CN110378400B - 一种用于图像识别的模型训练方法及装置 - Google Patents

Abstract

本申请公开了一种用于图像识别的模型训练方法及装置，在该方法中可以获取各样本图像，而后，根据各样本图像确定至少一个图像序列，每个图像序列可以由至少两个样本图像构成，针对每个图像序列，可以对该图像序列中包含的样本图像进行组合，得到组合图像，并将该组合图像输入到预设的图像识别模型中，得到识别结果，根据确定出的该图像序列对应的第一权重序列、该识别结果以及预先标注的该图像序列中各样本图像对应的标注结果，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同，根据确定出的各图像序列对应的损失，训练图像识别模型。由于可以通过图像组合的方式得到训练样本，与现有技术相比，降低了获取训练样本耗费的成本。

Description

一种用于图像识别的模型训练方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种用于图像识别的模型训练方法及装置。

背景技术

目前，图像识别技术作为人工智能的一个重要领域，已在目标识别、商品推荐、无人驾驶等诸多场景中得到了广泛的应用。

在实际应用中，图像识别技术可以基于图像识别模型来实现。而为了保证图像识别模型的图像识别能力，通常需要大量的样本图像对图像识别模型进行训练。

发明内容

本申请实施例提供一种用于图像识别的模型训练方法及装置，以部分的解决现有技术存在的上述问题。

本申请采用下述技术方案：

本申请提供了一种用于图像识别的模型训练方法，包括：

获取各样本图像；

根据所述各样本图像确定至少一个图像序列，其中，每个图像序列由至少两个样本图像构成；

针对每个图像序列，对该图像序列中包含的样本图像进行组合，得到组合图像，将所述组合图像输入到预设的图像识别模型中，得到识别结果；

根据确定的该图像序列对应的第一权重序列、所述识别结果以及预先标注的该图像序列中各样本图像对应的标注结果，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同；

根据各图像序列对应的损失，训练所述图像识别模型。

可选地，对该图像序列中包含的样本图像进行组合，得到组合图像，具体包括：

确定该图像序列对应的第二权重序列，所述第二权重序列中的各第二权重与该图像序列中的各样本图像一一对应；

根据该图像序列中包含的各样本图像以及该图像序列中包含的各样本图像对应的第二权重，得到组合图像。

可选地，根据该图像序列中包含的各样本图像以及该图像序列中包含的各样本图像对应的第二权重，得到组合图像，具体包括：

针对该图像序列中包含的每个样本图像，确定该样本图像对应的像素矩阵；

将该样本图像对应的像素矩阵与该样本图像在所述第二权重序列中对应的第二权重相乘，得到该样本图像对应的第二乘积；

将该图像序列中包含的各样本图像对应的第二乘积进行加和，得到组合图像。

可选地，确定第一权重序列，具体包括：

将每个图像序列对应的第二权重序列中相同排序位置的各第二权重进行平均，得到各第一权重；

根据得到的各第一权重，确定所述第一权重序列。

可选地，确定该图像序列对应的损失，具体包括：

针对该图像序列中包含的每个样本图像，根据预设的损失函数，分别确定所述识别结果与预先标注的该样本图像对应的标注结果之间的损失，作为该样本图像对应的损失；

将该样本图像对应的损失与所述第一权重序列中与该样本图像对应的权重相乘，得到该样本图像对应的第一乘积；

根据该图像序列中各样本图像对应的第一乘积的和值，确定该图像序列对应的损失。

本申请提供了一种用于图像识别的模型训练装置，包括：

获取模块，用于获取各样本图像；

第一确定模块，根据所述各样本图像确定至少一个图像序列，其中，每个图像序列由至少两个样本图像构成；

组合模块，用于针对每个图像序列，对该图像序列中包含的样本图像进行组合，得到组合图像，将所述组合图像输入到预设的图像识别模型中，得到识别结果；

第二确定模块，用于根据确定的该图像序列对应的第一权重序列、所述识别结果以及预先标注的该图像序列中各样本图像对应的标注结果，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同；

