CN111783898B - 图像识别模型的训练、图像识别方法、装置及设备 - Google Patents

图像识别模型的训练、图像识别方法、装置及设备 Download PDF

Info

Publication number
CN111783898B
CN111783898B CN202010657011.2A CN202010657011A CN111783898B CN 111783898 B CN111783898 B CN 111783898B CN 202010657011 A CN202010657011 A CN 202010657011A CN 111783898 B CN111783898 B CN 111783898B
Authority
CN
China
Prior art keywords
image recognition
model
current
weight coefficient
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010657011.2A
Other languages
English (en)
Other versions
CN111783898A (zh
Inventor
沈力
申丽
黄浩智
李志锋
刘威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010657011.2A priority Critical patent/CN111783898B/zh
Publication of CN111783898A publication Critical patent/CN111783898A/zh
Application granted granted Critical
Publication of CN111783898B publication Critical patent/CN111783898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本公开涉及一种图像识别模型的训练、图像识别方法、装置及设备。该图像识别模型的训练过程通过Frank‑Wolfe算法来自适应的动态调整权重系数，并且通过模型参数更新阶段和权重系数更新阶段的交替执行来实现图像识别模型的训练，可以提高图像识别模型训练的自动化程度以及降低权重系数的调整成本。并且通过Frank‑Wolfe算法动态调整权重系数，能够避免人为调整权重系数的不确定性的影响，可以保证权重系数不断得到优化，使得第二图像识别模型可以达到与第一图像识别模型类似的图像识别准确率，可以在实际应用中提高图像处理技术中图像识别的准确率。

Description

图像识别模型的训练、图像识别方法、装置及设备
技术领域
本公开涉及人工智能技术领域，尤其涉及一种图像识别模型的训练、图像识别方法、装置及设备。
背景技术
目前越来越多的领域需要用到图像识别模型进行图像识别处理，为了满足该需求，现有多采用知识蒸馏技术将训练好的复杂度较高的图像识别模型 (教师模型)进行压缩得到学生模型，这样可以高效的获取参数小、结构简单、容易部署的图像识别模型，从而可以高效的满足各领域对图像识别模型的需求。但是目前的知识蒸馏技术大多是人工手动调整损失函数的权重系数，这会增加学生模型训练的成本和难度，并且手动调整的方式会导致学生模型的图像识别准确率不高。
发明内容
有鉴于上述存在的技术问题，本公开提出了一种图像识别模型的训练、图像识别方法、装置及设备。
根据本公开的一方面，提供了一种图像识别模型的训练方法，包括：
获取第一图像识别结果，所述第一图像识别结果是将图像样本集输入第一图像识别模型得到的；
确定损失函数对应的当前的权重系数，所述损失函数包括第一损失函数和多个第二损失函数；
模型参数更新阶段：将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果；根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，至模型参数更新阶段的迭代次数满足模型参数迭代条件；确定模型训练次数，当模型训练次数达到训练次数阈值时，将当前的第二图像识别模型作为目标图像识别模型；当模型训练次数未达到训练次数阈值时，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果，并进入权重系数更新阶段；
权重系数更新阶段：根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数，至权重系数更新阶段的迭代次数满足权重系数迭代条件；并在权重系数更新阶段的迭代次数满足权重系数迭代条件时，进入模型参数更新阶段。
根据本公开的另一方面，提供了一种图像识别方法，包括：
获取待识别图像；
将所述待识别图像输入目标图像识别模型，获取图像识别结果。
根据本公开的另一方面，提供了一种图像识别模型的训练装置，包括：
第一图像识别结果获取模块，用于获取第一图像识别结果，所述第一图像识别结果是将图像样本集输入第一图像识别模型得到的；
权重系数确定模块，用于确定损失函数对应的当前的权重系数，所述损失函数包括第一损失函数和多个第二损失函数；
模型参数更新模块，用于将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果；根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，至模型参数更新阶段的迭代次数满足模型参数迭代条件；确定模型训练次数，当模型训练次数达到训练次数阈值时，将当前的第二图像识别模型作为目标图像识别模型；当模型训练次数未达到训练次数阈值时，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果，并将当前的第二图像识别结果传输至权重系数更新模块；
权重系数更新模块，用于根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe 算法，更新权重系数，至权重系数更新阶段的迭代次数满足权重系数迭代条件；并在权重系数更新阶段的迭代次数满足权重系数迭代条件时，由所述模型参数更新模块执行模型参数的更新。
