CN112036507A - 图像识别模型的训练方法、装置、存储介质和电子设备 - Google Patents
图像识别模型的训练方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112036507A CN112036507A CN202011027250.6A CN202011027250A CN112036507A CN 112036507 A CN112036507 A CN 112036507A CN 202011027250 A CN202011027250 A CN 202011027250A CN 112036507 A CN112036507 A CN 112036507A
- Authority
- CN
- China
- Prior art keywords
- image
- image data
- model
- target
- label
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims description 45
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012550 audit Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种图像识别模型的训练方法、装置、存储介质、电子设备,该方法包括:通过特征提取模型提取图像数据的图像特征;通过每个第一图像特征和每个第一图像数据对应的标签对分类预测模型进行训练,生成图像识别模型;通过图像识别模型,获取每个第二图像数据的第二标签和该第二标签的置信度;通过根据置信度从多个第二图像数数据中确定第三图像数据的第三图像特征和每个第三图像数据的第二标签对图像识别模型进行重训练,以生成目标图像识别模型。能够通过附带标签的训练数据对模型进行预训练,再通过预训练后的模型生成重训练所需的其他训练数据的标签,在保证训练数据总量的基础上,减少对训练数据进行标注的成本,提高模型训练的效率。
Description
技术领域
本公开涉及计算机视觉领域,尤其涉及一种图像识别模型的训练方法、装置、存储介质、电子设备。
背景技术
随着信息技术的发展,社会步入大数据时代,互联网中的信息越来越多也越来越繁杂。而互联网信息中的低俗内容,特别是低俗图像(例如,色情图像和血腥图像等)的大量传播,会对在青少年为网络用户主体的互联网环境造成了伤害和影响,不利于构建良好的网络环境和保护未成年人的心理健康。各大网站以及国家监管部门都对互联网中图像的内容审查提出要求。在对低俗图像进行识别和检测的相关技术中,对低俗图像的识别主要有两种方式,一种是通过人工检查的方式进行人工的识别和筛选,但是该方式代价昂贵,效率低下。特别是针对互联网中的海量数据,依靠人工检测的方式是不切实际的。另一种方式是通过图像识别模型对互联网中的低俗图像进行识别。可以理解的是,需要对不同的机器学习模型进行训练后,该机器学习模型才能具备识别低俗图像的功能,也就是生成该图像识别模型。而训练过程中所涉及的训练数据的数量通常较大,并且这些训练数据同样需要人工进行标注。对少量的训练数据进行标注,无法保证训练出的图像识别模型的准确性,而对大量的训练数据的标注过程同样涉及极高的人工成本,效率也较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种图像识别模型的训练方法、装置、存储介质、电子设备。
根据本公开实施例的第一方面,提供一种图像识别模型的训练方法,所述方法包括:
通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,所述第一图像数据对应第一标签,所述第一标签用于表征第一图像数据对应的图像分类,其中,m大于1;
采用提取到的每个所述第一图像特征和所述第一标签,对预设的分类预测模型进行训练,生成图像识别模型;
通过所述图像识别模型,获取每个第二图像数据对应的第二标签和所述第二标签对应的置信度;
根据所述置信度,从所述m个第二图像数据中确定n个第三图像数据,其中,n大于1,且,n小于m;
采用确定的所述n个第三图像数据中的每个所述第三图像数据的第三图像特征和每个所述第三图像数据对应的第二标签,对所述图像识别模型进行重训练,以生成目标图像识别模型。
可选的,在所述通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征之前,所述方法还包括:
通过多个图像样本组对预设的目标神经网络模型进行训练,生成所述特征提取模型;其中,
所述图像样本组包括:第四图像数据和第四图像数据对应的转换图像数据,所述转换图像数据为对所述第四图像数据进行预设的图像转换处理后所得到的图像数据,所述图像转换处理包括:翻转处理、平移处理、噪声添加处理和色彩变换处理中的至少一种;
通过所述特征提取模型提取到的图像数据的图像特征与通过所述特征提取模型提取到的所述图像数据对应的转换图像数据的图像特征之间的相似度大于预设的相似度阈值。
可选的,所述通过多个图像样本组对预设的目标神经网络模型进行训练,生成所述特征提取模型,包括:
