CN112036509A - 用于训练图像识别模型的方法和装置 - Google Patents
用于训练图像识别模型的方法和装置 Download PDFInfo
- Publication number
- CN112036509A CN112036509A CN202011057689.3A CN202011057689A CN112036509A CN 112036509 A CN112036509 A CN 112036509A CN 202011057689 A CN202011057689 A CN 202011057689A CN 112036509 A CN112036509 A CN 112036509A
- Authority
- CN
- China
- Prior art keywords
- image
- image recognition
- label
- training
- identification
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000006870 function Effects 0.000 claims abstract description 59
- 230000015654 memory Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/21—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了用于训练图像识别模型的方法和装置，涉及人工智能技术领域，具体为深度学习和图像处理技术领域。该方法包括：从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型；基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签；采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。采用本方法可以提高识别图像的准确度。
Description
技术领域
本公开涉及计算机技术领域，具体涉及人工智能技术领域，具体为深度学习和图像处理技术领域，尤其涉及用于训练图像识别模型的方法和装置。
背景技术
图像是一种重要的信息载体，对图像进行细粒度的识别可以获取到更精准的图像信息。现有的图片识别方法在对图片进行粗粒度识别时具有较好的识别效果，然而，在对图片进行细粒度识别时，存在识别不准确的问题。
发明内容
提供了一种用于训练图像识别模型的方法、装置、电子设备以及计算机可读存储介质。
根据第一方面，提供了一种用于训练图像识别模型的方法，该方法包括：从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型；基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签；采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。
根据第二方面，提供了一种用于识别图像的方法，该方法包括：获取待识别图像；获取多个目标图像识别模型，其中，多个目标图像识别模型基于以下步骤确定：采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型；其中，多个预测识别标签基于模型类型不同的、已预先训练过的多个初始图像识别模型对从训练图像集中获取的当前训练图像进行识别得到；实际识别标签基于多个预测识别标签得到；利用多个目标图像识别模型确定待识别图像的标签。
根据第三方面，提供了一种用于训练图像识别模型的装置，该装置包括：第一获取单元，被配置为从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型；第一确定单元，被配置为基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签；反馈单元，被配置为采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；训练单元，被配置为采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。
根据第四方面，提供了一种用于识别图像的装置，该装置包括：第二获取单元，被配置为获取待识别图像；第三获取单元，被配置为获取多个目标图像识别模型，其中，多个目标图像识别模型基于以下步骤确定：采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型；其中，多个预测识别标签基于模型类型不同的、已预先训练过的多个初始图像识别模型对从训练图像集中获取的当前训练图像进行识别得到；实际识别标签基于多个预测识别标签得到；第二确定单元，被配置为利用多个目标图像识别模型确定待识别图像的标签。
根据第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器：存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的用于训练图像识别模型的方法、或者实现如第二方面提供的用于识别图像的方法。
根据第六方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的用于训练图像识别模型的方法、或者实现如第二方面提供的用于识别图像的方法。
本公开提供的用于训练图像识别模型的方法、装置，通过从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型，并基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签，采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数，采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。可以提高多个目标图像识别模型识别图像细粒度信息的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请的实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于训练图像识别模型的方法的一个实施例的流程图；