根据本公开的另一方面，提供了一种图像识别装置，包括：
待识别图像获取模块，用于获取待识别图像；
图像识别结果获取模块，用于将所述待识别图像输入目标图像识别模型，获取图像识别结果。
根据本公开的另一方面，提供了一种设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
通过Frank-Wolfe算法来自适应的动态调整权重系数，并且通过模型参数更新阶段和权重系数更新阶段的交替执行，可以提高第二图像识别模型训练的自动化程度以及降低权重系数的调整成本。并且通过Frank-Wolfe算法动态调整权重系数，避免了人为调整权重系数的不确定性的影响，可以保证权重系数不断得到优化，使得第二图像识别模型可以达到与第一图像识别模型类似的图像识别准确率，从而可以显著提高利用蒸馏技术得到的第二图像识别模型的图像识别准确率。同时，该结构简单且图像识别准确率高的第二图像识别模型可以更好的在实际中应用，以提高图像处理技术中图像识别的准确率。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例提供的一种应用系统的示意图。
图2示出根据本公开一实施例的图像识别模型的训练方法的流程图。
图3示出根据本公开一实施例的用于图像识别模型训练的架构示意图。
图4示出根据本公开一实施例的模型参数更新阶段的方法流程图。
图5示出根据本公开一实施例的根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数的方法流程图。
图6示出根据本公开一实施例的所述根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数的方法流程图。
图7示出根据本公开一实施例的图像识别方法的流程图。
图8示出根据本公开一实施例的图像识别模型的训练装置的框图。
图9示出根据本公开一实施例的图像识别装置的框图。
图10是根据一示例性实施例示出的一种用于图像识别装置1000的框图。
图11是根据一示例性实施例示出的一种用于图像识别模型的训练装置 1100的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本公开实施例提供的方案涉及计算机视觉技术、人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：
请参阅图1，图1示出根据本公开一实施例提供的一种应用系统的示意图。所述应用系统可以用于图像的识别。如图1所示，该应用系统至少可以包括服务器01和终端02。
本公开实施例中，所述服务器01可以包括独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本公开实施例中，所述终端02可以包括智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、智能可穿戴设备等类型的实体设备。实体设备，也可以包括运行于实体设备中的软体，例如应用程序等。本公开实施例中终端01上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、 windows等。
本说明书实施例中，上述终端01以及服务器02可以通过有线或无线通信方式进行直接或间接地连接，本申请对此不作限定。
所述终端02可以用于提供面向用户的图像识别服务。具体的，终端02可以基于服务器01训练好的第二图像识别模型实现图像的识别处理。需要说明的是，本公开实施例中，终端02可以将待识别图像发送至服务器01在服务器 01中实现待识别图像的识别处理。
此外，需要说明的是，在实际应用中，第二图像识别模型的训练处理也可以在终端02中实现，本公开实施例中，优选的，在服务器01中实现第二图像识别模型的训练处理，以便减轻终端的数据处理压力，改善面向用户的终端的设备性能。
在一个具体的实施例中，服务器02为分布式系统时，该分布式系统可以为区块链系统，分布式系统为区块链系统时，可以由多个节点(接入网络中的任意形式的计算设备，如服务器、用户终端)形成，节点之间形成组成的点对点(P2P，Peer To Peer)网络，P2P协议是一个运行在传输控制协议(TCP， Transmission Control Protocol)协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。具体的，区块链系统中各节点的功能，涉及的功能可以包括：
1)路由，节点具有的基本功能，用于支持节点之间的通信。
节点除具有路由功能外，还可以具有以下功能：
2)应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数据的来源，将记录数据发送到区块链系统中的其他节点，供其他节点在验证记录数据来源以及完整性成功时，将记录数据添加到临时区块中。
在介绍第二图像识别模型的训练过程(如图2所示)之前，首先介绍本公开用于图像识别模型训练的架构，如图3所示，该架构可以包括教师-学生部分、多损失函数监督部分以及自动调整权重系数部分。这里的教师-学生部分可以包括已经训练好的第一图像识别模型(即教师模型T)、待训练的第二图像识别模型(即学生模型S)。若将图像样本集分别输入第一图像识别模型和第二图像识别模型，经过前向传播，可以得到对应的第一图像识别结果P和第二图像识别结果Q。
多损失函数监督部分可以包括第一损失函数和多个第二损失函数，第一损失函数和多个第二损失函数可以作为正则项来迫使第二图像识别模型尽可能的模仿第一图像识别模型。本公开对第一损失函数和多个第二损失函数不作限定。其中，第一损失函数可以用于度量第二图像识别结果与图像样本集的标签之间的差别，第一损失函数可以记作L(Q)；多个第二损失函数可以分别用于度量第二图像识别结果与第一图像识别结果之间的差别，若假设多个第二损失函数为K个，该多个第二损失函数可以记作L1(P||Q), L2(P||Q),…,LK(P||Q)。在一个示例中，K可以为5。本公开对多个第二损失函数的数量不作限定。