训练模块，用于根据各图像序列对应的损失，训练所述图像识别模型。

可选地，所述组合模块具体用于，确定该图像序列对应的第二权重序列，所述第二权重序列中的各第二权重与该图像序列中的各样本图像一一对应；根据该图像序列中包含的各样本图像以及该图像序列中包含的各样本图像对应的第二权重，得到组合图像。

可选地，所述第二确定模块具体用于，将每个图像序列对应的第二权重序列中相同排序位置的各第二权重进行平均，得到各第一权重；根据得到的各第一权重，确定所述第一权重序列。

本申请提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述用于图像识别的模型训练方法。

本申请提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述用于图像识别的模型训练方法。

本申请采用的上述至少一个技术方案能够达到以下有益效果：

从上述方法中可以看出，可以获取各样本图像，而后，根据各样本图像确定至少一个图像序列，其中，每个图像序列可以由至少两个样本图像构成，针对每个图像序列，可以对该图像序列中包含的样本图像进行组合，得到组合图像，并将该组合图像输入到预设的图像识别模型中，得到识别结果，根据确定出的该图像序列对应的第一权重序列、该识别结果以及预先标注的该图像序列中各样本图像对应的标注结果，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同，根据确定出的各图像序列对应的损失，对该图像识别模型进行训练。

由于可以通过图像组合的方式得到训练样本，因此，与现有技术相比，可以有效的减少通过人工方式获取训练样本的数量，从而极大的降低了获取训练样本所耗费的人工成本。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中一种用于图像识别的模型训练方法的流程示意图；

图2为本申请提供的一种用于图像识别的模型训练装置示意图；

图3为本申请提供的对应于图1的电子设备示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在现有技术中，对图像识别模型训练所使用的训练样本通常都是通过人工的方式获取到的，这将极大的耗费人工成本，从而降低了模型的训练效率。同时，由于所需的训练样本数量较大，所以，通过人工方式获取到的训练样本难免会因为人为的主观因素选取一些不适合训练的样本，这里可以称之为错误样本。将这些错误样本用于图像识别模型的训练，可能会使图像识别模型对这些错误样本产生记忆，致使图像识别模型学习到错误的模型参数，从而降低图像识别模型的准确率。

为了有效的提高模型的训练效率，提高训练出的图像识别模型的准确率，在本申请中，可以将采集到的样本图像作为训练样本进行线性组合，并将组合得到的训练样本用于对图像识别模型的训练。具体的，可以将获取到的任意两个样本图像作为一个图像序列，并将该图像序列中包含的这两个样本图像，通过该图像序列对应的权重序列进行线性组合，得到组合图像。而后，可以将得到的组合图像作为训练样本，用于对图像识别模型进行训练。

从这里可以看出，由于可以通过图像组合的方式得到的训练样本，因此，与现有技术相比，可以有效的减少通过人工方式获取训练样本的数量，从而极大的降低了获取训练样本所耗费的人工成本。并且，由于获取训练样本的数量得到了降低，所以，获取到的训练样本的质量能够得到有效的保证，人工选取错误样本的可能性降低。进一步地，在获取到的训练样本为适合训练的样本的前提下，通过将训练样本进行线性组合的方式得到的训练样本基本上也是适合训练的样本。这样，利用这些训练样本对图像识别模型进行训练，可以有效的保证训练出的图像识别模型中模型参数的合理性，从而提高了图像识别模型的准确率。

在训练模型的过程中，需要将得到的组合图像输入到图像识别模型中，得到图像识别模型针对该组合图像的识别结果。而后，通过计算该识别结果分别与预先标注出的这两个样本图像(得到该组合图像所使用的样本图像)对应的标注结果之间的损失，以及该图像序列对应的权重序列，可以得到该图像序列对应的损失，进而根据该图像序列对应的损失，来决定如何对图像识别模型进行训练。