图3是根据本申请的用于识别图像的方法的一个实施例的流程图；
图4是根据本申请的用于训练图像识别模型的装置的一个实施例的结构示意图；
图5是根据本申请的用于识别图像的装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的用于训练图像识别模型的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本申请的用于训练图像识别模型的方法或用于训练图像识别模型的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如图像识别应用、图像分类应用、搜索类应用、购物类应用、金融类应用等。
终端设备101、102、103可以是具有显示屏并且支持接收服务器消息的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以通过终端设备101、102、103获取训练图像集合以及模型类型不同的、已预先训练过的过个初始图像识别模型，然后基于采用多个初始图像识别模型分别对训练图像集合中的训练图像进行训练得到的各个预测识别标签，确定训练图像的实际识别标签，并根据各个预测识别标签以及实际识别标签构建各个预测识别标签对应的初始图像识别模型的损失函数，然后利用各个损失函数分别训练与损失函数对应的初始图像识别模型，并获得训练完成的多个目标图像识别模型。
服务器105可以通过终端设备101、102、103获取待识别图像，以及多个训练完成的多个目标图像识别模型，利用多个目标图像识别模型确定待识别图像的标签，并将确定出的待识别图像的标签发送至终端设备101、102、103。
需要说明的是，本公开的实施例所提供的用于训练图像识别模型的方法一般由服务器105执行，相应地，用于训练图像识别模型的装置一般设置于服务器105中。本公开的实施例所提供的用于识别图像的方法一般由服务器105执行，相应地，用于识别图像的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于训练图像识别模型的方法的一个实施例的流程200。用于训练图像识别模型的方法，包括以下步骤：
步骤201，从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型。
在本实施例中，用于训练图像识别模型的方法的执行主体(例如图1所示的服务器)可以利用有线或者无线的方式通过互联网、本地存储以及其他可以获取训练数据的途径获取图像集，训练图像集中的训练图像可以是分类任务、样本标注任务或回归任务等任务的训练数据。
在本实施例中，用于训练图像识别模型的方法的执行主体可以利用有线或者无线的方式通过互联网、本地存储或者终端设备获取模型类型不同的、已经预先训练过的多个初始图像识别模型。其中，模型类型不同的初始图像识别模型可以是特征提取层/连接层/池化层等网络功能层为不同类型的图像识别模型；可以是网络结构不同的图像识别模型；可以是特征提取方式或者特征计算方式等为不同类型的图像识别模型；可以是基于不同特征进行图像识别的图像识别模型；可以是基于不同识别侧重点训练的图像识别模型等。
步骤202，基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签。
在本实施例中，可以利用多个初始图像识别模型逐一/分别对当前训练图像进行识别，并得到多个初始图像识别模型识别出的、当前训练图像的的多个预测识别标签。之后，根据这多个预测识别标签确定当前训练图像的实际识别标签。具体地，可以根据预测识别标签的数量确定当前训练图像的实际识别标签，例如，共有10个初始图像识别模型，其中4个初始图像识别模型对当前训练图像的预测识别标签为“标签A”、其中3个初始图像识别模型对当前训练图像的预测识别标签为“标签B”、剩余的3个初始图像识别模型对当前训练图像的预测识别标签为“标签C”，则可以根据大多数初始图像识别模型的预测结果确定当前训练图像的实际识别标签为“标签A”；也可以根据预测识别标签的置信度确定当前训练图像的实际识别标签，例如，共有两个初始图像识别模型，第一个初始图像识别模型识别当前训练图像为“标签D”的置信度为50％、当前训练图像为“标签E”的置信度为20％、当前训练图像为“标签F”的置信度为30％，第二个初始图像识别模型识别当前训练图像为“标签D”置信度为40％、当前训练图像为“标签E”的置信度为30％、当前训练图像为“标签F”的置信度为30％，则可以根据各个初始图像识别模型对当前训练图像识别的各个预测识别标签的置信度确定当前训练图像的实际识别标签为“标签D”；在根据多个初始图像识别模型对当前训练图像进行识别得到的预测识别标签，确定实际识别标签时，还可以将初始图像识别模型的权重作为确定实际识别标签时的考量，例如，多个初始图像识别模型中包括卷积神经网络模型以及循环神经网络模型，可以将卷积神经网络模型的识别权重设定为0.8、将循环神经网络模型的识别权重设定为0.2，可以理解，此时当前训练图像的实际识别标签的确定主要参考卷积神经网络模型识别出的预测识别标签。
可选地，可以将当前训练图像、以及基于多个预测识别标签得到的当前训练图像的实际识别标签，作为预先训练图像识别模型以得到预先训练过的初始图像识别模型的训练数据。本实施例将训练多个初始图像识别模型以得到多个目标图像识别模型过程中得到的训练图像的实际识别标签，加入到得到初始图像识别模型的预先训练过程中所用的预先训练数据集，可以扩大预先训练数据集的数据量，可以解决对图片细粒度识别的样本数据少，以及对图片细粒度识别模型的训练数据少的问题。
步骤203，采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数。
在本实施例中，针对多个初始图像识别模型中的每一个初始图像识别模型，将该初始图像识别模型识别出的预测识别标签与实际识别标签进行比较，并根据比较结果构建该初始图像识别模型的损失函数，其中，损失函数用于训练该初始图像识别模型，使该初始图像识别模型的识别结果逐渐拟合实际识别标签。
