[发明专利]一种网络模型的训练方法、图像识别的方法以及相关装置

说明书

本申请公开了一种基于深度学习技术实现的网络模型训练方法，包括：获取原始图像样本对集合和新增图像样本对集合；根据新增图像样本对集合，获取原始图像样本对集合中每个原始图像样本对的标注结果，得到扩充图像样本对集合；根据扩充图像样本对集合和新增图像样本对集合构建三元组图像样本集合；通过待训练网络模型获取每个三元组图像样本中每个样本图像所对应的目标嵌入特征；根据每个图像样本所对应的标注结果和每个样本图像所对应的目标嵌入特征，对待训练网络模型的模型参数进行更新。本申请还提供了一种图像识别的方法和相关装置。本申请可实现对模型进行训练时，无需重新提取所有图像样本提取嵌入特征，从而节省了计算资源。

技术领域

本申请涉及深度学习领域，尤其涉及一种网络模型的训练方法、图像识别的方法以及相关装置。

背景技术

随着人工智能(Artificial Intelligence，AI)技术的不断发展，基于深度学习的图像识别已经成为当前图像识别领域的主要方法。深度学习可以从不同的图像中自动提取相似特征并分类，推动了图像识别发展，而无监督学习成为深度学习领域的热点。

目前，将训练好的模型投入应用后，可能会出现识别错误(badcase)的样本对，而这些badcase样本对在训练过程中并未被使用。因此，在累积到一定数量的badcase样本对之后，可以利用这些badcase样本对重新训练模型，以此得到更好支持badcase样本对的嵌入(embedding)特征。

在更新模型时，不仅需要提取badcase样本对的embedding特征，还需要提取识别正确(goodcase)样本对的embedding特征。然而，对于大规模的样本而言，重新提取所有样本的embedding特征会消耗较多的计算资源，导致模型更新的效率较低。

发明内容

本申请实施例提供了一种网络模型的训练方法、图像识别的方法以及相关装置。本申请可实现令goodcase保持特征接近的同时，令badcase得到优化的效果。因此，对模型进行训练时，无需重新提取所有图像样本提取嵌入特征，从而节省了计算资源。

有鉴于此，本申请一方面提供一种网络模型的训练方法，包括：

获取原始图像样本对集合以及新增图像样本对集合，其中，原始图像样本对集合包括用于训练原始网络模型的至少两个原始图像样本对，新增图像样本对集合包括识别错误的至少两个新增图像样本对；

根据新增图像样本对集合，获取原始图像样本对集合中每个原始图像样本对的标注结果，得到扩充图像样本对集合，其中，扩充图像样本对集合包括标注为识别错误的扩充图像样本对以及标注为识别正确的扩充图像样本对；

根据扩充图像样本对集合以及新增图像样本对集合，构建三元组图像样本集合，其中，三元组图像样本集合包括至少一个三元组图像样本，三元组图像样本包括至少两个标注为识别错误的图像样本或识别正确的图像样本；

基于三元组图像样本集合，通过待训练网络模型获取每个三元组图像样本中每个样本图像所对应的目标嵌入特征，其中，待训练网络模型与原始网络模型具有相同的网络结构，且，待训练网络模型的网络参数与原始网络模型的网络参数一致；

针对于每个三元组图像样本，根据每个图像样本所对应的标注结果以及每个样本图像所对应的目标嵌入特征，对待训练网络模型的模型参数进行更新，直至满足模型训练条件，得到目标网络模型。

本申请另一方面提供一种图像识别的方法，包括：

获取待查询图像；

基于待查询图像，通过目标网络模型获取待查询嵌入特征，其中，目标网络模型为采用上述各方面的方法训练得到的；

根据待查询嵌入特征以及Q个待匹配嵌入特征，从图像库中获取待查询图像的召回结果，其中，召回结果包括K个图像，K与Q均为大于或等于1的整数；