将图像样本组输入具备模型参数的所述目标神经网络模型,获取所述第四图像数据的第四图像特征以及所述第四图像数据对应的转换图像数据的转换图像特征,所述图像样本组中的样本为第一图像样本组,所述第一图像样本组为所述多个图像样本组中的任一图像样本组;
获取所述第四图像特征与所述转换图像特征的目标相似度;
在所述目标相似度小于所述相似度阈值的情况下,将所述模型参数的数值由第一参数调整为第二参数;
将图像样本组中的样本更新为第二图像样本组后,重复执行将图像样本组输入具备模型参数的所述目标神经网络模型,直至确定所述目标相似度大于或等于所述相似度阈值,所述第二图像样本组包含的样本与所述第一图像样本组的样本不同或者部分相同;
获取所述目标神经网络模型当前的目标参数;
将具备所述目标参数的所述目标神经网络模型作为所述特征提取模型。
可选的,所述根据所述置信度,从所述m个第二图像数据中确定n个第三图像数据,包括:
根据所述置信度对所述m个第二图像数据进行排序;
将排序后的所述m个第二图像数据中的前n个所述第二图像数据作为所述n个第三图像数据。
可选的,所述图像数据对应的图像分类包括:正常图像、待审核图像以及低俗图像,在所述采用确定的所述n个第三图像数据中的每个所述第三图像数据的第三图像特征和每个所述第三图像数据对应的第二标签,对所述图像识别模型进行重训练,以生成目标图像识别模型之后,所述方法还包括:
将目标图像数据输入所述目标图像识别模型,获取所述目标图像识别模型输出的目标标签;
根据所述目标标签确定所述目标图像数据的图像分类。
根据本公开实施例的第二方面,提供一种图像识别模型的训练装置,所述装置包括:
特征提取模块,被配置为通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,所述第一图像数据对应第一标签,所述第一标签用于表征第一图像数据对应的图像分类,其中,m大于1;
第一模型训练模块,被配置为采用提取到的每个所述第一图像特征和所述第一标签,对预设的分类预测模型进行训练,生成图像识别模型;
标签确定模块,被配置为通过所述图像识别模型,获取每个第二图像数据对应的第二标签和所述第二标签对应的置信度;
图像筛选模块,被配置为根据所述置信度,从所述m个第二图像数据中确定n个第三图像数据,其中,n大于1,且,n小于m;
第二模型训练模块,被配置为采用确定的所述n个第三图像数据中的每个所述第三图像数据的第三图像特征和每个所述第三图像数据对应的第二标签,对所述图像识别模型进行重训练,以生成目标图像识别模型。
可选的,所述装置还包括:
第三模型训练模块,被配置为通过多个图像样本组对预设的目标神经网络模型进行训练,生成所述特征提取模型;其中,
所述图像样本组包括:第四图像数据和第四图像数据对应的转换图像数据,所述转换图像数据为对所述第四图像数据进行预设的图像转换处理后所得到的图像数据,所述图像转换处理包括:翻转处理、平移处理、噪声添加处理和色彩变换处理中的至少一种;
通过所述特征提取模型提取到的图像数据的图像特征与通过所述特征提取模型提取到的所述图像数据对应的转换图像数据的图像特征之间的相似度大于预设的相似度阈值。
可选的,所述第三模型训练模块,被配置为:
将图像样本组输入具备模型参数的所述目标神经网络模型,获取所述第四图像数据的第四图像特征以及所述第四图像数据对应的转换图像数据的转换图像特征,所述图像样本组中的样本为第一图像样本组,所述第一图像样本组为所述多个图像样本组中的任一图像样本组;
获取所述第四图像特征与所述转换图像特征的目标相似度;
在所述目标相似度小于所述相似度阈值的情况下,将所述模型参数的数值由第一参数调整为第二参数;
将图像样本组中的样本更新为第二图像样本组后,重复执行将图像样本组输入具备模型参数的所述目标神经网络模型,直至确定所述目标相似度大于或等于所述相似度阈值,所述第二图像样本组包含的样本与所述第一图像样本组的样本不同或者部分相同;
获取所述目标神经网络模型当前的目标参数;
将具备所述目标参数的所述目标神经网络模型作为所述特征提取模型。
可选的,所述图像筛选模块,被配置为:
根据所述置信度对所述m个第二图像数据进行排序;
将排序后的所述m个第二图像数据中的前n个所述第二图像数据作为所述n个第三图像数据。
可选的,所述图像数据对应的图像分类包括:正常图像、待审核图像以及低俗图像,所述装置还包括:
图像识别模块,被配置为将目标图像数据输入所述目标图像识别模型,获取所述目标图像识别模型输出的目标标签;
分类确定模块,被配置为根据所述目标标签确定所述目标图像数据的图像分类。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的图像识别模型的训练方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,所述电子设备,包括:本公开第二方面所提供的图像识别模型的训练装置。