可选地，该多损失函数监督部分可以利用第一损失函数和多个第二损失函数，通过反向传播，分别计算第一损失函数和多个第二损失函数的第一梯度信息和第二梯度信息，例如，第一梯度信息和第二梯度信息可以分别表示为：
Figure BDA0002577122030000081
和
Figure BDA0002577122030000082
该多损失函数监督部分还可以计算第一梯度信息、第二梯度信息和权重系数的梯度加权信息，该梯度加权信息可以用于更新第二图像识别模型的模型参数W，即该梯度加权信息可以用于确定更新的W，并用更新的W更新第二图像识别模型的模型参数W。
在自动调整权重系数部分，可以利用Frank-Wolfe算法和上述的第一梯度信息和第二梯度信息，自动调整权重系数。其中，权重系数可以表示为λ0,λ1,λ2,…,λK。λ0可以与第一损失函数对应，λ1,λ2,…,λK可以分别与多个第二损失函数对应。在一个示例中，λ0,λ1,λ2,…,λK的初始值可以相同，均为1/(K+1)。本公开对此不作限定，可以根据实际需要设置。
本说明书实施例中，可以基于该架构，通过蒸馏技术实现第二图像识别模型对第一图像识别模型的准确模仿，提高图像识别的准确率。需要说明的是第一图像识别模型和第二图像识别模型可以为深度神经网络模型，为了使训练得到的模型可以更好的适用图像的识别，可以选择第二图像识别模型为残差网络模型。
图2示出根据本公开一实施例的图像识别模型的训练方法的流程图。如图2所示，图像识别模型的训练方法可以包括以下步骤。
S101，获取第一图像识别结果，所述第一图像识别结果是将图像样本集输入第一图像识别模型得到的。
S103，确定损失函数对应的当前的权重系数，所述损失函数包括第一损失函数和多个第二损失函数。
本说明书实施例中，可以预先获取图像样本集，将该图像样本集输入第一图像识别模型，从而得到第一图像识别结果。还可以确定损失函数对应的当前的权重系数，比如在训练初始，可以获取预先设置的损失函数与权重系数的对应关系，这里就可以根据该对应关系确定损失函数对应的当前的权重系数。该第一图像识别结果和当前的权重系数可以用于第二图像识别模型的训练。
在介绍具体的训练过程之前，先介绍本公开进行图像识别模型训练的优化模型。本说明书实施例中，可以将第二图像识别模型(学生模型)的训练过程抽象为双层优化模型，如下面公式(1)和公式(2)。
Figure BDA0002577122030000091
Figure BDA0002577122030000092
Figure BDA0002577122030000093
其中，λ包括λ0,λ1,λ2,…,λK；W表示第二图像识别模型的模型参数；
Figure BDA0002577122030000094
表示第一损失函数对应的梯度信息；
Figure BDA0002577122030000095
表示多个第二损失函数对应的梯度信息。公式(1)可以看作为外层模型，用于优化第二图像识别模型与第一图像识别模型的相似度，具体地，可以用于约束模型参数W的更新，使得第二图像识别模型与第一图像识别模型尽可能的类似。公式(2)可以看作为内层模型，可以用于优化权重系数λ，使得基于该优化的λ可以保证公式(1)的优化效果，即可以约束第一图像识别模型和第二图像识别模型之间尽可能的类似。
本说明书实施例中，在图像识别模型的训练过程中，可以采用交替求解公式(1)和公式(2)的方式来解决双层优化的问题，从而可以使权重系数不断更新，并逐步逼近较优的权重系数，从而可以使得模型参数也能得到优化。模型训练过程可以包括模型参数更新阶段：S105-S109、权重系数更新阶段 S113-S115。其中，一次模型训练过程可以包括一次模型参数更新阶段和一次权重系数更新阶段。需要说明的是，在模型训练次数为训练次数阈值时，该次模型训练过程可以仅包括模型参数更新阶段。在下面的模型参数更新阶段，权重系数可以是固定不变的。
S105，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果。
S107，根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息。
本说明书实施例中，可以根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息，例如，可以根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一损失，该第一损失可以表征在当前的模型参数下，当前的第二图像识别结果与图像样本集的标签信息间的差别。进一步地，可以计算得到该第一损失对应的第一梯度信息
Figure BDA0002577122030000101
该第一梯度信息可以表征减少当前的第二图像识别结果与图像样本集的标签信息间的差别的优化方向。
本说明书实施例中，可以根据多个第二损失函数，分别确定当前的第二图像识别结果与所述第一图像识别结果间的第二损失，该第二损失可以表征在当前的模型参数下，当前的第二图像识别结果与第一图像识别结果间的差别。进一步地，可以计算得到第二损失对应的第二梯度信息，该第二梯度信息可以为多个：
Figure BDA0002577122030000102
这里的第二梯度信息可以表征减少当前的第二图像识别结果与第一图像识别结果间的差别的优化方向。其中，可以利用反向传播，确定第一梯度信息和第二梯度信息。
需要说明的是，在得到第一损失和第二损失时，权重系数中的λ0可以表征第二图像识别结果与图像样本集的标签信息间的差别对第二图像识别准确率的影响程度；λ1,λ2,…,λK可以表征第二图像识别结果与第一图像识别结果间的差别对第二图像识别准确率的影响程度。
S109，根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，至模型参数更新阶段的迭代次数满足模型参数迭代条件。
本说明书实施例中，可以根据当前的权重系数、第一梯度信息和第二梯度信息，获取梯度加权信息。在一个示例中，可以利用梯度加权信息和随机梯度，更新第二图像识别模型的模型参数。进一步地，可以利用该更新的模型参数更新第二图像识别模型，得到当前的第二图像识别模型。