步骤204，采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。
在本实施例中，针对每一个初始图像识别模型，根据构建的该初始图像识别模型的损失函数，训练该初始图像识别模型，以得到训练完成的目标图像识别模型。对多个初始图像识别模型分别进行训练后可以得到多个目标图像识别模型。
可选地，可以根据初始图像识别模型识别出的预测识别标签与实际识别标签的比较结果，选取识别准确率较高的预设数目个初始图像识别模型，并对这预设数目个初始图像模型进行训练，以得到预设数目个目标图像识别模型。
本公开提供的用于训练图像识别模型的方法，通过从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型，并基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签，采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数，采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。可以提高多个目标图像识别模型识别图像细粒度信息的准确性。
可选地，基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签，包括：采用多个初始图像识别模型对当前训练图像进行识别，得到多个预测识别标签；根据多个预测识别标签中的每一个预测识别标签的置信度，确定当前训练图像的实际识别标签。
在本实施例中，可以利用多个初始图像识别模型分别对当前训练图像进行识别，得到当前训练图像的多个预测识别标签，根据多个初始图像识别模型识别出的多个预测识别标签的置信度，确定当前训练图像的实际识别标签。
具体地，多个初始图像识别模型中的每一个初始图像识别模型可以识别出多个预测识别标签，并确定识别各个预测识别标签的置信度；根据每个预测识别标签自多个初始图像识别模型获得的多个置信度，确定该预测识别标签的平均置信度；再根据各个预测识别标签的平均置信度，选取平均置信度最高的预测识别标签作为当前训练图像的实际识别标签。
具体地，多个初始图像识别模型中的每一个初始图像识别模型可以识别出多个预测识别标签，并确定识别各个预设识别标签的置信度；根据置信度选取该初始图像识别模型所确定的一个预测识别标签；根据各个初始图像识别模型选取的多个预测识别标签，将预测识别标签被初始图像识别模型选取的次数最多的预测识别标签作为当前训练图像的实际识别标签。
本实施例中，由于不同类型的初始图像识别模型对图像进行细粒度识别时的侧重点不同，进而导致图像细粒度识别结果不同，根据多个初始图像识别模型对当前训练图像进行识别得到的预测识别标签，确定当前训练图像的实际识别标签，可以均衡/融合多个不同类型的初始图像识别模型对当前训练图像的识别结果，使得最终确定的当前训练图像的实际识别标签更准确。
可选地，用于训练图像识别模型的方法还包括：识别当前训练图像中的目标元素；对当前训练图像中的目标元素执行数据增强，得到当前训练图像的扩展训练图像集；采用扩展训练图像集分别训练多个目标图像识别模型，得到多个优化图像识别模型。
在本实施例中，在利用当前训练图像训练多个初始图像识别模型之前，可以对当前训练图像进行数据增强操作，并利用进行数据增强操作后的当前训练图像训练多个初始图像识别模型。
在本实施例中，可以对当前训练图像进行数据增操作，并利用进行数据增强操作后的当前训练图像训练多个目标图像识别模型，以得到多个优化图像识别模型。具体地，可以利用训练好的基于注意力机制的图像元素识别模型等图像元素识别方法或者定位方法识别出当前训练图像中的目标元素所在的位置，可以理解，采用注意力机制的图像元素识别模型可以定位到图像中目标所在的位置，使得模型清晰的识别出目标；然后针对该位置的图像进行局部增强操作，其中，局部增强操作包括局部图像随机剪裁或者局部图像随机擦除等数据增强操作；之后，利用进行数据增强操作后的当前训练图像训练多个目标图像识别模型，并得到多个优化图像识别模型。
本实施例通过对训练图像进行数据增强操作，可以防止图像识别模型只关注少数局部图像，鼓励图像识别模型从多个局部图像提取更多的有区别的特征，避免产生模型训练中的过拟合问题，从而提升模型的性能以及识别准确性。
进一步参考图3，其示出了用于识别图像的方法的一个实施例的流程300。该用于识别图像的方法的流程300，包括以下步骤：
步骤301，获取待识别图像。
在本实施例中，用于识别图像的方法的执行主体(例如图1所示的服务器)可以利用有线或者无线的方式通过互联网或者终端设备获取待识别/待确认图像标签的待识别图像。
步骤302，获取多个目标图像识别模型，其中，多个目标图像识别模型基于以下步骤确定：采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型；其中，多个预测识别标签基于模型类型不同的、已预先训练过的多个初始图像识别模型对从训练图像集中获取的当前训练图像进行识别得到；实际识别标签基于多个预测识别标签得到。
在本实施例中，可以获取模型类型不同的多个目标图像识别模型，其中，多个目标图像识别模型的训练方法包括：从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型；基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签；采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。
步骤303，利用多个目标图像识别模型确定待识别图像的标签。
在本实施例中，可以利用多个目标图像识别模型对待识别图像进行识别得到的待识别图像的多个预测识别标签，确定最终的待识别图像的标签。具体地，可以根据多个预测识别标签中的每一个预测识别标签被多个目标图像识别模型确定为预测识别标签的次数，确定最终的待识别图像的标签。
本实施例中，根据模型类型不同的多个目标图像识别模型确定待识别图像的标签，可以提高确定待识别图像的标签的准确性。
可选地，利用多个目标图像识别模型确定待识别图像的标签，包括：针对多个目标图像识别模型中的每一个目标图像识别模型，确定该目标图像识别模型确定出的待识别图像的各个标签的置信度；针对待识别图像的各个标签中的每一个标签，根据多个目标图像识别模型确定的该标签的多个置信度，确定该标签的平均置信度；根据各个标签的平均置信度，确定待识别图像的实际识别标签。