本公开的实施例所提供的技术方案,能够通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,该第一图像数据对应第一标签,该第一标签用于表征第一图像数据对应的图像分类,m大于1;采用提取到的每个该第一图像特征和该第一标签,对预设的分类预测模型进行训练,生成图像识别模型;通过该图像识别模型,获取每个第二图像数据对应的第二标签和该第二标签对应的置信度;根据该置信度,从上述m个第二图像数据中确定n个第三图像数据,n大于1,且,n小于m;采用确定的上述n个第三图像数据中的每个该第三图像数据的第三图像特征和每个该第三图像数据对应的第二标签,对该图像识别模型进行重训练,以生成目标图像识别模型。能够通过附带标签的训练数据对模型进行预训练,再通过预训练后的模型生成重训练所需的其他训练数据的标签,在保证训练数据总量的基础上,减少对训练数据进行标注的成本,提高模型训练的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像识别模型的训练方法的流程图;
图2是根据图1示出的另一种图像识别模型的训练方法的流程图;
图3是根据图1示出的一种特征提取模型的训练方法的流程图;
图4是根据图2示出的又一种图像识别模型的训练方法的流程图;
图5是根据一示例性实施例示出的一种图像识别模型的训练装置的框图;
图6是根据图5示出的另一种图像识别模型的训练装置的框图;
图7是根据图6示出的又一种图像识别模型的训练装置的框图;
图8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的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像识别模型的训练方法的流程图,如图1所示,该方法包括以下步骤:
在步骤101中,通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征。
其中,该第一图像数据对应第一标签,该第一标签用于表征第一图像数据对应的图像分类,m大于1。
示例地,该特征提取模型对预设的神经网络模型进行训练后获得的图像特征提取模型。该第一图像数据为附带人工标注的标签的图像数据,该第一图像的数量可以被设置为能够实现对图像识别模型的预训练但远小于该第二图像数据的数量。在步骤101中,首先需要通过该特征提取模型同时对每个第一图像数据的第一图像特征和每个第二图像数据的第二图像特征进行提取。针对于第一图像特征,该第一图像数据对应的标签(即第一标签)即为该第一图像特征对应的标签。
在步骤102中,采用提取到的每个该第一图像特征和该第一标签,对预设的分类预测模型进行训练,生成图像识别模型。
示例地,可以理解的是,该图像识别模型的输入为一幅图片或一段视频对应的图像数据,而该图像识别模型的输出为用于表征这幅图片或这段视频是否为低俗图像的信息,该信息可以是一个概率。因此,在步骤102的图像识别模型的预训练过程中,将每个第一图像特征和其对应的第一标签作为一组训练数据输入至预设的分类预测模型进行训练,进而获取到该图像识别模型。其中,该分类预测模型可以为神经网络模型。
在步骤103中,通过该图像识别模型,获取每个第二图像数据对应的第二标签和该第二标签对应的置信度。
在步骤104中,根据该置信度,从上述m个第二图像数据中确定n个第三图像数据。
示例地,该图像识别模型的输出不是单一的标签,而是该第二图像数据对应的不同标签的概率,例如,该图像分类为,正常图像,待审核图像和低俗图像,则该图像识别模型的输出实际为,正常图像标签(30%),待审核图像标签(89%),低俗图像标签(98%)。以正常图像标签为例,该输出可以理解为,预测图像数据的图像分类为正常图像的概率为30%。可以从三个概率中取最大值,也就是该图像数据最像哪个图像分类,作为该图像数据的置信度(confidence)。基于该置信度,该步骤104可以包括:根据该置信度对m个该第二图像数据进行排序;将排序后的m个该第二图像数据中的前n个该第二图像数据作为上述多个第三图像数据,其中,m和n均大于1,且,n小于m。
在步骤105中,采用确定的上述n个第三图像数据中的每个该第三图像数据的第三图像特征和每个该第三图像数据对应的第二标签,对该图像识别模型进行重训练,以生成目标图像识别模型。
示例地,通过在步骤104中筛选出的n个图像数据(即第三图像数据)和其对应的标签(即第二标签),对已经在步骤102完成预训练的图像识别模型进行重训练,即可得到最终用于低俗图像检测的目标图像识别模型。可以理解的是,该重训练中所使用的训练数据(第三图像特征与其对应的第二标签)未涉及人工标注的过程。
综上所述,本公开的实施例所提供的技术方案,能够通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,该第一图像数据对应第一标签,该第一标签用于表征第一图像数据对应的图像分类,m大于1;采用提取到的每个该第一图像特征和该第一标签,对预设的分类预测模型进行训练,生成图像识别模型;通过该图像识别模型,获取每个第二图像数据对应的第二标签和该第二标签对应的置信度;根据该置信度,从上述m个第二图像数据中确定n个第三图像数据,n大于1,且,n小于m;采用确定的上述n个第三图像数据中的每个该第三图像数据的第三图像特征和每个该第三图像数据对应的第二标签,对该图像识别模型进行重训练,以生成目标图像识别模型。能够通过附带标签的训练数据对模型进行预训练,再通过预训练后的模型生成重训练所需的其他训练数据的标签,在保证训练数据总量的基础上,减少对训练数据进行标注的成本,提高模型训练的效率。
图2是根据图1示出的另一种图像识别模型的训练方法的流程图,如图2所示,在该步骤101之前,该方法还可以包括:
在步骤106中,通过多个图像样本组对预设的目标神经网络模型进行训练,生成该特征提取模型。