本说明书实施例中，模型参数迭代条件可以是指模型参数更新阶段的收敛条件，本公开对此不作限定。模型参数更新阶段中，可以迭代地更新模型参数，直至模型参数更新阶段的迭代次数满足模型参数迭代条件。在模型参数更新阶段的迭代次数满足模型参数迭代条件时，可以进入步骤S111。
S111，确定模型训练次数，当模型训练次数达到训练次数阈值时，将当前的第二图像识别模型作为目标图像识别模型；当模型训练次数未达到训练次数阈值时，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果，并进入权重系数更新阶段。
本说明书实施例中，训练次数阈值可以根据实际需要设置，本公开对此不作限定。
可选地，可以判断模型训练次数是否达到训练次数阈值，当模型训练次数达到训练次数阈值时，可以将当前的模型参数作为目标模型参数，可以将该目标模型参数作为图像识别模型训练的架构的输出。可以将当前的第二图像识别模型作为目标图像识别模型，训练结束，然后可以在实际应用中，利用目标图像识别模型进行图像识别处理。
以下权重系数更新阶段中，模型参数可以是固定不变的，即权重系数更新阶段中使用的当前的第二图像识别结果可以是固定不变的。
S113，根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息。
本说明书实施例中，该步骤可以参见S107，在此不再赘述。
S115，根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe 算法，更新权重系数，至权重系数更新阶段的迭代次数满足权重系数迭代条件；并在权重系数更新阶段的迭代次数满足权重系数迭代条件时，进入模型参数更新阶段。
本说明书实施例中，可以根据当前的权重系数、第一梯度信息、第二梯度信息，得到梯度加权信息。并可以根据Frank-Wolfe算法确定梯度加权信息的可行方向(更新方向)，从而可以根据该可行方向，对权重系数进行更新。
本说明书实施例中，权重系数迭代条件可以是指权重系数更新阶段的迭代收敛条件，本公开对此不作限定。在一个示例中，权重系数迭代条件可以包括第二迭代次数阈值。该第二迭代次数阈值可以小于第一迭代次数阈值，比如第二迭代次数阈值可以为10次。
可选地，若权重系数更新阶段的迭代次数不满足权重系数迭代条件时，可以返回权重系数更新阶段，即返回至S113，至权重系数更新阶段的迭代次数满足权重系数迭代条件。或者，若权重系数更新阶段的迭代次数不满足权重系数迭代条件时，可以直接返回权重系数更新阶段的S115，因为在进入权重系数更新阶段时已经计算了第一梯度信息和第二梯度信息，而权重系数更新阶段中的模型参数是不变的，即权重系数更新阶段中的第一梯度信息和第二梯度信息也可以是不变的，这样就可以直接返回到S115，从而可以减少数据处理量。需要说明的是，此时S115中的第一梯度信息可以是当前的第一梯度信息、第二梯度信息可以是当前的第二梯度信息。
在权重系数更新阶段的迭代次数满足权重系数迭代条件时，即权重系数更新阶段迭代结束后，可以进入模型参数更新阶段。从而实现模型参数更新阶段与权重系数更新阶段的交替进行，即实现公式(1)和公式(2)的交替求解。实现自动对权重系数的优化，从而实现对模型参数的优化，得到识别准确率与第一图像识别模型接近的目标图像识别模型。
通过Frank-Wolfe算法来自适应的动态调整权重系数，并且通过模型参数更新阶段和权重系数更新阶段的交替执行，可以提高第二图像识别模型训练的自动化程度以及降低权重系数的调整成本。并且通过Frank-Wolfe算法动态调整权重系数，避免了人为调整权重系数的不确定性的影响，可以保证权重系数不断得到优化，使得第二图像识别模型可以达到与第一图像识别模型类似的图像识别准确率，从而可以显著提高利用蒸馏技术得到的第二图像识别模型的图像识别准确率。同时，该结构简单且图像识别准确率高的第二图像识别模型可以更好的在实际中应用，以提高图像处理技术中图像识别的准确率。
图4示出根据本公开一实施例的模型参数更新阶段的方法流程图。如图4 所示，在一种可能的实现方式中，在步骤S109和S111之间可以增加步骤S401 和S403，以实现模型参数更新阶段的内部迭代。所述图像识别模型训练方法还可以包括：
S401，获取模型参数更新阶段的迭代次数；
S403，判断模型参数更新阶段的迭代次数是否满足模型参数迭代条件；若模型参数更新阶段的迭代次数不满足模型参数迭代条件，返回模型参数更新阶段。
在一个示例中，模型参数迭代条件可以包括第一迭代次数阈值，比如50 次。可选地，可以获取本轮模型参数更新阶段的迭代次数，判断模型参数更新的迭代次数是否满足模型参数迭代条件，即是否达到第一迭代次数阈值，若否，可以返回至步骤S105，继续进行模型参数更新，直至模型参数更新阶段的迭代次数满足模型参数迭代条件。若是，可以进入步骤S111。
图5示出根据本公开一实施例的根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数的方法流程图。在一种可能的实现方式中，如图5所示，该步骤S109可以包括：
S501，根据当前的权重系数、第一梯度信息和第二梯度信息，得到梯度加权信息。
本说明书实施例中，可以计算第一梯度信息和第二梯度信息与当前的权重系数的加权值，得到梯度加权信息，比如梯度加权信息可以为
Figure BDA0002577122030000141
其中，λ0为第一损失函数对应的权重系数；λi为多个第二损失函数中第i个第二损失函数；K为多个第二损失函数的数量；
Figure BDA0002577122030000142
为第一梯度信息；
Figure BDA0002577122030000143
为多个第二梯度信息中的第i个第二梯度信息。
S503，根据所述梯度加权信息，更新所述第二图像识别模型的模型参数，得到当前的第二图像识别模型。
在一个示例中，可以根据下面公式(3)，确定更新的模型参数，利用更新的模型参数更新所述第二图像识别模型的模型参数，得到当前的第二图像识别模型。
Figure BDA0002577122030000144
其中，W为模型参数；η为第一学习率；
Figure BDA0002577122030000145
Figure BDA0002577122030000151
