[发明专利]模型生成方法、图像标注方法、装置以及电子设备

权利要求书

1.一种模型生成方法，其特征在于，应用于电子设备，所述方法包括：

在当次训练过程中，基于第一数据集对当次训练过程对应的待训练图像标注模型进行训练，得到当次训练过程对应的第一图像标注模型，所述待训练图像标注模型包括特征提取网络和分类器网络，所述第一图像标注模型与所述待训练图像标注模型的网络结构相同；

基于所述第一数据集以及第二数据集对所述第一图像标注模型的分类器网络进行训练，得到当次训练过程对应的第二图像标注模型，所述第二图像标注模型与所述第一图像标注模型的网络结构相同，所述第一数据集与所述第二数据集所属领域不相同；

基于所述第二数据集对所述第二图像标注模型的特征提取网络进行训练，得到当次训练过程对应的训练完成的模型，所述训练完成的模型与所述第二图像标注模型的网络结构相同；

若当次训练过程满足目标训练条件，将所述训练完成的模型作为目标图像标注模型，若当次训练过程不满足目标训练条件，进入下一次的训练过程，并将所述训练完成的模型作为下一次训练过程对应的待训练图像标注模型。

2.根据权利要求1所述的方法，其特征在于，所述第一数据集包括多张标注图像以及所述多张标注图像各自对应的真实标签，所述在当次训练过程中，基于第一数据集对当次训练过程对应的待训练图像标注模型进行训练，得到当次训练过程对应的第一图像标注模型，包括：

在当次训练过程中，将所述多张标注图像输入到当次训练过程对应的待训练图像标注模型，得到所述多张标注图像各自对应的预测标签；

基于所述预测标签与所述真实标签之间的差异，确定第一损失函数的损失值，所述第一损失函数用于减少所述预测标签与所述真实标签之间的差异；

基于所述损失值调整所述当次训练过程对应的待训练图像标注模型的模型参数，得到所述当次训练过程对应的第一图像标注模型。

3.根据权利要求2所述的方法，其特征在于，所述分类器网络包括第一分类器网络和第二分类器网络，所述预测标签包括第一预测标签和第二预测标签，其中，所述第一预测标签为所述第一分类器网络的输出结果，所述第二预测标签为所述第二分类器网络的输出结果，所述基于所述预测标签与所述真实标签之间的差异，确定第一损失函数的损失值，包括：

获取所述第一预测标签与所述真实标签的差异，作为第一差异值；

获取所述第二预测标签与所述真实标签的差异，作为第二差异值；

基于所述第一差异值和所述第二差异值的加权和，确定所述第一损失函数的损失值。

4.根据权利要求2所述的方法，其特征在于，所述第二数据集包括多张未标注图像，所述分类器网络包括第一分类器网络和第二分类器网络，所述第一分类器网络和所述第二分类器网络分别包括全连接层，所述基于所述第一数据集以及第二数据集对所述第一图像标注模型的分类器网络进行训练，得到当次训练过程对应的第二图像标注模型，包括：

将所述多张标注图像以及所述多张未标注图像输入到所述第一图像标注模型，得到所述多张标注图像各自对应的预测标签、所述多张未标注图像各自对应的第一预测概率值和第二预测概率值，其中，所述第一预测概率值由所述第一分类器网络的全连接层输出，所述第二预测概率值由所述第二分类器网络的全连接层输出；

基于所述多张标注图像各自对应的预测标签与真实标签之间的差异，以及所述多张未标注图像各自对应的第一预测概率值与第二预测概率值之间的差异，确定第二损失函数的损失值，所述第二损失函数用于使所述第一分类网络和第二分类器网络对所述第一数据集正确分类的同时，增大所述多张未标注图像各自对应的第一预测概率值与第二预测概率值之间的差异；

基于所述损失值调整所述当次训练过程对应的第一图像标注模型的分类器网络的模型参数，得到所述当次训练过程对应的第二图像标注模型，其中，在当次训练过程中，所述第一图像标注模型的特征提取网络的模型参数不变。