然而，当采集到的样本图像中存在少量的错误样本时，这些错误样本会对各自所在的图像序列对应的损失造成不同程度的影响。而由于不同图像序列对应的权重序列不同，所以在不同权重序列的作用下，这些错误样本对各自所在的图像序列对应的损失造成的影响程度，在差异上将会进一步的加剧，致使确定出的各图像序列对应的损失出现明显的波动，从而增加了图像识别模型对错误样本的敏感度，降低了图像识别模型的图像识别能力。

为了解决上述问题，在本申请中，可以采用统一的权重序列来确定不同图像序列对应的损失，这样一来，即使采集到的样本图像中存在少量的错误样本，这些错误样本对不同图像序列对应的损失所造成的影响也是基本一致的，保证了确定出的各图像序列对应的损失的稳定，从而保证了图像识别模型的图像识别能力。下面将详细介绍本申请提供的模型训练的方法。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请实施例中一种用于图像识别的模型训练方法的流程示意图，具体包括以下步骤：

S101：获取各样本图像。

在本申请实施例中，可以通过人工的方式采集各样本图像，并可以将采集到的各样本图像输入到用于对图像识别模型进行训练的设备中。其中，这里提到的设备可以是指服务器、电脑等常规设备。需要指出的是，图像识别模型可以通过逐批获取到的样本图像进行训练，所以，这里提到的获取各样本图像，可以是指一个批次获取到的各样本图像。

S102：根据所述各样本图像确定至少一个图像序列，其中，每个图像序列由至少两个样本图像构成。

在获取到各样本图像后，可以将各样本图像进行组合，得到至少一个图像序列。具体的，可以从各样本图像中，任意选取两个以上的样本图像构成图像序列。需要指出的是，在构建图像序列时，需要考虑样本图像的先后顺序，即，选取出的样本图像是按照怎样的顺序构建出图像序列的。

例如，假设有A～G这7个样本图像，从这7个样本图像中选取A和C这两个样本图像构建图像序列时，按照A、C的顺序构建出的图像序列，和按照 C、A的顺序构建出的图像序列为两个不同的图像序列。

S103：针对每个图像序列，对该图像序列中包含的样本图像进行组合，得到组合图像，将所述组合图像输入到预设的图像识别模型中，得到识别结果。

在得到上述各图像序列后，可以针对每个图像序列，将该图像序列中包含的样本图像，按照该图像序列所对应的第二权重序列进行组合，得到组合图像。具体的，在本申请实施例中，不同的图像序列可以对应不同的第二权重序列，而对于每个图像序列对应的第二权重序列来说，该第二权重序列中包含的各权重是与该图像序列中的各样本图像按序一一对应的。

例如，假设一个图像序列为：{A、B}，该图像序列对应的第二权重序列为：{λ₁，1-λ₁}，从第二权重序列中各权重的位置可知，权重λ₁是与该图像序列中样本图像A相对应的，即λ₁为样本图像A的权重，相应的，1-λ₁为样本图像B的权重。

而通过该图像序列对应的第二权重序列，对该图像序列中包含的样本图像进行组合，实际上是指将该图像序列中的各样本图像按照该第二权重序列中的各权重进行线性加权，从而得到相应的组合图像。具体的，可以针对该图像序列中包含的每个样本图像，确定该样本图像对应的像素矩阵对应的像素矩阵，并将该样本图像对应的像素矩阵与该样本图像在该第二权重序列中对应的第二权重相乘，得到该样图像对应的第二乘积。在得到该图像序列中包含的各样本图像对应的第二乘积后，可以将这些第二乘积进行加和，从而得到组合图像。