为梯度加权信息。本公开对第一学习率的取值不作限定。需要说明的是，第一学习率可以表示梯度下降的步长，可以预先设置，也可以利用自适应随机梯度算法自动设置，比如利用Adam算法自动设置。
图6示出根据本公开一实施例的所述根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数的方法流程图。如图6 所示，在一种可能的实现方式中，该步骤S115可以包括：
S601，根据当前的权重系数、第一梯度信息和第二梯度信息，得到梯度加权信息。该步骤的实现方式可以参见步骤S501，在此不再赘述。
S603，根据所述梯度加权信息和Frank-Wolfe算法，得到梯度更新方向信息。
本说明书实施例中，Frank-Wolfe算法是指Frank和Wolfe提出的一种求解线性约束问题的算法，是一种可行方向法，每次迭代中，可以通过求解目标函数(对应下面的梯度加权信息)的可行下降方向(对应下面的梯度更新方向信息)，并沿该可行下降方向进行搜索，可以得到目标函数的最优解(对应λ0,λ1,λ2,…,λK)。
在一个示例中，可以根据下面公式(4)，得到梯度更新方向信息。
Figure BDA0002577122030000152
其中，
Figure BDA0002577122030000153
为梯度加权信息；d为梯度更新方向信息，d可以包括di,i＝0,1,2,…,K；di可以与λi对应；di可以满足公式(5)。
Figure BDA0002577122030000154
S605，获取所述Frank-Wolfe算法的第二学习率。
其中，第二学习率可以是指Frank-Wolfe算法中权重系数的更新步长。第二学习率可以是预先设置的；也可以动态更新，比如第二学习率β＝1/(j+ 1)，其中，j为权重系数更新阶段的迭代次数。本公开对此不作限定。
S607，根据所述第二学习率、所述梯度更新方向信息以及当前的权重系数，确定更新的权重系数。
本说明书实施例中，可以根据下面公式(6)，确定更新的权重系数。
λ：＝(1-β)λ+βd (6)
其中，β为第二学习率；λ为权重系数；λ包括λi，i＝0,1,2,…,K。
S609，利用所述更新的权重系数更新所述权重系数。
本说明书实施例中，可以利用更新的权重系数更新所述权重系数，使得权重系数被动态优化。
通过根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe 算法，更新权重系数，可以在训练过程中，根据训练产生的数据(比如第一梯度信息、第二梯度信息)来自适应的调整权重系数，大幅降低了人工调试权重系数的不确定性和调参成本；并且可以保证权重系数得到优化，从而可以使第二图像识别模型可以精准的逼近第一图像识别模型，提高第二图像识别模型的图像识别准确率。
在实际应用中，可以将训练得到的目标图像识别模型作为图像识别模型以用于待识别图像的识别处理。图7示出根据本公开一实施例的图像识别方法的流程图，如图7所示，可以包括：
S701，获取待识别图像；
S703，将所述待识别图像输入目标图像识别模型，得到图像识别结果。
其中，所述目标图像识别模型可以是上述图像识别模型训练过程得到的。
利用图像识别模型训练得到的目标图像识别模型进行图像识别处理，可以提高图像识别结果的准确率。
图8示出根据本公开一实施例的图像识别模型的训练装置的框图。如图8 所示，图像识别模型的训练装置可以包括：
第一图像识别结果获取模块801，用于获取第一图像识别结果，所述第一图像识别结果是将图像样本集输入第一图像识别模型得到的；
权重系数确定模块803，用于确定损失函数对应的当前的权重系数，所述损失函数包括第一损失函数和多个第二损失函数；
模型参数更新模块805，用于将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果；根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，至模型参数更新阶段的迭代次数满足模型参数迭代条件；确定模型训练次数，当模型训练次数达到训练次数阈值时，将当前的第二图像识别模型作为目标图像识别模型；当模型训练次数未达到训练次数阈值时，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果，并将当前的第二图像识别结果传输至权重系数更新模块；
权重系数更新模块807，用于根据所述第一损失函数和多个第二损失函数，分别确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息、第二梯度信息和Frank- Wolfe算法，更新权重系数，至权重系数更新阶段的迭代次数满足权重系数迭代条件；并在权重系数更新阶段的迭代次数满足权重系数迭代条件时，由所述模型参数更新模块执行模型参数的更新。
通过Frank-Wolfe算法来自适应的动态调整权重系数，并且通过模型参数更新阶段和权重系数更新阶段的交替执行，利用本公开实施例的图像识别模型的训练装置，可以提高第二图像识别模型训练的自动化程度以及降低权重系数的调整成本。并且通过Frank-Wolfe算法动态调整权重系数，避免了人为调整权重系数的不确定性的影响，可以保证权重系数不断得到优化，使得第二图像识别模型可以达到与第一图像识别模型类似的图像识别准确率，从而可以显著提高利用蒸馏技术得到的第二图像识别模型的图像识别准确率。同时，该结构简单且图像识别准确率高的第二图像识别模型可以更好的在实际中应用，以提高图像处理技术中图像识别的准确率。
图9示出根据本公开一实施例的图像识别装置的框图。如图9所示，该图像识别装置可以包括：
待识别图像获取模块901，用于获取待识别图像；
图像识别结果获取模块903，用于将所述待识别图像输入目标图像识别模型，获取图像识别结果。
其中，所述目标图像识别模型可以是上述图像识别模型训练过程得到的。
利用该图像识别装置进行图像识别处理，可以提高图像识别结果的准确率。
图10是根据一示例性实施例示出的一种用于图像识别装置1000的框图。例如，装置1000可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图10，装置1000可以包括以下一个或多个组件：处理组件1002，存储器1004，电源组件1006，多媒体组件1008，音频组件1010，输入/输出(I/ O)的接口1012，传感器组件1014，以及通信组件1016。
