所述有标签的样本集选取第一数量的有标签的样本，作为输入样本；

从所述无标签的样本集选取第二数量的无标签的样本，作为输入样本；

其中，所述第二数量与最大迭代次数和当前迭代次数的差成正比，所述第一数量和所述第二数量之和为固定值。

8.根据权利要求1-7中任一项所述的方法，其中，所述学生网络与所述教师网络的结构完全相同，且均为随机初始化。

9.根据权利要求8所述的方法，其中，从所述学生网络和所述教师网络中选取图像识别模型，包括：

获取验证数据集；

基于所述验证数据集分别验证所述学生网络和所述教师网络的性能；

将所述学生网络和所述教师网络中性能最好的网络确定为图像识别模型。

10.一种图像识别的方法，包括：

获取待识别的图像；

将所述图像输入采用如权利要求1-9之一中任一项所述的方法生成的图像识别模型中，生成识别结果。