其中,该图像样本组包括:第四图像数据和第四图像数据对应的转换图像数据,该转换图像数据为对该第四图像数据进行预设的图像转换处理后所得到的图像数据,该图像转换处理包括:翻转处理、平移处理、噪声添加处理和色彩变换处理中的至少一种;
示例地,不同的设备或图像相关的应用会在依据自身的配置和图像处理模式对图像进行处理之后再对图像进行使用。而针对同一图像数据,对原始的图像数据进行特征提取所获得的图像特征与依据经过处理的图像数据提取出的图像特征会存在一定的差异。而由于图像识别模型进行图像识别的主要依据为图像特征,通过上述的不同图像转换处理后的图像数据的图像特征之间的差异会影响图像识别模型输出结果的准确率。为了避免图像转换处理对图像特征的影响,需要对特征提取模型进行强化,降低图像转换处理造成的图像特征的差异度。因此,在本公开实施例中,通过该步骤106所训练出的特征提取模型提取到的图像数据的图像特征与通过该特征提取模型提取到的该图像数据对应的转换图像数据的图像特征之间的相似度大于预设的相似度阈值。换句话说,在步骤106中,需要使得。
图3是根据图1示出的一种特征提取模型的训练方法的流程图,如图3所示,该步骤106可以包括:
在步骤1061中,将图像样本组输入具备模型参数的该目标神经网络模型,获取该第四图像数据的第四图像特征以及该第四图像数据对应的转换图像数据的转换图像特征。
其中,该图像样本组中的样本为第一图像样本组,该第一图像样本组为该多个图像样本组中的任一图像样本组。
在步骤1062中,获取该第四图像特征与该转换图像特征的目标相似度。
在步骤1063中,在该目标相似度小于该相似度阈值的情况下,将该模型参数的数值由第一参数调整为第二参数。
示例地,该目标神经网络模型可以由ShuffleNet神经网络模型和预设的相似度计算模型组成。该ShuffleNet神经网络模型的模型参数(包括上述的第一参数和第二参数)可以包括:目标神经网络模型中的卷积核(或称滤波器)的数量和大小以及图像数据映射过程中的偏执参数的大小中的至少一者,用于确定对图像数据进行特征提取时的颗粒度、提取位置和提取方式等。该相似度计算模型用于计算ShuffleNet神经网络模型输出的两个图像特征(实际为两个特征向量)之间的余弦距离,并将该余弦距离与预设的余弦距离阈值(即相似度阈值)进行对比。在首次执行该步骤1061至1063的过程中,该第一参数为预先设置的参数。
在步骤1064中,将图像样本组中的样本更新为第二图像样本组后,重复执行将图像样本组输入具备模型参数的该目标神经网络模型,直至确定该目标相似度大于或等于该相似度阈值。
其中,该第二图像样本组包含的样本与该第一图像样本组的样本不同或者部分相同。
示例地,在该目标相似度小于该相似度阈值的情况下,可以通过预设的权值调整算法对ShuffleNet神经网络模型参数进行调整,得到调整后的第二参数。将另一组图像样本组作为具备调整后的权值的ShuffleNet神经网络模型的输入,并重复上述的步骤1061至步骤1063,直至输出的两个图像特征的相似度大于或等于该相似度阈值。
另外,在确定该目标相似度大于或等于该相似度阈值的情况下,直接将ShuffleNet神经网络模型的当前权值作为目标参数。或者,在本公开的另一实施例中,可以在确定该目标相似度大于或等于该相似度阈值的情况下,保持当前的权值不变,再通过预设数量的图像样本组对当前权值进行测试,并在具备当前权值的ShuffleNet神经网络模型满足测试条件后,将当前权值作为该目标参数。具体来说,在确定该目标相似度大于或等于该相似度阈值的情况下,保持当前权值不变,将预设数量,例如,500个,图像样本组输入具备当前权值的ShuffleNet神经网络模型进行测试,并计算输出的每个图像样本组对应的两个图像特征之间的相似度。若500对图像特征的相似度均大于或等于该相似度阈值,则确定当前参数为该目标参数;一旦500对图像特征中存在相似度小于该相似度阈值的情况,则重新执行上述步骤1061至步骤1064,直至ShuffleNet神经网络模型满足上述的测试条件,进而继续执行下列步骤1065。
在步骤1065中,获取该目标神经网络模型当前的目标参数。
在步骤1066中,将具备该目标参数的该目标神经网络模型作为该特征提取模型。
图4是根据图2示出的又一种图像识别模型的训练方法的流程图,如图4所示,该图像数据对应的图像分类包括:正常图像、待审核图像以及低俗图像,在该步骤5之后,该方法还可以包括:
在步骤107中,将目标图像数据输入该目标图像识别模型,获取该目标图像识别模型输出的目标标签。
在步骤108中,根据该目标标签确定该目标图像数据的图像分类。
示例地,在获取到训练后的目标图像识别模型后,可以在实际的互联网信息监控过程中,通过该目标图像识别模型获取到该目标图像数据对应的目标标签。若根据该目标标签对应的概率确定该目标图像数据为正常图像,则开放权限允许该目标图像数据的显示或传输;若根据该目标标签确定该目标图像数据为低俗图像,则禁止该目标图像数据的显示或传输;若根据该目标标签无法确定该目标图像数据是否为低俗图像,则确定该目标图像数据为该待审核图像,使该目标图像数据的显示或传输处于挂起状态,进而将该目标图像数据传输至后台进行人工审核,并在后续过程中根据人工审核的结果确定是都继续该目标图像数据的显示或传输操作。