继续沿用上例，在确定图像序列{A、B}的组合图像时，可以将样本图像A 对应的像素矩阵与第二权重序列中的权重λ₁相乘，得到样本图像A对应的第地二乘积，将样本图像B对应的像素矩阵与第二权重序列中的权重1-λ₁相乘，得到样本图像B对应的第二乘积，并将这两者的第二乘积进行加和，从而得到该图像序列对应的组合图像。具体可以按照如下公式进行计算：

x_A*λ₁+x_B*(1-λ₁)＝X

其中，x_A为样本图像A的像素矩阵，x_B为样本图像B的像素矩阵，X为得到的组合图像。该公式中，λ₁的取值范围为0～1。

需要说明的是，上述示例中只是举例说明了图像序列中包含有两个样本图像时，得到组合图像的情况。在实际应用中，图像序列中包含的样本图像的数量可以是两个以上，相应的，图像序列对应的第二权重序列中的权重的数量与图像序列中包含的样本图像的数量相同，且按序一一对应。

在本申请实施例中，不同图像序列对应的第二权重序列不同，其中，在确定出各图像序列后，可以基于贝塔分布，来确定出各图像序列对应的第二权重序列，即，各图像序列对应的第二权重序列中的权重符合贝塔分布。这里将图像序列对应的权重序列称之为是第二权重序列，主要是用于和后续提到的第一权重序列进行区分。同理，这里提到的第二乘积也是为了与后面提到的第一乘积进行区分，而至于“第一”和“第二”本身则没有其他的特殊含义。

针对得到的每个组合图像，可以将该组合图像输入到预设的图像识别模型中，得到该图像识别模型针对该组合图像所识别出的识别结果，后续可以通过该识别结果以及预先标注出的得到该组合图像所使用的样本图像对应的标注结果，来确定该组合图像对应的图像序列的损失。

S104：根据确定的该图像序列对应的第一权重序列、所述识别结果以及预先标注的该图像序列中各样本图像对应的标注结果，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同。

在本申请实施例中，可以针对不同的图像序列，设置一个统一第一权重序列，也即，不同图像序列所对应的第一权重序列是相同的。这样一来，基于相同的第一权重序列所确定出的各图像序列对应的损失不会因为错误样本的影响而出现抖动的情况，致使基于得到的各图像序列对应的损失对该图像识别模型进行训练，能够有效的保证图像识别模型的图像识别能力。

上述第一权重序列可以通过人工设定的方式来设置，即，人为根据实际经验设置一个统一的第一权重序列。当然，在本申请实施例中，也可以根据各图像序列对应的第二权重序列，确定该第一权重序列。具体的，可以将每个图像序列对应的第二权重序列中相同排序位置的各第二权重进行平均，得到各第一权重，进而根据得到的各第一权重，确定出该第一权重序列。其中，这里可以将第二权重序列中的权重称之为第二权重，将第一权重序列中的权重称之为第一权重。

例如，假设有第二权重序列A：{λ₁，1-λ₁}、第二权重序列B：{λ₂，1-λ₂} 和第二权重序列C：{λ₃，1-λ₃}这三个第二权重序列。在确定第一权重序列时，可以将A、B、C这三个第二权重序列中排在第一位的第二权重进行平均，得到第一权重序列中排在第一位的第一权重：

同理，可以将A、B、C这三个第二权重序列中排在第二位的第二权重进行平均，得到第一权重序列中排在第二位的第一权重：

其实，在得到第一权重序列中排在第一位的第一权重

后，即可直接得到第一权重序列中排在第二位的第一权重

在实际应用中，采用人工设定的方式，需要人工分析大量的数据才能确定出第一权重序列，所以，耗费的人工成本较大，确定第一权重的效率也较低。而通过各第二权重序列来自动确定出第一权重序列，可以有效的减少确定第一权重序列所耗费的成本，极大的提高了确定第一权重序列的效率。