在本实施例中，多个目标图像识别模型中的每一个目标图像识别模型可以识别出待识别图像的多个预测识别标签，并确定识别各个预测识别标签的置信度；根据每个预测识别标签自多个目标图像识别模型获得的多个置信度，确定该预测识别标签的平均置信度；再根据各个预测识别标签的平均置信度，选取平均置信度最高的预测识别标签作为最终的待识别图像的标签。
在本实施例中，多个目标图像识别模型中的每一个目标图像识别模型可以识别出待识别图像的多个预测识别标签，并确定识别各个预设识别标签的置信度；根据置信度的排序选取该目标图像识别模型所确定的一个预测识别标签；根据每个目标图像识别模型选取的多个预测识别标签，将预测识别标签被目标图像识别模型选取的次数最多的预测识别标签作为最终的待识别图像的标签。
本实施例中，由于不同类型的目标图像识别模型对图像进行细粒度识别时的侧重点不同，进而导致图像细粒度识别结果不同，根据多个目标图像识别模型对待识别图像进行识别得到的预测识别标签，确定待识别图像的标签，可以均衡/融合多个不同类型的目标图像识别模型对待识别图像的识别结果，使得最终确定的待识别图像的标签更准确。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于训练图像识别模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于训练图像识别模型的装置400包括：第一获取单元401、第一确定单元402、反馈单元403、训练单元404。其中，第一获取单元401，被配置为从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型；第一确定单元402，被配置为基于采用多个初始图像识别模型分别对当前训练图像进行识别得到的多个预测识别标签，确定当前训练图像的实际识别标签；反馈单元403，被配置为采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；训练单元404，被配置为采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。
在一些实施例中，第一确定单元，包括：第一确定模块，被配置为采用多个初始图像识别模型对当前训练图像进行识别，得到多个预测识别标签；第二确定模块，被配置为根据多个预测识别标签中的每一个预测识别标签的置信度，确定当前训练图像的实际识别标签。
在一些实施例中，用于训练图像识别模型的装置还包括：识别模块，被配置为识别当前训练图像中的目标元素；数据增强模块，被配置为对当前训练图像中的目标元素执行数据增强，得到当前训练图像的扩展训练图像集；优化模块，被配置为采用扩展训练图像集分别训练多个目标图像识别模型，得到多个优化图像识别模型。
上述装置400中的各单元与参考图2描述的方法中的步骤相对应。由此上文针对用于训练图像识别模型的方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元，在此不再赘述。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于识别图像的装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于训练图像识别模型的装置500包括：第二获取单元501、第三获取单元502、第二确定单元503。其中，第二获取单元501，被配置为获取待识别图像；第三获取单元502，被配置为获取多个目标图像识别模型，其中，多个目标图像识别模型基于以下步骤确定：采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型；其中，多个预测识别标签基于模型类型不同的、已预先训练过的多个初始图像识别模型对从训练图像集中获取的当前训练图像进行识别得到；实际识别标签基于多个预测识别标签得到；第二确定单元503，被配置为利用多个目标图像识别模型确定待识别图像的标签。
在一些实施例中，第二确定单元，包括：置信度确定模块，被配置为针对多个目标图像识别模型中的每一个目标图像识别模型，确定该目标图像识别模型确定出的待识别图像的各个标签的置信度；均衡模块，被配置为针对待识别图像的各个标签中的每一个标签，根据多个目标图像识别模型确定的该标签的多个置信度，确定该标签的平均置信度；第三确定模块，被配置为根据各个标签的平均置信度，确定待识别图像的实际识别标签。
上述装置500中的各单元与参考图3描述的方法中的步骤相对应。由此上文针对用于训练图像识别模型的方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的用于训练图像识别模型的方法的电子设备600的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，该存储器存储有可由至少一个处理器执行的指令，以使该至少一个处理器执行本申请所提供的用于训练图像识别模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于训练图像识别模型的方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于训练图像识别模型的方法对应的程序指令/模块(例如，附图4所示的第一获取单元401、第一确定单元402、反馈单元403、训练单元404)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于训练图像识别模型的方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于训练图像识别模型的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于训练图像识别模型的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于训练图像识别模型的方法的电子设备还可以包括：输入装置603、输出装置604以及总线605。处理器601、存储器602、输入装置603和输出装置604可以通过总线605或者其他方式连接，图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与用于训练图像识别模型的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种用于训练图像识别模型的方法，包括：