综上所述,本公开的实施例所提供的技术方案,能够通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,该第一图像数据对应第一标签,该第一标签用于表征第一图像数据对应的图像分类,m大于1;采用提取到的每个该第一图像特征和该第一标签,对预设的分类预测模型进行训练,生成图像识别模型;通过该图像识别模型,获取每个第二图像数据对应的第二标签和该第二标签对应的置信度;根据该置信度,从上述m个第二图像数据中确定n个第三图像数据,n大于1,且,n小于m;采用确定的上述n个第三图像数据中的每个该第三图像数据的第三图像特征和每个该第三图像数据对应的第二标签,对该图像识别模型进行重训练,以生成目标图像识别模型。能够通过附带标签的训练数据对模型进行预训练,再通过预训练后的模型生成重训练所需的其他训练数据的标签,并且,采用适用性和鲁棒性较强的特征提取模型进行训练数据的特征提取,避免了图像变换处理对图像特征的准确性,在保证训练数据的总量和准确性进而保证训练出的模型的准确性的基础上,减少对训练数据进行标注的成本,提高模型训练的效率。
图5是根据一示例性实施例示出的一种图像识别模型的训练装置的框图,如图5所示,该装置500包括:
特征提取模块510,被配置为通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,所述第一图像数据对应第一标签,所述第一标签用于表征第一图像数据对应的图像分类,其中,m大于1;
第一模型训练模块520,被配置为采用提取到的每个所述第一图像特征和所述第一标签,对预设的分类预测模型进行训练,生成图像识别模型;
标签确定模块530,被配置为通过所述图像识别模型,获取每个第二图像数据对应的第二标签和所述第二标签对应的置信度;
图像筛选模块540,被配置为根据所述置信度,从所述m个第二图像数据中确定n个第三图像数据,其中,n大于1,且,n小于m;
第二模型训练模块550,被配置为采用确定的所述n个第三图像数据中的每个所述第三图像数据的第三图像特征和每个所述第三图像数据对应的第二标签,对所述图像识别模型进行重训练,以生成目标图像识别模型。
图6是根据图5示出的另一种图像识别模型的训练装置的框图,如图6所示,该装置500包括:
第三模型训练模块560,被配置为通过多个图像样本组对预设的目标神经网络模型进行训练,生成该特征提取模型;其中,
该图像样本组包括:第四图像数据和第四图像数据对应的转换图像数据,该转换图像数据为对该第四图像数据进行预设的图像转换处理后所得到的图像数据,该图像转换处理包括:翻转处理、平移处理、噪声添加处理和色彩变换处理中的至少一种;
通过该特征提取模型提取到的图像数据的图像特征与通过该特征提取模型提取到的该图像数据对应的转换图像数据的图像特征之间的相似度大于预设的相似度阈值。
可选的,该第三模型训练模块560,被配置为:
将图像样本组输入具备模型参数的所述目标神经网络模型,获取所述第四图像数据的第四图像特征以及所述第四图像数据对应的转换图像数据的转换图像特征,所述图像样本组中的样本为第一图像样本组,所述第一图像样本组为所述多个图像样本组中的任一图像样本组;
获取所述第四图像特征与所述转换图像特征的目标相似度;
在所述目标相似度小于所述相似度阈值的情况下,将所述模型参数的数值由第一参数调整为第二参数;
将图像样本组中的样本更新为第二图像样本组后,重复执行将图像样本组输入具备模型参数的所述目标神经网络模型,直至确定所述目标相似度大于或等于所述相似度阈值,所述第二图像样本组包含的样本与所述第一图像样本组的样本不同或者部分相同;
获取所述目标神经网络模型当前的目标参数;
将具备所述目标参数的所述目标神经网络模型作为所述特征提取模型。
可选的,该图像筛选模块540,被配置为:
根据所述置信度对所述m个第二图像数据进行排序;
将排序后的所述m个第二图像数据中的前n个所述第二图像数据作为所述n个第三图像数据。
图7是根据图6示出的又一种图像识别模型的训练装置的框图,如图7所示,该图像数据对应的图像分类包括:正常图像、待审核图像以及低俗图像,该装置500还包括:
图像识别模块570,被配置为将目标图像数据输入该目标图像识别模型,获取该目标图像识别模型输出的目标标签;
分类确定模块580,被配置为根据该目标标签确定该目标图像数据的图像分类。
综上所述,本公开的实施例所提供的技术方案,能够通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,该第一图像数据对应第一标签,该第一标签用于表征第一图像数据对应的图像分类,m大于1;采用提取到的每个该第一图像特征和该第一标签,对预设的分类预测模型进行训练,生成图像识别模型;通过该图像识别模型,获取每个第二图像数据对应的第二标签和该第二标签对应的置信度;根据该置信度,从上述m个第二图像数据中确定n个第三图像数据,n大于1,且,n小于m;采用确定的上述n个第三图像数据中的每个该第三图像数据的第三图像特征和每个该第三图像数据对应的第二标签,对该图像识别模型进行重训练,以生成目标图像识别模型。能够通过附带标签的训练数据对模型进行预训练,再通过预训练后的模型生成重训练所需的其他训练数据的标签,并且,采用适用性和鲁棒性较强的特征提取模型进行训练数据的特征提取,避免了图像变换处理对图像特征的准确性,在保证训练数据的总量和准确性进而保证训练出的模型的准确性的基础上,减少对训练数据进行标注的成本,提高模型训练的效率。