处理组件1002通常控制装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1002可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理组件1002可以包括多媒体模块，以方便多媒体组件1008 和处理组件1002之间的交互。
存储器1004被配置为存储各种类型的数据以支持在装置1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器 (SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件1006为装置1000的各种组件提供电力。电源组件1006可以包括电源管理系统，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。
多媒体组件1008包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括一个扬声器，用于输出音频信号。
I/O接口1012为处理组件1002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1014包括一个或多个传感器，用于为装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到装置1000的打开/关闭状态，组件的相对定位，例如所述组件为装置1000的显示器和小键盘，传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000 接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如CMOS或CCD 图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014 还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1016还包括近场通信(NFC)模块，以促进短程通信。例如，在 NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置1000可以被一个或多个应用专用集成电路 (ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1004，上述计算机程序指令可由装置1000的处理器1020执行以完成上述方法。
图11是根据一示例性实施例示出的一种用于图像识别模型的训练装置 1100的框图。例如，装置1100可以被提供为一服务器。参照图11，装置1100 包括处理组件1122，其进一步包括一个或多个处理器，以及由存储器1132所代表的存储器资源，用于存储可由处理组件1122的执行的指令，例如应用程序。存储器1132中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1122被配置为执行指令，以执行上述方法。
装置1100还可以包括一个电源组件1126被配置为执行装置1100的电源管理，一个有线或无线网络接口1150被配置为将装置1100连接到网络，和一个输入输出(I/O)接口1158。装置1100可以操作基于存储在存储器1132的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM， FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1132，上述计算机程序指令可由装置1100的处理组件1122执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像识别模型的训练方法，其特征在于，包括：
获取第一图像识别结果，所述第一图像识别结果是将图像样本集输入第一图像识别模型得到的；
确定损失函数对应的当前的权重系数，所述损失函数包括第一损失函数和多个第二损失函数；
模型参数更新阶段：将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果；根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及根据所述多个第二损失函数确定当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，至模型参数更新阶段的迭代次数满足模型参数迭代条件；确定模型训练次数，当模型训练次数达到训练次数阈值时，将当前的第二图像识别模型作为目标图像识别模型；当模型训练次数未达到训练次数阈值时，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果，并进入权重系数更新阶段；
权重系数更新阶段：根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及根据所述多个第二损失函数确定当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数，至权重系数更新阶段的迭代次数满足权重系数迭代条件；并在权重系数更新阶段的迭代次数满足权重系数迭代条件时，进入模型参数更新阶段。
2.根据权利要求1所述的方法，其特征在于，所述根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，得到当前的第二图像识别模型，包括：
根据当前的权重系数、第一梯度信息和第二梯度信息，得到梯度加权信息；
根据所述梯度加权信息，更新所述第二图像识别模型的模型参数，得到当前的第二图像识别模型。
3.根据权利要求1所述的方法，其特征在于，所述根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数，包括：
根据当前的权重系数、第一梯度信息和第二梯度信息，得到梯度加权信息；
