[发明专利]细粒度图像识别模型训练、图像识别方法及装置

说明书

本发明涉及图像识别技术领域，本发明提供一种细粒度图像识别模型训练、图像识别方法及装置，所述训练方法包括：在每次对下一识别模型进行训练前，基于上一无标签细粒度图像的识别结果，以及当前无标签细粒度图像的识别结果，对当前无标签细粒度图像进行筛选，从而过滤当前无标签细粒度图像中的类外数据图像，得到下一无标签细粒度图像，进而在基于有标签细粒度图像、有标签细粒度图像的标签以及下一无标签细粒度图像对下一识别模型进行训练时，能够避免类外数据图像的干扰，提高每次训练后下一识别模型的识别精度，使得细粒度识别图像具有较高的图像识别精度，本发明不需要人工标注大量的有标签细粒度图像，人力成本较低且模型训练效率较高。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种细粒度图像识别模型训练、图像识别方法及装置。

背景技术

细粒度图像识别旨在识别出输入图片中目标的精细类别，比如不同品牌的汽车、不同型号的客机、某种动物的子类别、甚至行人的身份ID。相比于传统的图像识别，不同细粒度类别之间的图像存在更小的差异，而这些差异往往需要专家知识才能发现，因此细粒度图像识别的人工标注成本非常高昂。

目前，在细粒度图像识别任务中，多基于有监督学习的模型进行识别，但在训练有监督学习模型时，需要大量的人力和时间对细粒度样本数据进行标记。相比于普通图像数据标记，细粒度图像标记需要更加专业的知识、进行更多的判断与分析，难度较高且效率较低。

此外，也有采用半监督学习模型进行细粒度图像识别，但在半监督学习模型训练过程中会存在无标签类外数据，进而导致训练完成的半监督学习模型进行识别时准确度较低。

发明内容

本发明提供一种细粒度图像识别模型训练、图像识别方法及装置，用以解决现有技术中基于有监督模型进行细粒度图像识别效率较低，以及基于半监督模型进行细粒度图像识别准确度较低的缺陷。

本发明提供一种细粒度图像识别模型训练方法，包括：

获取步骤：将有标签细粒度图像和当前无标签细粒度图像输入至当前识别模型，得到所述当前识别模型输出的所述当前无标签细粒度图像的识别结果，以及所述有标签细粒度图像的识别结果；

迭代步骤：基于所述当前无标签细粒度图像的识别结果、所述有标签细粒度图像的识别结果以及所述有标签细粒度图像的标签，对所述当前识别模型进行半监督参数迭代，并以参数迭代后的当前识别模型作为下一识别模型；

筛选步骤：基于上一无标签细粒度图像的识别结果，以及所述当前无标签细粒度图像的识别结果，对所述当前无标签细粒度图像进行筛选，得到下一无标签细粒度图像；所述上一无标签细粒度图像的识别结果是上一识别模型对上一无标签细粒度图像进行识别得到的结果；

训练步骤：基于所述有标签细粒度图像、所述有标签细粒度图像的标签以及所述下一无标签细粒度图像，对所述下一识别模型进行训练；

循环步骤：将训练得到的下一识别模型作为所述当前识别模型，依次循环执行所述获取步骤、所述迭代步骤、所述筛选步骤和所述训练步骤，直至所述下一识别模型达到预设收敛条件后，以所述下一识别模型作为细粒度图像识别模型。

根据本发明提供的一种细粒度图像识别模型训练方法，所述基于上一无标签细粒度图像的识别结果，以及所述当前无标签细粒度图像的识别结果，对所述当前无标签细粒度图像进行筛选，得到下一无标签细粒度图像，包括：

基于所述上一无标签细粒度图像的识别结果，以及所述当前无标签细粒度图像的识别结果，确定预测值变化幅度；所述预测值变化幅度用于表征所述上一无标签细粒度图像的识别结果与所述当前无标签细粒度图像的识别结果之间的差异；

将所述预测值变化幅度小于周期性阈值的当前无标签细粒度图像作为所述下一无标签细粒度图像；所述周期性阈值基于所述当前识别模型的迭代次数确定。