图8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的装置800的框图。例如,装置800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8,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800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802可以包括一个或多个处理器820来执行指令,以完成上述的图像识别模型的训练方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800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,图像,视频等。存储器804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。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800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808包括一个前置摄像头和/或后置摄像头。当装置800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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816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800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,用于执行上述的图像识别模型的训练方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述的图像识别模型的训练方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的图像识别模型的训练方法的代码部分。
本公开的实施例所提供的用于图像识别模型的训练的装置,能够通过附带标签的训练数据对模型进行预训练,再通过预训练后的模型生成重训练所需的其他训练数据的标签,并且,采用适用性和鲁棒性较强的特征提取模型进行训练数据的特征提取,避免了图像变换处理对图像特征的准确性,在保证训练数据的总量和准确性进而保证训练出的模型的准确性的基础上,减少对训练数据进行标注的成本,提高模型训练的效率。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种图像识别模型的训练方法,其特征在于,所述方法包括:
通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,所述第一图像数据对应第一标签,所述第一标签用于表征第一图像数据对应的图像分类,其中,m大于1;
采用提取到的每个所述第一图像特征和所述第一标签,对预设的分类预测模型进行训练,生成图像识别模型;
通过所述图像识别模型,获取每个第二图像数据对应的第二标签和所述第二标签对应的置信度;
根据所述置信度,从所述m个第二图像数据中确定n个第三图像数据,其中,n大于1,且,n小于m;
采用确定的所述n个第三图像数据中的每个所述第三图像数据的第三图像特征和每个所述第三图像数据对应的第二标签,对所述图像识别模型进行重训练,以生成目标图像识别模型。
2.根据权利要求1所述的方法,其特征在于,在所述通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征之前,所述方法还包括:
通过多个图像样本组对预设的目标神经网络模型进行训练,生成所述特征提取模型;其中,
所述图像样本组包括:第四图像数据和第四图像数据对应的转换图像数据,所述转换图像数据为对所述第四图像数据进行预设的图像转换处理后所得到的图像数据,所述图像转换处理包括:翻转处理、平移处理、噪声添加处理和色彩变换处理中的至少一种;
通过所述特征提取模型提取到的图像数据的图像特征与通过所述特征提取模型提取到的所述图像数据对应的转换图像数据的图像特征之间的相似度大于预设的相似度阈值。
3.根据权利要求2所述的方法,其特征在于,所述通过多个图像样本组对预设的目标神经网络模型进行训练,生成所述特征提取模型,包括:
将图像样本组输入具备模型参数的所述目标神经网络模型,获取所述第四图像数据的第四图像特征以及所述第四图像数据对应的转换图像数据的转换图像特征,所述图像样本组中的样本为第一图像样本组,所述第一图像样本组为所述多个图像样本组中的任一图像样本组;
获取所述第四图像特征与所述转换图像特征的目标相似度;
在所述目标相似度小于所述相似度阈值的情况下,将所述模型参数的数值由第一参数调整为第二参数;
将图像样本组中的样本更新为第二图像样本组后,重复执行将图像样本组输入具备模型参数的所述目标神经网络模型,直至确定所述目标相似度大于或等于所述相似度阈值,所述第二图像样本组包含的样本与所述第一图像样本组的样本不同或者部分相同;