从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型；
基于采用所述多个初始图像识别模型分别对所述当前训练图像进行识别得到的多个预测识别标签，确定所述当前训练图像的实际识别标签；
采用每个预测识别标签和所述实际识别标签，分别构建每个初始图像识别模型的损失函数；
采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。
2.根据权利要求1所述的方法，其中，所述基于采用所述多个初始图像识别模型分别对所述当前训练图像进行识别得到的多个预测识别标签，确定所述当前训练图像的实际识别标签，包括：
采用所述多个初始图像识别模型对所述当前训练图像进行识别，得到多个预测识别标签；
根据所述多个预测识别标签中的每一个预测识别标签的置信度，确定所述当前训练图像的实际识别标签。
3.根据权利要求1-2之一所述的方法，其中，所述方法还包括：
识别所述当前训练图像中的目标元素；
对所述当前训练图像中的所述目标元素执行数据增强，得到当前训练图像的扩展训练图像集；
采用所述扩展训练图像集分别训练所述多个目标图像识别模型，得到多个优化图像识别模型。
4.一种用于识别图像的方法，包括：
获取待识别图像；
获取多个目标图像识别模型，其中，所述多个目标图像识别模型基于以下步骤确定：采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型；其中，多个预测识别标签基于模型类型不同的、已预先训练过的多个初始图像识别模型对从训练图像集中获取的当前训练图像进行识别得到；实际识别标签基于所述多个预测识别标签得到；
利用所述多个目标图像识别模型确定所述待识别图像的标签。
5.根据权利要求4所述的方法，其中，所述利用所述多个目标图像识别模型确定所述待识别图像的标签，包括：
针对所述多个目标图像识别模型中的每一个目标图像识别模型，确定该目标图像识别模型确定出的所述待识别图像的各个标签的置信度；
针对所述待识别图像的所述各个标签中的每一个标签，根据所述多个目标图像识别模型确定的该标签的多个置信度，确定该标签的平均置信度；
根据所述各个标签的平均置信度，确定所述待识别图像的实际识别标签。
6.一种用于训练图像识别模型的装置，包括：
第一获取单元，被配置为从训练图像集中获取当前训练图像，以及获取模型类型不同的、已预先训练过的多个初始图像识别模型；
第一确定单元，被配置为基于采用所述多个初始图像识别模型分别对所述当前训练图像进行识别得到的多个预测识别标签，确定所述当前训练图像的实际识别标签；
反馈单元，被配置为采用每个预测识别标签和所述实际识别标签，分别构建每个初始图像识别模型的损失函数；
训练单元，被配置为采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型。
7.根据权利要求6所述的装置，其中，所述第一确定单元，包括：
第一确定模块，被配置为采用所述多个初始图像识别模型对所述当前训练图像进行识别，得到多个预测识别标签；
第二确定模块，被配置为根据所述多个预测识别标签中的每一个预测识别标签的置信度，确定所述当前训练图像的实际识别标签。
8.根据权利要求6-7之一所述的装置，其中，所述装置还包括：
识别模块，被配置为识别所述当前训练图像中的目标元素；
数据增强模块，被配置为对所述当前训练图像中的所述目标元素执行数据增强，得到当前训练图像的扩展训练图像集；
优化模块，被配置为采用所述扩展训练图像集分别训练所述多个目标图像识别模型，得到多个优化图像识别模型。
9.一种用于识别图像的装置，包括：
第二获取单元，被配置为获取待识别图像；
第三获取单元，被配置为获取多个目标图像识别模型，其中，所述多个目标图像识别模型基于以下步骤确定：采用每个预测识别标签和实际识别标签，分别构建每个初始图像识别模型的损失函数；采用每个初始图像识别模型的损失函数，分别训练损失函数所对应的初始图像识别模型，得到训练完成的多个目标图像识别模型；其中，多个预测识别标签基于模型类型不同的、已预先训练过的多个初始图像识别模型对从训练图像集中获取的当前训练图像进行识别得到；实际识别标签基于所述多个预测识别标签得到；
第二确定单元，被配置为利用所述多个目标图像识别模型确定所述待识别图像的标签。
10.根据权利要求9所述的装置，其中，所述第二确定单元，包括：
置信度确定模块，被配置为针对所述多个目标图像识别模型中的每一个目标图像识别模型，确定该目标图像识别模型确定出的所述待识别图像的各个标签的置信度；
均衡模块，被配置为针对所述待识别图像的所述各个标签中的每一个标签，根据所述多个目标图像识别模型确定的该标签的多个置信度，确定该标签的平均置信度；
第三确定模块，被配置为根据所述各个标签的平均置信度，确定所述待识别图像的实际识别标签。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057689.3A CN112036509A (zh) | 2020-09-30 | 2020-09-30 | 用于训练图像识别模型的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057689.3A CN112036509A (zh) | 2020-09-30 | 2020-09-30 | 用于训练图像识别模型的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112036509A true CN112036509A (zh) | 2020-12-04 |
Family
ID=73572583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011057689.3A Pending CN112036509A (zh) | 2020-09-30 | 2020-09-30 | 用于训练图像识别模型的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036509A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580666A (zh) * | 2020-12-18 | 2021-03-30 | 北京百度网讯科技有限公司 | 图像特征的提取方法、训练方法、装置、电子设备及介质 |
| CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
| CN112686316A (zh) * | 2020-12-30 | 2021-04-20 | 上海掌门科技有限公司 | 一种用于确定标签的方法与设备 |
| CN112784751A (zh) * | 2021-01-22 | 2021-05-11 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备以及介质 |
| CN113049084A (zh) * | 2021-03-16 | 2021-06-29 | 电子科技大学 | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 |
| CN113344097A (zh) * | 2021-06-21 | 2021-09-03 | 特赞（上海）信息科技有限公司 | 基于多模型的图像处理方法和装置 |
| CN113344890A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 医学图像识别方法、识别模型训练方法及装置 |
| CN113361621A (zh) * | 2021-06-18 | 2021-09-07 | 北京百度网讯科技有限公司 | 用于训练模型的方法和装置 |
| CN113408662A (zh) * | 2021-07-19 | 2021-09-17 | 北京百度网讯科技有限公司 | 图像识别、图像识别模型的训练方法和装置 |
| CN113505820A (zh) * | 2021-06-23 | 2021-10-15 | 北京阅视智能技术有限责任公司 | 图像识别模型训练方法、装置、设备及介质 |
| CN113570007A (zh) * | 2021-09-27 | 2021-10-29 | 深圳市信润富联数字科技有限公司 | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 |
| CN113792795A (zh) * | 2021-09-15 | 2021-12-14 | 南方电网数字电网研究院有限公司 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
| CN113947571A (zh) * | 2021-09-30 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆损伤检测模型的训练方法及车辆损伤识别方法 |
| WO2023241102A1 (zh) * | 2022-06-15 | 2023-12-21 | 卡奥斯工业智能研究院(青岛)有限公司 | 一种标签识别方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359793A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种针对新场景的预测模型训练方法及装置 |
| CN109886343A (zh) * | 2019-02-26 | 2019-06-14 | 深圳市商汤科技有限公司 | 图像分类方法及装置、设备、存储介质 |
| CN111651988A (zh) * | 2020-06-03 | 2020-09-11 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
-
2020
- 2020-09-30 CN CN202011057689.3A patent/CN112036509A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359793A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种针对新场景的预测模型训练方法及装置 |
| CN109886343A (zh) * | 2019-02-26 | 2019-06-14 | 深圳市商汤科技有限公司 | 图像分类方法及装置、设备、存储介质 |
| CN111651988A (zh) * | 2020-06-03 | 2020-09-11 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580666A (zh) * | 2020-12-18 | 2021-03-30 | 北京百度网讯科技有限公司 | 图像特征的提取方法、训练方法、装置、电子设备及介质 |
| CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
| CN112613569B (zh) * | 2020-12-29 | 2024-04-09 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
| CN112686316A (zh) * | 2020-12-30 | 2021-04-20 | 上海掌门科技有限公司 | 一种用于确定标签的方法与设备 |
| CN112784751A (zh) * | 2021-01-22 | 2021-05-11 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备以及介质 |
| CN113049084B (zh) * | 2021-03-16 | 2022-05-06 | 电子科技大学 | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 |
| CN113049084A (zh) * | 2021-03-16 | 2021-06-29 | 电子科技大学 | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 |
| CN113344890A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 医学图像识别方法、识别模型训练方法及装置 |
| CN113361621A (zh) * | 2021-06-18 | 2021-09-07 | 北京百度网讯科技有限公司 | 用于训练模型的方法和装置 |
| CN113344890B (zh) * | 2021-06-18 | 2024-04-12 | 北京百度网讯科技有限公司 | 医学图像识别方法、识别模型训练方法及装置 |
| CN113361621B (zh) * | 2021-06-18 | 2023-12-15 | 北京百度网讯科技有限公司 | 用于训练模型的方法和装置 |
| CN113344097A (zh) * | 2021-06-21 | 2021-09-03 | 特赞（上海）信息科技有限公司 | 基于多模型的图像处理方法和装置 |
| CN113344097B (zh) * | 2021-06-21 | 2024-03-19 | 特赞（上海）信息科技有限公司 | 基于多模型的图像处理方法和装置 |
| CN113505820B (zh) * | 2021-06-23 | 2024-02-06 | 北京阅视智能技术有限责任公司 | 图像识别模型训练方法、装置、设备及介质 |
| CN113505820A (zh) * | 2021-06-23 | 2021-10-15 | 北京阅视智能技术有限责任公司 | 图像识别模型训练方法、装置、设备及介质 |
| CN113408662A (zh) * | 2021-07-19 | 2021-09-17 | 北京百度网讯科技有限公司 | 图像识别、图像识别模型的训练方法和装置 |
| CN113792795A (zh) * | 2021-09-15 | 2021-12-14 | 南方电网数字电网研究院有限公司 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
| CN113570007B (zh) * | 2021-09-27 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 |
| CN113570007A (zh) * | 2021-09-27 | 2021-10-29 | 深圳市信润富联数字科技有限公司 | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 |
| CN113947571A (zh) * | 2021-09-30 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆损伤检测模型的训练方法及车辆损伤识别方法 |
| WO2023241102A1 (zh) * | 2022-06-15 | 2023-12-21 | 卡奥斯工业智能研究院(青岛)有限公司 | 一种标签识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
| CN111428008B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN111507104B (zh) | 建立标签标注模型的方法、装置、电子设备和可读存储介质 | |
| CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
| CN111523596A (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
| CN111708922A (zh) | 用于表示异构图节点的模型生成方法及装置 | |
| CN111582185A (zh) | 用于识别图像的方法和装置 | |
| CN111339759A (zh) | 领域要素识别模型训练方法、装置及电子设备 | |
| CN110852379B (zh) | 用于目标物体识别的训练样本生成方法及装置 | |
| CN111079945B (zh) | 端到端模型的训练方法及装置 | |
| CN112434492B (zh) | 文本标注方法、装置及电子设备 | |
| CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
| CN111078825A (zh) | 结构化处理方法、装置、计算机设备及介质 | |
| CN111582477A (zh) | 神经网络模型的训练方法和装置 | |
| CN112560499B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
| CN111241810A (zh) | 标点预测方法及装置 | |
| CN111078878A (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| CN111611990A (zh) | 用于识别图像中表格的方法和装置 | |
| CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| CN112529180A (zh) | 模型蒸馏的方法和装置 | |
| CN114386503A (zh) | 用于训练模型的方法和装置 | |
| CN111127191A (zh) | 风险评估方法及装置 | |
| CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
| CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
| CN111563541A (zh) | 图像检测模型的训练方法和装置 |
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 |