根据所述梯度加权信息和Frank-Wolfe算法，得到梯度更新方向信息；
获取所述Frank-Wolfe算法的第二学习率；
根据所述第二学习率、所述梯度更新方向信息以及当前的权重系数，确定更新的权重系数；
利用所述更新的权重系数更新所述权重系数。
4.根据权利要求1所述的方法，其特征在于，还包括：
若权重系数更新阶段的迭代次数不满足权重系数迭代条件，返回权重系数更新阶段。
5.根据权利要求1所述的方法，其特征在于，还包括：
若模型参数更新阶段的迭代次数不满足模型参数迭代条件，返回模型参数更新阶段。
6.一种图像识别方法，其特征在于，包括：
获取待识别图像；
将所述待识别图像输入如权利要求1-5任一项中的目标图像识别模型，获取图像识别结果。
7.一种图像识别模型的训练装置，其特征在于，包括：
第一图像识别结果获取模块，用于获取第一图像识别结果，所述第一图像识别结果是将图像样本集输入第一图像识别模型得到的；
权重系数确定模块，用于确定损失函数对应的当前的权重系数，所述损失函数包括第一损失函数和多个第二损失函数；
模型参数更新模块，用于将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果；根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及根据所述多个第二损失函数确定当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息和第二梯度信息，更新所述第二图像识别模型的模型参数，至模型参数更新阶段的迭代次数满足模型参数迭代条件；确定模型训练次数，当模型训练次数达到训练次数阈值时，将当前的第二图像识别模型作为目标图像识别模型；当模型训练次数未达到训练次数阈值时，将所述图像样本集输入当前的第二图像识别模型，得到当前的第二图像识别结果，并将当前的第二图像识别结果传输至权重系数更新模块；
权重系数更新模块，用于根据所述第一损失函数确定当前的第二图像识别结果和所述图像样本集的标签信息间的第一梯度信息、以及根据所述多个第二损失函数确定当前的第二图像识别结果与所述第一图像识别结果间的第二梯度信息；根据当前的权重系数、第一梯度信息、第二梯度信息和Frank-Wolfe算法，更新权重系数，至权重系数更新阶段的迭代次数满足权重系数迭代条件；并在权重系数更新阶段的迭代次数满足权重系数迭代条件时，由所述模型参数更新模块执行模型参数的更新。
8.一种图像识别装置，其特征在于，包括：
待识别图像获取模块，用于获取待识别图像；
图像识别结果获取模块，用于将所述待识别图像输入如权利要求1-5任一项中的目标图像识别模型，获取图像识别结果。
9.一种设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令以实现权利要求1至6中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN202010657011.2A 2020-07-09 2020-07-09 图像识别模型的训练、图像识别方法、装置及设备 Active CN111783898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010657011.2A CN111783898B (zh) 2020-07-09 2020-07-09 图像识别模型的训练、图像识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010657011.2A CN111783898B (zh) 2020-07-09 2020-07-09 图像识别模型的训练、图像识别方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111783898A CN111783898A (zh) 2020-10-16
CN111783898B true CN111783898B (zh) 2021-09-14

Family

ID=72759432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010657011.2A Active CN111783898B (zh) 2020-07-09 2020-07-09 图像识别模型的训练、图像识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111783898B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220296388A1 (en) * 2021-03-16 2022-09-22 Mazor Robotics Ltd. Systems and methods for training and using an implant plan evaluation model
CN113128478B (zh) * 2021-05-18 2023-07-14 电子科技大学中山学院 模型训练方法、行人分析方法、装置、设备及存储介质
CN113343938B (zh) * 2021-07-16 2023-01-31 浙江大学 一种图像识别方法、装置、设备及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832835A (zh) * 2017-11-14 2018-03-23 贵阳海信网络科技有限公司 一种卷积神经网络的轻量化方法及装置
WO2018084942A1 (en) * 2016-11-07 2018-05-11 Qualcomm Incorporated Deep cross-correlation learning for object tracking
CN108520220A (zh) * 2018-03-30 2018-09-11 百度在线网络技术（北京）有限公司 模型生成方法和装置
CN109299657A (zh) * 2018-08-14 2019-02-01 清华大学 基于语义注意力保留机制的群体行为识别方法及装置