获取所述目标神经网络模型当前的目标参数;
将具备所述目标参数的所述目标神经网络模型作为所述特征提取模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述置信度,从所述m个第二图像数据中确定n个第三图像数据,包括:
根据所述置信度对所述m个第二图像数据进行排序;
将排序后的所述m个第二图像数据中的前n个所述第二图像数据作为所述n个第三图像数据。
5.根据权利要求1所述的方法,其特征在于,所述图像数据对应的图像分类包括:正常图像、待审核图像以及低俗图像,在所述采用确定的所述n个第三图像数据中的每个所述第三图像数据的第三图像特征和每个所述第三图像数据对应的第二标签,对所述图像识别模型进行重训练,以生成目标图像识别模型之后,所述方法还包括:
将目标图像数据输入所述目标图像识别模型,获取所述目标图像识别模型输出的目标标签;
根据所述目标标签确定所述目标图像数据的图像分类。
6.一种图像识别模型的训练装置,其特征在于,所述装置包括:
特征提取模块,被配置为通过预先训练后的特征提取模型,提取多个第一图像数据中每个第一图像数据的第一图像特征和m个第二图像数据中每个第二图像数据的第二图像特征,所述第一图像数据对应第一标签,所述第一标签用于表征第一图像数据对应的图像分类,其中,m大于1;
第一模型训练模块,被配置为采用提取到的每个所述第一图像特征和所述第一标签,对预设的分类预测模型进行训练,生成图像识别模型;
标签确定模块,被配置为通过所述图像识别模型,获取每个第二图像数据对应的第二标签和所述第二标签对应的置信度;
图像筛选模块,被配置为根据所述置信度,从所述m个第二图像数据中确定n个第三图像数据,其中,n大于1,且,n小于m;
第二模型训练模块,被配置为采用确定的所述n个第三图像数据中的每个所述第三图像数据的第三图像特征和每个所述第三图像数据对应的第二标签,对所述图像识别模型进行重训练,以生成目标图像识别模型。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第三模型训练模块,被配置为通过多个图像样本组对预设的目标神经网络模型进行训练,生成所述特征提取模型;其中,
所述图像样本组包括:第四图像数据和第四图像数据对应的转换图像数据,所述转换图像数据为对所述第四图像数据进行预设的图像转换处理后所得到的图像数据,所述图像转换处理包括:翻转处理、平移处理、噪声添加处理和色彩变换处理中的至少一种;
通过所述特征提取模型提取到的图像数据的图像特征与通过所述特征提取模型提取到的所述图像数据对应的转换图像数据的图像特征之间的相似度大于预设的相似度阈值。
8.根据权利要求7所述的装置,其特征在于,所述第三模型训练模块,被配置为:
将图像样本组输入具备模型参数的所述目标神经网络模型,获取所述第四图像数据的第四图像特征以及所述第四图像数据对应的转换图像数据的转换图像特征,所述图像样本组中的样本为第一图像样本组,所述第一图像样本组为所述多个图像样本组中的任一图像样本组;
获取所述第四图像特征与所述转换图像特征的目标相似度;
在所述目标相似度小于所述相似度阈值的情况下,将所述模型参数的数值由第一参数调整为第二参数;
将图像样本组中的样本更新为第二图像样本组后,重复执行将图像样本组输入具备模型参数的所述目标神经网络模型,直至确定所述目标相似度大于或等于所述相似度阈值,所述第二图像样本组包含的样本与所述第一图像样本组的样本不同或者部分相同;
获取所述目标神经网络模型当前的目标参数;
将具备所述目标参数的所述目标神经网络模型作为所述特征提取模型。
9.根据权利要求6所述的装置,其特征在于,所述图像筛选模块,被配置为:
根据所述置信度对所述m个第二图像数据进行排序;
将排序后的所述m个第二图像数据中的前n个所述第二图像数据作为所述n个第三图像数据。
10.根据权利要求6所述的装置,其特征在于,所述图像数据对应的图像分类包括:正常图像、待审核图像以及低俗图像,所述装置还包括:
图像识别模块,被配置为将目标图像数据输入所述目标图像识别模型,获取所述目标图像识别模型输出的目标标签;
分类确定模块,被配置为根据所述目标标签确定所述目标图像数据的图像分类。
11.一种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,该程序指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
12.一种电子设备,其特征在于,包括:权利要求6-10中任一项所述的图像识别模型的训练装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027250.6A CN112036507B (zh) | 2020-09-25 | 2020-09-25 | 图像识别模型的训练方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027250.6A CN112036507B (zh) | 2020-09-25 | 2020-09-25 | 图像识别模型的训练方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036507A true CN112036507A (zh) | 2020-12-04 |
CN112036507B CN112036507B (zh) | 2023-11-14 |
Family
ID=73574416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011027250.6A Active CN112036507B (zh) | 2020-09-25 | 2020-09-25 | 图像识别模型的训练方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036507B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN111523621A (zh) * | 2020-07-03 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111539443A (zh) * | 2020-01-22 | 2020-08-14 | 北京小米松果电子有限公司 | 一种图像识别模型训练方法及装置、存储介质 |
WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
-
2020
- 2020-09-25 CN CN202011027250.6A patent/CN112036507B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
CN111539443A (zh) * | 2020-01-22 | 2020-08-14 | 北京小米松果电子有限公司 | 一种图像识别模型训练方法及装置、存储介质 |
CN111523621A (zh) * | 2020-07-03 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
刘尚争;刘斌;: "生成对抗网络图像类别标签跨模态识别系统设计", 现代电子技术, no. 08 * |
徐有正;黄刚;: "多标签图像的识别分类处理算法", 计算机时代, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN112036507B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871896B (zh) | 数据分类方法、装置、电子设备及存储介质 | |
CN109446994B (zh) | 手势关键点检测方法、装置、电子设备及存储介质 | |
WO2023087741A1 (zh) | 缺陷检测方法及装置、电子设备、存储介质及计算机程序产品 | |
CN111539443B (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
CN109446961B (zh) | 姿势检测方法、装置、设备及存储介质 | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108960283B (zh) | 分类任务增量处理方法及装置、电子设备和存储介质 | |
CN110619350A (zh) | 图像检测方法、装置及存储介质 | |
CN111210844B (zh) | 语音情感识别模型的确定方法、装置、设备及存储介质 | |
CN110889489A (zh) | 神经网络的训练方法、图像识别方法及其装置 | |
CN112150457A (zh) | 视频检测方法、装置及计算机可读存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112200040A (zh) | 遮挡图像检测方法、装置及介质 | |
CN111814538A (zh) | 目标对象的类别识别方法、装置、电子设备及存储介质 | |
CN111753917A (zh) | 数据处理方法、装置及存储介质 | |
CN112884040B (zh) | 训练样本数据的优化方法、系统、存储介质及电子设备 | |
CN107135494B (zh) | 垃圾短信识别方法及装置 | |
CN111047049B (zh) | 基于机器学习模型处理多媒体数据的方法、装置及介质 | |
CN110738267B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN112259122A (zh) | 音频类型识别方法、装置及存储介质 | |
CN111797746A (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
CN111062401A (zh) | 堆叠物体的识别方法及装置、电子设备和存储介质 | |
CN112036507B (zh) | 图像识别模型的训练方法、装置、存储介质和电子设备 | |
CN114358097A (zh) | 基于深度神经网络dnn的入侵检测方法、装置及可读存储介质 | |
CN112149653A (zh) | 信息处理方法、装置、电子设备及存储介质 |
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 |