在确定一个图像序列对应的损失时，设备可以根据预设的损失函数，分别确定出该识别结果(即将该图像序列对应的组合图像输入到预设的图像识别模型中得到的识别结果)与预先标注的该样本图像对应的标注结果之间的损失，作为该样本图像对应的损失。其中，这里提到的标注结果是指通过人工的方式预先对样本图像进行标注的结果。而后，将该样本图像对应的损失与确定出的第一权重序列中与该样本图像对应的权重(即第一权重)相乘，并将得到的乘积作为该样本图像对应的第一乘积。设备可以将该图像序列中各样本图像对应的第一乘积进行加和，以通过得到的和值确定该图像序列对应的损失。

例如，假设图像序列A中包含有样本图像E和样本图像F，其中，样本图像E排在图像序列A中的第一位，样本图像F排在图像序列A中的第二位。设备可以使用预设的损失函数，确定图像识别模型针对该图像序列A对应的组合图像(即通过样本图像E和样本图像F组合得到的)所识别出的识别结果与预先标注的样本图像E对应的标注结果之间的损失：lossE。同理，设备可以使用预设的损失函数，确定该识别结果与预先标注的样本图像F对应的标注结果之间的损失：lossF。

在确定出这两个样本图像对应的损失之后，可以将这两个损失进行加权求和。其中，可以根据样本图像E在图像序列A中排位，确定在第一权重序列中与该样本图像E相对应的权重，为第一权重序列中排在第一位的第一权重：

同理，可以根据样本图像F在图像序列A中的排位，确定在第一权重序列中与该样本图像F相对应的权重，为第一权重序列中排在第二位的第一权重：

设备可以将样本图像E对应的损失：lossE与第一权重

相乘，将样本图像 F对应的损失：lossF与第一权重

相乘，并将这两个第一乘积进行加和，从而得到该图像序列A对应的损失。

需要指出的是，上述提到的损失函数可以使用现有的常规损失函数，在此不进行具体的限定。而设备可以按照上述方式，分别确定出各图像序列对应的损失。

S105：根据各图像序列对应的损失，训练所述图像识别模型。

在确定出各图像序列对应的损失后，可以基于各图像序列对应的损失，对该图像识别模型进行训练。由于各图像序列对应的损失是基于统一的第一权重序列而确定出的，所以，确定出的各图像序列对应的损失不会因为错误样本的影响而出现抖动的情况。因此，使用通过上述方式确定出的各图像序列对应的损失对图像识别模型进行训练，可以有效的保证图像识别模型的图像识别能力。

以上为本申请的一个或多个实施例提供的模型训练的方法，基于同样的思路，本申请还提供了相应的模型训练的装置，如图2所示。

图2为本申请提供的一种用于图像识别的模型训练装置示意图，具体包括：

获取模块201，用于获取各样本图像；

第一确定模块202，根据所述各样本图像确定至少一个图像序列，其中，每个图像序列由至少两个样本图像构成；

组合模块203，用于针对每个图像序列，对该图像序列中包含的样本图像进行组合，得到组合图像，将所述组合图像输入到预设的图像识别模型中，得到识别结果；

第二确定模块204，用于根据确定的该图像序列对应的第一权重序列、所述识别结果以及预先标注的该图像序列中各样本图像对应的标注结果，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同；

训练模块205，用于根据各图像序列对应的损失，训练所述图像识别模型。

可选地，所述组合模块203具体用于，确定该图像序列对应的第二权重序列，所述第二权重序列中的各第二权重与该图像序列中的各样本图像一一对应；根据该图像序列中包含的各样本图像以及该图像序列中包含的各样本图像对应的第二权重，得到组合图像。

可选地，所述组合模块203具体用于，针对该图像序列中包含的每个样本图像，确定该样本图像对应的像素矩阵；将该样本图像对应的像素矩阵与该样本图像在所述第二权重序列中对应的第二权重相乘，得到该样本图像对应的第二乘积；将该图像序列中包含的各样本图像对应的第二乘积进行加和，得到组合图像。

可选地，所述第二确定模块204具体用于，将每个图像序列对应的第二权重序列中相同排序位置的各第二权重进行平均，得到各第一权重；根据得到的各第一权重，确定所述第一权重序列。

可选地，所述第二确定模块204具体用于，针对该图像序列中包含的每个样本图像，根据预设的损失函数，分别确定所述识别结果与预先标注的该样本图像对应的标注结果之间的损失，作为该样本图像对应的损失；将该样本图像对应的损失与所述第一权重序列中与该样本图像对应的权重相乘，得到该样本图像对应的乘积；根据该图像序列中各样本图像对应的乘积的和值，确定该图像序列对应的损失。

本申请实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的用于图像识别的模型训练方法。

本申请实施例还提供了图3所示的电子设备的示意结构图。如图3所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1 所述的用于图像识别的模型训练方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray， FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、 Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等，目前最普遍使用的是VHDL (Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种用于图像识别的模型训练方法，其特征在于，包括：

获取各样本图像；

根据所述各样本图像确定至少一个图像序列，其中，每个图像序列由至少两个样本图像构成；

针对每个图像序列，确定该图像序列对应的第二权重序列，所述第二权重序列中的各第二权重与该图像序列中的各样本图像一一对应，针对该图像序列中包含的每个样本图像，确定该样本图像对应的像素矩阵，将该样本图像对应的像素矩阵与该样本图像在所述第二权重序列中对应的第二权重相乘，得到该样本图像对应的第二乘积，将该图像序列中包含的各样本图像对应的第二乘积进行加和，得到组合图像，将所述组合图像输入到预设的图像识别模型中，得到识别结果；

针对该图像序列中包含的每个样本图像，根据预设的损失函数，确定所述识别结果与预先标注的该样本图像对应的标注结果之间的损失，作为该样本图像对应的损失，将该样本图像对应的损失与确定出的第一权重序列中该样本图像所对应的权重相乘，得到该样本图像对应的第一乘积，根据该图像序列中各样本图像对应的第一乘积的和值，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同；

根据各图像序列对应的损失，训练所述图像识别模型。

2.如权利要求1所述的方法，其特征在于，确定第一权重序列，具体包括：

将每个图像序列对应的第二权重序列中相同排序位置的各第二权重进行平均，得到各第一权重；

根据得到的各第一权重，确定所述第一权重序列。

3.一种用于图像识别的模型训练装置，其特征在于，包括：

获取模块，用于获取各样本图像；

第一确定模块，根据所述各样本图像确定至少一个图像序列，其中，每个图像序列由至少两个样本图像构成；

组合模块，用于针对每个图像序列，确定该图像序列对应的第二权重序列，所述第二权重序列中的各第二权重与该图像序列中的各样本图像一一对应，针对该图像序列中包含的每个样本图像，确定该样本图像对应的像素矩阵，将该样本图像对应的像素矩阵与该样本图像在所述第二权重序列中对应的第二权重相乘，得到该样本图像对应的第二乘积，将该图像序列中包含的各样本图像对应的第二乘积进行加和，得到组合图像，将所述组合图像输入到预设的图像识别模型中，得到识别结果；

第二确定模块，用于针对该图像序列中包含的每个样本图像，根据预设的损失函数，分别确定所述识别结果与预先标注的该样本图像对应的标注结果之间的损失，作为该样本图像对应的损失，将该样本图像对应的损失与确定出的第一权重序列中该样本图像所对应的权重相乘，得到该样本图像对应的第一乘积，根据该图像序列中各样本图像对应的第一乘积的和值，确定该图像序列对应的损失，不同的图像序列对应的第一权重序列相同；

训练模块，用于根据各图像序列对应的损失，训练所述图像识别模型。

4.如权利要求3所述的装置，其特征在于，所述第二确定模块具体用于，将每个图像序列对应的第二权重序列中相同排序位置的各第二权重进行平均，得到各第一权重；根据得到的各第一权重，确定所述第一权重序列。

5.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～2任一项所述的方法。

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～2任一项所述的方法。

Images