CN110232352A (zh) * 2019-06-12 2019-09-13 东北大学 一种用于人脸识别的多任务级联卷积神经网络模型的改进方法
CN110674880A (zh) * 2019-09-27 2020-01-10 北京迈格威科技有限公司 用于知识蒸馏的网络训练方法、装置、介质与电子设备
WO2020111574A1 (en) * 2018-11-30 2020-06-04 Samsung Electronics Co., Ltd. System and method for incremental learning
CN111598182A (zh) * 2020-05-22 2020-08-28 北京市商汤科技开发有限公司 训练神经网络及图像识别的方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229534A (zh) * 2017-11-28 2018-06-29 北京市商汤科技开发有限公司 神经网络模型迁移方法和系统、电子设备、程序和介质
KR20200045128A (ko) * 2018-10-22 2020-05-04 삼성전자주식회사 모델 학습 방법 및 장치, 및 데이터 인식 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018084942A1 (en) * 2016-11-07 2018-05-11 Qualcomm Incorporated Deep cross-correlation learning for object tracking
CN107832835A (zh) * 2017-11-14 2018-03-23 贵阳海信网络科技有限公司 一种卷积神经网络的轻量化方法及装置
CN108520220A (zh) * 2018-03-30 2018-09-11 百度在线网络技术（北京）有限公司 模型生成方法和装置
CN109299657A (zh) * 2018-08-14 2019-02-01 清华大学 基于语义注意力保留机制的群体行为识别方法及装置
WO2020111574A1 (en) * 2018-11-30 2020-06-04 Samsung Electronics Co., Ltd. System and method for incremental learning
CN110232352A (zh) * 2019-06-12 2019-09-13 东北大学 一种用于人脸识别的多任务级联卷积神经网络模型的改进方法
CN110674880A (zh) * 2019-09-27 2020-01-10 北京迈格威科技有限公司 用于知识蒸馏的网络训练方法、装置、介质与电子设备
CN111598182A (zh) * 2020-05-22 2020-08-28 北京市商汤科技开发有限公司 训练神经网络及图像识别的方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种新的计算组合预测权重的方法;黄岩 等;《管理工程学报》;20010430;第15卷(第2期);44-46 *

Also Published As

Publication number Publication date
CN111783898A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN109800737B (zh) 面部识别方法及装置、电子设备和存储介质
CN111783898B (zh) 图像识别模型的训练、图像识别方法、装置及设备
CN110598504B (zh) 图像识别方法及装置、电子设备和存储介质
CN110837761B (zh) 多模型知识蒸馏方法及装置、电子设备和存储介质
CN109919300B (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN113591750A (zh) 关键点检测方法及装置、电子设备和存储介质
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN110909815B (zh) 神经网络训练、图像处理方法、装置及电子设备
JP2021514499A (ja) ターゲットオブジェクト処理方法、装置、電子機器及び記憶媒体
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN111126079B (zh) 用于机器翻译的神经网络模型压缩方法、装置及存储介质
CN109858614B (zh) 神经网络训练方法及装置、电子设备和存储介质
CN109543537B (zh) 重识别模型增量训练方法及装置、电子设备和存储介质
CN110781934A (zh) 监督学习、标签预测方法及装置、电子设备和存储介质
CN107341509B (zh) 卷积神经网络的训练方法、装置及可读存储介质
US20210312289A1 (en) Data processing method and apparatus, and storage medium
CN110659690B (zh) 神经网络的构建方法及装置、电子设备和存储介质
CN110188865B (zh) 信息处理方法及装置、电子设备和存储介质
CN110188871B (zh) 运算方法、装置及相关产品
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN112001364A (zh) 图像识别方法及装置、电子设备和存储介质
CN114169534A (zh) 分布式机器学习模型的训练方法、装置、设备及介质
CN109784537B (zh) 广告点击率的预估方法、装置及服务器和存储介质
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN109903252B (zh) 图像处理方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant