CN113657249A - 训练方法、预测方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本公开提供了一种训练方法、预测方法、装置、电子设备以及存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸识别等场景下。具体实现方案为：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景；在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件。

Description

训练方法、预测方法、装置、电子设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸识别等场景下。具体地，涉及一种训练方法、预测方法、装置、电子设备以及存储介质。

背景技术

随着近几年计算机视觉技术的发展，对象识别作为人工智能兴起后的一个重要方向，近年来的发展已经日趋成熟，被应用于各个领域，给人们的生活带来便利。在实际应用中，可以利用对象识别模型对场景数据进行识别。

发明内容

本公开提供了一种训练方法、预测方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种预设模型的训练方法，包括：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个上述场景样本集对应一个场景；在确定不满足相似度条件的情况下，根据与多个上述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与上述预设模型对应的损失函数中与上述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及基于上述调整后的损失函数，利用上述多个场景样本集训练上述预设模型直至满足上述相似度条件。

根据本公开的另一方面，提供了一种预测方法，包括：获取目标场景图像；将上述目标场景图像输入预设模型，得到对象识别结果；其中，上述预设模型是利用上述的预设模型的训练方法训练的。

根据本公开的另一方面，提供了一种预设模型的训练装置，包括：第一确定模块，用于确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个上述场景样本集对应一个场景；调整模块，用于在确定不满足相似度条件的情况下，根据与多个上述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与上述预设模型对应的损失函数中与上述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及训练模块，用于基于上述调整后的损失函数，利用上述多个场景样本集训练上述预设模型直至满足上述相似度条件。

根据本公开的另一方面，提供了一种预测装置，包括：获取模块，用于获取目标场景图像；获得模块，用于将上述目标场景图像输入预设模型，得到对象识别结果；其中，上述预设模型是利用利用上述的预设模型的训练方法训练的。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如上所述的方法。

根据本公开的另一方面，提供了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，上述计算机指令用于使上述计算机执行如上所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如上所述的方法。

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，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用预设模型的训练方法、预测方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的预设模型的训练方法的流程图；

图3示意性示出了根据本公开实施例的场景样本集包括的样本图像的示意图；

图4A示意性示出了根据本公开实施例的确定目标样本相似度不满足相似度条件的过程的示意图；

图4B示意性示出了根据本公开实施例的与场景A对应的正样本场景阈值和负样本场景阈值的调整过程的示意图；

图4C示意性示出了根据本公开实施例的确定新的预设模型的过程的示意图；

图5示意性示出了根据本公开实施例的预测方法的流程图；

图6示意性示出了根据本公开实施例的预设模型的训练装置的框图；

图7示意性示出了根据本公开实施例的预测装置的框图；以及

图8示意性示出了根据本公开实施例的适于实现预设模型的训练方法或预测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

在利用对象识别模型进行对象识别的情况下，需要设置场景阈值，即，针对场景图像a1，如果利用对象识别模型处理场景图像a1和场景图像b1得到的识别结果大于或等于场景阈值，则可以认为识别结果是识别通过。如果识别结果小于场景阈值，则可以认为识别结果是识别未通过。例如，场景阈值设置为0.8，如果识别结果大于或等于0.8，则识别结果是识别通过，如果识别结果小于0.8，则识别结果是识别未通过。

为了使得对象识别模型能够适用于不同场景，可以利用如下两种方式实现。

在第一方式中，利用多模型。即，针对每个场景，训练用于该场景的对象识别模型。在利用对象识别模型进行预测的情况下，需要先确定场景图像属于哪个场景，再利用与场景对应的对象识别模型进行预测。

在第二方式中，利用单模型。即，单个对象识别模型能够适用于多种场景，且不同场景具有相同的场景阈值。

在实现本公开构思的过程中，发现针对第一方式，需要为每个场景训练一个对象识别模型，而场景的数目较多，因此，实现复杂度较高。此外，由于系统资源有限，难以运行多模型。

针对第二方式，存在数据量不均衡的问题，即，某个或某几个场景的样本图像的数目可能远小于其他场景的样本图像的数目。例如，与场景a对应的样本图像的数目远小于与场景b对应的样本图像的数目，场景a是用于识别年龄较小用户的场景，场景b是用于识别年龄较大用户的场景，这导致模型难以学习到针对数目较少的场景的样本图像的特征。因此，使得基于第二方式训练得到的单模型针对不同场景的识别效果可能不同，但不同场景却具有相同的场景阈值，这就导致如果针对识别效果较差的场景利用场景阈值来进行识别，则会将识别结果应该是识别未通过的确定为识别通过，由此，降低了模型的预测准确性。

为此，发现针对单模型，可以利用设置与每个场景相匹配的场景阈值的方式来解决模型的预测准确性不高的问题。为了实现能够为每个场景设置与其相匹配的场景阈值，提出一种对损失函数进行改进的方案。可以根据与每个场景对应的目标正样本相似度和目标负样本相似度来分别调整与对象识别模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，由此得到调整后的损失函数，基于调整后的损失函数，训练对象识别模型直至满足相似度条件，得到训练完成的对象识别模型。

基于上述内容，本公开实施例提供了一种预设模型的训练方法、预测方法、装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质及计算机程序产品。该预设模型的训练方法包括：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景。在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数。基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件。

图1示意性示出了根据本公开实施例的可以应用预设模型的训练方法、预测方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用预设模型的训练方法、预测方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的预设模型的训练方法、预测方法及装置。

如图1所示，根据该实施例的系统架构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，例如有线和/或无线通信链路等。

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上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的预设模型的训练方法和预测方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的预设模型的训练装置和预测装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的预设模型的训练方法和预测方法一般也可以由服务器105执行。相应地，本公开实施例所提供的预设模型的训练装置和预测装置一般可以设置于服务器105中。本公开实施例所提供的预设模型的训练方法和预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的预设模型的训练装置和预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，服务器105确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景。在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数。基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足所述相似度条件。

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。

图2示意性示出了根据本公开实施例的预设模型的训练方法的流程图。

如图2所示，该方法200包括操作S210～S230。

在操作S210，确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景。

在操作S220，在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数。

在操作S230，基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件。

根据本公开的实施例，场景可以为对对象进行识别的应用场景，例如，在安防远场景和近场景下的对象识别、在监控场景下的对象识别、在生活照场景下的对象识别、在有遮挡物场景下的对象识别、在不同年龄段场景下的对象识别等，场景可以根据实际业务需求进行设定，在此不作限定。

根据本公开的实施例，多个场景样本集可以包括多个不同场景下的样本图像集，每个不同场景的样本图像集之间是相互独立的。

根据本公开的实施例，每个场景样本集可以包括多个样本图像。相似度可以表征任意两个样本图像之间的相似程度。相似度可以根据实际业务需求进行设定，在此不作限定。例如，相似度可以包括余弦相似度、皮尔逊相关系数、欧式距离或Jaccard距离。

根据本公开的实施例，相似度可以包括正样本相似度和负样本相似度，每个场景样本集中可以包括多个正样本相似度和多个负样本相似度。

根据本公开的实施例，正样本相似度可以表征为包含相同身份信息的任意两个样本图像之间的相似程度；负样本相似度可以表征为包含不同身份信息的任意两个样本图像之间的相似程度。

根据本公开的实施例，目标正样本相似度可以表征为场景样本集中对应的多个正样本相似度的平均值；目标负样本相似度可以表征为场景样本集中对应的多个负样本相似度的平均值。

根据本公开的实施例，确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景，可以包括：针对多个场景样本集中的每个场景样本集，利用预设模型处理场景样本集包括的样本图像，得到与样本图像对应的特征向量。根据与样本图像对应的特征向量，确定多个正样本相似度和多个负样本相似度。

根据本公开的实施例，相似度条件可以表征确定任意两个场景的目标样本相似度之间的接近程度是否满足预设程度范围的条件

根据本公开的实施例，每个场景样本集对应的目标正样本和目标负样本具有对应的场景阈值，即，正样本场景阈值和负样本场景阈值。

根据本公开的实施例，预设模型对应的损失函数的参数可以包括正样本场景阈值和负样本场景阈值，预设模型对应的损失函数由每个场景对应的正样本场景阈值和负样本场景阈值构成的函数的组合。

根据本公开的实施例，对损失函数进行调整后，对预设模型再次进行训练，计算多个场景样本集中的每个场景样本集对应的样本相似度，判断不同场景样本集对应的样本相似度是否满足相似度条件。

根据本公开的实施例，通过确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数，基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件，由于每个场景具有与其对应的正样本阈值和负样本阈值，因此，提高了预设模型的预测准确性。

需要说明的是，在本公开的实施例中，对象识别模型样本集可以来自于公开的样本集，或者样本集的获取是经过了对象识别对应的用户的授权。

根据本公开的实施例，基于调整后的损失函数，利用多个场景样本集，训练预设模型的模型参数，直至满足相似度条件可以包括重复执行以下操作，直至满足相似度条件：

基于调整后的损失函数，利用多个场景样本集，调整预设模型的模型参数，得到新的预设模型。基于新的预设模型，确定与多个场景样本集中的每个场景样本集对应的新的目标正样本相似度和新的目标负样本相似度。在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的新的目标正样本相似度和新的目标负样本相似度，分别调整与新的预设模型对应的损失函数中与场景对应的新的正样本场景阈值和与场景对应的新的负样本场景阈值。

根据本公开的实施例，针对多个场景样本集中的每个场景样本集，可以将场景样本集输入调整后的损失函数，得到输出值，根据输出值，调整预设模型的模型参数，得到新的预设模型。

根据本公开的实施例，与预设模型对应的损失函数可以利用如下公式(1)表征。

其中，L_s表征与预设模型对应的损失函数。p_i表征与场景i对应的正样本场景阈值，n_i表征与场景i对应的负样本场景阈值。cos(θ_ij)表征针对场景i，与样本图像j对应的正样本相似度，cos(θ_ik)表征针对场景i，样本图像j与样本图像k之间的负样本相似度。y_i表征与场景i对应的场景样本集C_i中与样本图像j对应的负样本集。s表征超参数。i∈{1，2，......，N-1，N}，N表征场景的数目，N是大于或等于2的整数。

根据本公开的实施例，确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，可以包括如下操作。

针对M轮模型训练中的每轮模型训练，基于与该轮模型训练对应的预设模型，确定与多个场景样本集中的每个场景样本集对应的正样本平均相似度和负样本平均相似度，其中，M是大于或等于2的整数。根据与多个场景样本集中的每个场景样本集对应的M个正样本平均相似度和M个负样本平均相似度，确定与场景样本集对应的正样本平均相似度的平均值和负样本平均相似度的平均值。将与场景样本集对应的正样本平均相似度的平均值确定为与场景样本集对应的目标正样本相似度。将与场景样本集对应的负样本平均相似度的平均值确定为与场景样本集对应的目标负样本相似度。

根据本公开的实施例，基于场景对应的正样本场景阈值和场景下对应的负样本场景阈值不变的情况下，对多个场景样本集中的每个场景样本集进行M轮模型训练。

根据本公开的实施例，针对M轮模型训练中的每轮模型训练，每个场景样本集对应的正样本平均相似度可以表征为每个场景样本集中对应的多个正样本相似度的平均值，每个场景样本集对应的负样本平均相似度可以表征为每个场景样本集中对应的多个负样本相似度的平均值。

根据本公开的实施例，针对M轮模型训练中的每轮模型训练，基于与该轮模型训练对应的预设模型，确定与多个场景样本集中的每个场景样本集对应的正样本平均相似度和负样本平均相似度，可以包括：针对每轮模型训练，利用预设模型处理场景样本集包括的样本图像，得到与样本图像对应的特征向量。根据与样本图像对应的特征向量，确定该场景样本集对应的多个正样本相似度和多个负样本相似度，再对该场景样本集对应的多个正样本相似度和多个负样本相似度分别求平均值，得到该场景样本集对应的正样本平均相似度和负样本平均相似度。

根据本公开的实施例，场景样本集经过M轮模型训练，可以得到该场景样本集对应的M个正样本平均相似度和M个负样本平均相似度。对该M个正样本平均相似度计算其平均值，将该平均值确定为该场景样本集对应的目标正样本相似度，对该M个负样本平均相似度计算其平均值，将该平均值确定为该场景样本集对应的目标负样本相似度。

根据本公开的实施例，确定每个场景样本集对应的目标正样品相似度和目标负样本相似度，还可以包括如下操作：对场景样本集进行M轮模型训练时，得出每一轮模型训练时该场景样本集中对应的多个正样本相似度和多个负样本相似度，再将该场景样本集进行该M轮模型训练后的多个正样本相似度和多个负样本相似度分别计算其平均值，确定该场景样本集对应的目标正样本相似度和目标负样本相似度。

根据本公开的实施例，例如，多个场景样本集可以包含有3个场景样本集，每个场景样本集中有多个样本图像。在每个场景样本集对应的正样本场景阈值和负样本场景阈值都不变的情况下，对该3个场景样本集中的每个场景样本集进行M轮模型训练，例如，对第1个场景样本集进行3轮模型训练，对第2个场景样本集进行4轮模型训练，对第3个场景样本进行3轮模型训练。在此，对第1个场景样本集进行3轮模型训练确定该场景样本集对应的目标正样本相似度和目标负样本相似度做详细说明。

根据本公开的实施例，针对第1个场景样本集的3轮模型训练中的第1轮模型训练，利用预设模型处理第1个场景样本集包括的多个样本图像，得到第1个场景样本集对应的多个正样本相似度和多个负样本相似度。将该多个正样本相似度计算其平均值，得到第1个场景样本集在第1轮模型训练中对应的正样本平均相似度；将该多个负样本相似度计算其平均值，得到第1个场景样本集在第1轮模型训练中对应的负样本平均相似度。基于预设模型，调整模型参数，针对第1个场景样本集的第2轮模型训练，执行如第1轮模型训练操作，得到第1个场景样本集在第1轮模型训练中对应的正样本平均相似度和负样本平均相似度；基于预设模型，再次调整模型参数，针对第1个场景样本集的第3轮模型训练，执行如第1轮模型训练操作，得到第1个场景样本集在第3轮模型训练中对应的正样本平均相似度和负样本平均相似度。针对第1个场景样本集的3轮模型训练，可以得到第1场景样本集对应的3个正样本平均相似度和3个负样本平均相似度。将该3个正样本平均相似度计算其平均值，确定该平均值为第1场景样本集目标正样本相似度，将该3个负样本平均相似度计算其平均值，确定该平均值为第1场景样本集目标负样本相似度。

根据本公开的实施例，确定第1个场景样本集对应的目标正样本相似度和目标负样本相似度，还可以包括：对第1个场景样本集进行M轮模型训练，基于与每一轮模型训练对应的预设模型，确定在每一轮模型训练中第1个场景样本集对应的多个正样本相似度和多个负样本相似度，再将该3轮模型训练中第1个场景样本集对应的全部的正样本相似度和全部的负样本相似度分别计算平均值，得到第1个场景样本集对应的目标正样本相似度和目标负样本相似度。

根据本公开的实施例，针对第2个场景样本集进行4轮模型训练，对第3个场景样本集进行3轮模型训练，确定第2个场景样本集和第3个场景样本集对应的目标正样本相似度和目标负样本相似度与第1个场景样本集相同，在此不再赘述。

根据本公开的实施例，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，可以包括如下操作。

根据多个目标正样本相似度，确定全局正样本相似度。根据多个目标负样本相似度，确定全局负样本相似度。针对多个场景中的每个场景，根据全局正样本相似度和与场景对应的目标正样本相似度，调整与预设模型对应的损失函数中与场景对应的正样本场景阈值。根据全局负样本相似度和与场景对应的目标负样本相似度，调整与预设模型对应的损失函数中与场景对应的负样本场景阈值。

根据本公开的实施例，场景样本集对应一个目标正样本相似度和一个目标负样本相似度，多个场景样本集对应多个目标正样本相似度和多个目标负样本相似度。

根据本公开的实施例，全局正样本相似度可以表征为多个场景样本集对应的多个目标正样本相似度的平均值。全局负样本相似度可以表征为多个场景样本集对应的多个目标负样本相似度的平均值。

根据本公开的实施例，例如，多个场景样本集可以为3个场景样本集，根据前述确定每个场景样本集对应的目标正样本相似度和目标负样本相似度的方法，可以得出该3个场景样本集对应3个目标正样本相似度和3个目标负样本相似度。该3个场景样本集对应的全局正样本相似度可以为该3个场景样本集对应的3个目标正样本相似度的平均值；该3个场景样本集对应的全局负样本相似度可以为该3个场景样本集对应的3个目标负样本相似度的平均值。

根据本公开的实施例，针对多个场景样本集中的每个场景样本集都具有与该场景样本集对应的正样本场景阈值和负样本场景阈值。通过调整该场景样本集对应的正样本场景阈值和负样本场景阈值，进而调整该场景样本集基于的预设模型对应的损失函数。

根据本公开的实施例，根据全局正样本相似度与每个场景样本集对应的目标正样本相似度之间的比较关系，相应调整该场景样本集对应的正样本场景阈值。

根据本公开的实施例，根据全局负样本相似度与每个场景样本集对应的目标负样本相似度之间的比较关系，相应调整该场景样本集对应的负样本场景阈值。

根据本公开的实施例，根据全局正样本相似度和与场景对应的目标正样本相似度，调整与预设模型对应的损失函数中与场景对应的正样本场景阈值，可以包括如下操作。

在确定全局正样本相似度大于与场景对应的目标正样本相似度的情况下，增大与预设模型对应的损失函数中与场景对应的正样本场景阈值。在确定全局正样本相似度小于与场景对应的目标正样本相似度的情况下，减小与预设模型对应的损失函数中与场景对应的正样本场景阈值。

根据本公开的实施例，根据全局负样本相似度和与场景对应的目标负样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值，可以包括如下操作。

在确定全局负样本相似度大于与场景对应的目标负样本相似度的情况下，减小与预设模型对应的损失函数中与场景对应的负样本场景阈值。在确定全局负样本相似度小于与场景对应的目标负样本相似度的情况下，增大与预设模型对应的损失函数中与场景对应的负样本场景阈值。

根据本公开的实施例，该预设模型的训练方法还可以包括如下操作。

确定多个场景样本集中的每两个场景样本集之间的目标正样本相似度的第一差值的绝对值。确定多个场景样本集中的每两个场景样本集之间的目标负样本相似度的第二差值的绝对值。在确定存在第一差值的绝对值不属于第一差值范围且第二差值的绝对值不属于第二差值范围的情况下，确定不满足相似度条件。

根据本公开的实施例，根据多场景样本集中的每个场景样本集对应的目标正样本相似度，将任意两个场景样本集对应的目标正样本相似度作差计算，得到任意两个场景样本集对应的目标正样本相似度的第一差值的绝对值。

根据本公开的实施例，根据多场景样本集中的每个场景样本集对应的目标负样本相似度，将任意两个场景样本集对应的目标负样本相似度作差计算，得到任意两个场景样本集对应的目标负样本相似度的第二差值的绝对值。

根据本公开的实施例，在确定存在两个场景样本集对应的目标正样本相似度的第一差值的绝对值不属于第一差值范围，且两个场景样本集对应的目标负样本相似度的第二差值的绝对值不属于第二差值范围的情况下，确定该多场景样本集基于相应预设模型不满足相似度的条件，调整模型参数，执行前述训练方法继续进行预设模型的训练，直至该多场景样本集基于相应预设模型满足相似度的条件。第一差值范围和第二差值范围的数值可以根据实际业务需求进行配置，在此不作限定。

根据本公开的实施例，该预设模型的训练方法还可以包括如下操作。

针对多个场景样本集中的每个场景样本集，确定与场景样本集对应的目标正样本相似度与全局正样本相似度之间的第三差值的绝对值。确定与场景样本集对应的目标负样本相似度与全局负样本相似度之间的第四差值的绝对值。在确定存在第三差值的绝对值不属于第三差值范围且第四差值的绝对值不属于第四差值范围的情况下，确定不满足相似度条件。

根据本公开的实施例，第三差值范围和第四差值范围的数值可以根据实际业务需求进行配置，在此不作限定。

根据本公开的实施例，针对多场景样本集中的每个场景样本集，确定与场景样本集对应的目标正样本相似度和全局正样本相似度之间的第三差值的绝对值，确定与场景样本集对应的目标负样本相似度和全局负样本相似度之间的第四差值的绝对值，在确定存在第三差值的绝对值不属于第三差值范围，且第四差值的绝对值不属于第四差值范围的情况下，确定该多场景样本集基于相应预设模型不满足相似度的条件，调整模型参数，执行前述训练方法继续进行预设模型的训练，直至该多场景样本集基于相应预设模型满足相似度的条件。

下面参考图3、图4A、图4B和图4C，结合具体实施例对图2所示的方法做进一步说明。

图3示意性示出了根据本公开实施例的场景样本集包括的样本图像的示意图。

如图3所示，场景样本集300中包括样本图像301、样本图像302和样本图像303，样本图像301和样本图像302之间具有相同的身份信息，样本图像301和样本图像303之间具有不同的身份信息。

通过对样本图像301和样本图像302处理计算，确定样本图像301和样本图像302之间的相似度，该样本图像301和样本图像302之间的相似度为正样本相似度。

通过对样本图像301和样本图像303处理计算，确定样本图像301和样本图像303之间的相似度，该样本图像301和样本图像303之间的相似度为负样本相似度。

图4A示意性示出了根据本公开实施例的确定目标样本相似度不满足相似度条件的过程的示意图。

如图4A所示，在该过程400中，将与场景A对应的场景样本集401和与场景B对应的场景样本集402输入预设模型403中，根据预设模型403的输出结果确定与场景A对应的多个正样本相似度404和多个负样本相似度405，确定与场景B对应的多个正样本相似度406和多个负样本相似度407。

计算与场景A对应的多个正样本相似度404的平均值，得到与场景A对应的目标正样本相似度408。计算与场景A对应的多个负样本相似度405的平均值，得到与场景A对应的目标负样本相似度409。

计算与场景B对应的多个正样本相似度的平均值，得到与场景B对应的目标正样本相似度410。计算与场景B对应的多个负样本相似度407的平均值，得到与场景B对应的目标负样本相似度411。

计算目标正样本相似度408和目标正样本相似度410的差值的绝对值，得到第一差值的绝对值412。计算目标负样本相似度409和目标负样本相似度411的差值的绝对值，得到第二差值的绝对值414。

将第一差值的绝对值412与第一差值范围413进行比较，在确定第一差值的绝对值412不属于第一差值范围413的情况416下，并且将第二差值的绝对值414与第二差值范围415进行比较，在确定第二差值的绝对值414不属于第二差值范围415的情况417下，由此，确定目标样本相似度不满足相似度条件418。

计算目标正样本相似度408和目标正样本相似度410的平均值，得到全局正样本相似度419。计算目标负样本相似度409和目标负样本相似度411的平均值，得到全局负样本相似度420。

图4B示意性示出了根据本公开实施例的与场景A对应的正样本场景阈值和负样本场景阈值的调整过程的示意图。

根据上述图4A分别得到与场景A对应的目标正样本相似度408和目标负样本相似度409，与场景B对应的目标正样本相似度410和目标负样本相似度411，以及，全局正样本相似度419和全局负样本相似度420。

如图4B所示，在该调整过程400’中，将目标正样本相似度408和全局正样本相似度419进行比较，在确定目标正样本相似度408大于全局正样本相似度419的情况下，减小与场景A对应的正样本场景阈值421，得到调整后的与场景A对应的正样本场景阈值422。在确定目标正样本相似度408小于全局正样本相似度419的情况下，增大与场景A对应的正样本场景阈值423，得到调整后的与场景A对应的正样本场景阈值424。

将目标负样本相似度409和全局负样本相似度420进行比较，在确定目标负样本相似度409小于全局负样本相似度420的情况下，减小与场景A对应的负样本场景阈值425，得到调整后的与场景A对应的负样本场景阈值426。在确定目标负样本相似度409大于全局负样本相似度420的情况下，增大与场景A对应的负样本场景阈值427，得到调整后的与场景A对应的负样本场景阈值428。

图4C示意性示出了根据本公开实施例的确定新的预设模型的过程的示意图。

与场景B对应的正样本场景阈值和负样本场景阈值的调整过程与图4B中描述的与场景A对应的正样本场景阈值和负样本场景阈值的调整过程相同，可以得到调整后的与场景B对应的正样本场景阈值429和负样本场景阈值430。

如图4C所示，在该过程400”中，根据调整后的与场景A对应的正样本场景阈值422或424、调整后的与场景A对应的负样本场景阈值426或428、调整后的与场景B对应的正样本场景阈值429和调整后的与场景B对应的负样本场景阈值430，得到调整后的损失函数431，根据调整后的损失函数431，调整预设模型的模型参数432，得出新的预设模型433。

图5示意性示出了根据本公开实施例的预测方法的流程图。

如图5所示，该预测方法包括操作S510～S520。

在操作S510，获取目标场景图像。

在操作S520，将目标场景图像输入预设模型，得到对象识别结果，其中，预设模型是利用根据本公开实施例所述的预设模型的训练方法训练的。

根据本公开的实施例，通过将目标场景图像输入预设模型，得到对象识别结果，预设模型是通过确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，在确定不满足相似度条件的情况下，根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数，基于所述调整后的损失函数，利用所述多个场景样本集训练所述预设模型直至满足所述相似度条件的训练得到的。由于每个场景具有与其对应的正样本阈值和负样本阈值，因此，提高了预设模型的预测准确性。

需要说明的是，本实施例中的对象识别并不是针对某一特定用户的人脸模型，并不能反映出某一特定用户的个人信息。

图6示意性示出了根据本公开实施例的预设模型的训练装置的框图。

如图6所示，预设模型的训练装置600可以包括：第一确定模块610、调整模块620、训练模块630。

第一确定模块610，用于确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景。

调整模块620，用于在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数。

训练模块630，用于基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件。

根据本公开的实施例，训练模块630用于重复执行以下操作，直至满足相似度条件：

基于调整后的损失函数，利用多个场景样本集，调整预设模型的模型参数，得到新的预设模型。基于新的预设模型，确定与多个场景样本集中的每个场景样本集对应的新的目标正样本相似度和新的目标负样本相似度。在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的新的目标正样本相似度和新的目标负样本相似度，分别调整与新的预设模型对应的损失函数中与场景对应的新的正样本场景阈值和与场景对应的新的负样本场景阈值。

根据本公开的实施例，第一确定模块610可以包括第一确定子模块、第二确定子模块、第三确定子模块和第四确定子模块。

第一确定子模块，用于针对M轮模型训练中的每轮模型训练，基于与该轮模型训练对应的预设模型，确定与多个场景样本集中的每个场景样本集对应的正样本平均相似度和负样本平均相似度，其中，M是大于或等于2的整数。

第二确定子模块，用于根据与多个场景样本集中的每个场景样本集对应的M个正样本平均相似度和M个负样本平均相似度，确定与场景样本集对应的正样本平均相似度的平均值和负样本平均相似度的平均值。

第三确定子模块，用于将与场景样本集对应的正样本平均相似度的平均值确定为与场景样本集对应的目标正样本相似度。

第四确定子模块，用于将与场景样本集对应的负样本平均相似度的平均值确定为与场景样本集对应的目标负样本相似度。

根据本公开的实施例，调整模块620可以包括第五确定子模块、第六确定子模块、第一调整子模块和第二调整子模块。

第五确定子模块，用于根据多个目标正样本相似度，确定全局正样本相似度。

第六确定子模块，用于根据多个目标负样本相似度，确定全局负样本相似度。

第一调整子模块，用于针对多个场景中的每个场景，根据全局正样本相似度和与场景对应的目标正样本相似度，调整与预设模型对应的损失函数中与场景对应的正样本场景阈值。

第二调整子模块，用于根据全局负样本相似度和与场景对应的目标负样本相似度，调整与预设模型对应的损失函数中与场景对应的负样本场景阈值。

根据本公开的实施例，第一调整子模块可以包括第一减小单元和第一增大单元。

第一减小单元，用于在确定全局正样本相似度大于与场景对应的目标正样本相似度的情况下，增大与预设模型对应的损失函数中与场景对应的正样本场景阈值。

第一增大单元，用于在确定全局正样本相似度小于与场景对应的目标正样本相似度的情况下，减小与预设模型对应的损失函数中与场景对应的正样本场景阈值。

根据本公开的实施例，第二调整子模块可以包括第二增大单元和第二减小单元。

第二增大单元，用于在确定全局负样本相似度大于与场景对应的目标负样本相似度的情况下，减小与预设模型对应的损失函数中与场景对应的负样本场景阈值。

第二减小单元，用于在确定全局负样本相似度小于与场景对应的目标负样本相似度的情况下，增大与预设模型对应的损失函数中与场景对应的负样本场景阈值。

根据本公开的实施例，预设模型的训练装置500还可以包括第二确定模块、第三确定模块和第四确定模块。

第二确定模块，用于确定多个场景样本集中的每两个场景样本集之间的目标正样本相似度的第一差值的绝对值。

第三确定模块，用于确定多个场景样本集中的每两个场景样本集之间的目标负样本相似度的第二差值的绝对值。

第四确定模块，用于在确定存在第一差值的绝对值不属于第一差值范围且第二差值的绝对值不属于第二差值范围的情况下，确定不满足相似度条件。

根据本公开的实施例，预设模型的训练装置500还可以包括第五确定模块、第六确定模块和第七确定模块。

第五确定模块，用于第五确定模块，用于针对多个场景样本集中的每个场景样本集，确定与场景样本集对应的目标正样本相似度与全局正样本相似度之间的第三差值的绝对值。

第六确定模块，用于确定与场景样本集对应的目标负样本相似度与全局负样本相似度之间的第四差值的绝对值。

第七确定模块，用于在确定存在第三差值的绝对值不属于第三差值范围且第四差值的绝对值不属于第四差值范围的情况下，确定不满足相似度条件。

图6示意性示出了根据本公开实施例的预测装置的框图。

如图7所示，预测装置700可以包括获取模块710和获得模块720。

获取模块710，用于获取目标场景图像。

获得模块720，用于将所述目标场景图像输入预设模型，得到对象识别结果，其中，所述预设模型是利用本公开实施例所述预设模型的训练装置训练的。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，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，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图8示意性示出了根据本公开实施例的适用于预设模型的训练方法或预测方法的电子设备的框图。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/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如预设模型的训练方法或预测方法。例如，在一些实施例中，预设模型的训练方法或预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的预设模型的训练方法或预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行预设模型的训练方法或预测方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种预设模型的训练方法，包括：

确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个所述场景样本集对应一个场景；

在确定不满足相似度条件的情况下，根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及

基于所述调整后的损失函数，利用所述多个场景样本集训练所述预设模型直至满足所述相似度条件。

2.根据权利要求1所述的方法，其中，所述基于所述调整后的损失函数，利用所述多个场景样本集，训练所述预设模型的模型参数，直至满足所述相似度条件包括重复执行以下操作，直至满足所述相似度条件：

基于所述调整后的损失函数，利用所述多个场景样本集，调整所述预设模型的模型参数，得到新的预设模型；

基于所述新的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的新的目标正样本相似度和新的目标负样本相似度；

在确定不满足所述相似度条件的情况下，根据与多个所述场景中的每个场景对应的新的目标正样本相似度和新的目标负样本相似度，分别调整与所述新的预设模型对应的损失函数中与所述场景对应的新的正样本场景阈值和与所述场景对应的新的负样本场景阈值。

3.根据权利要求1或2所述的方法，其中，所述确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，包括：

针对M轮模型训练中的每轮模型训练，基于与该轮模型训练对应的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的正样本平均相似度和负样本平均相似度，其中，M是大于或等于2的整数；

根据与所述多个场景样本集中的每个场景样本集对应的M个所述正样本平均相似度和M个所述负样本平均相似度，确定与所述场景样本集对应的正样本平均相似度的平均值和负样本平均相似度的平均值；

将与所述场景样本集对应的正样本平均相似度的平均值确定为与所述场景样本集对应的目标正样本相似度；以及

将与所述场景样本集对应的负样本平均相似度的平均值确定为与所述场景样本集对应的目标负样本相似度。

4.根据权利要求1～3中任一项所述的方法，其中，所述根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，包括：

根据多个所述目标正样本相似度，确定全局正样本相似度；根据多个所述目标负样本相似度，确定全局负样本相似度；

针对多个所述场景中的每个场景，根据所述全局正样本相似度和与所述场景对应的目标正样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及

根据所述全局负样本相似度和与所述场景对应的目标负样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值。

5.根据权利要求4所述的方法，其中，所述根据所述全局正样本相似度和与所述场景对应的目标正样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值，包括：

在确定所述全局正样本相似度大于与所述场景对应的目标正样本相似度的情况下，增大与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及

在确定所述全局正样本相似度小于与所述场景对应的目标正样本相似度的情况下，减小与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值。

6.根据权利要求4或5所述的方法，其中，所述根据所述全局负样本相似度和与所述场景对应的目标负样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值，包括：

在确定所述全局负样本相似度大于与所述场景对应的目标负样本相似度的情况下，减小与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值；以及

在确定所述全局负样本相似度小于与所述场景对应的目标负样本相似度的情况下，增大与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值。

7.根据权利要求1～6中任一项所述的方法，还包括：

确定所述多个场景样本集中的每两个场景样本集之间的目标正样本相似度的第一差值的绝对值；

确定所述多个场景样本集中的每两个场景样本集之间的目标负样本相似度的第二差值的绝对值；以及

在确定存在所述第一差值的绝对值不属于第一差值范围且第二差值的绝对值不属于第二差值范围的情况下，确定不满足所述相似度条件。

8.根据权利要求4～6中任一项所述的方法，还包括：

针对所述多个场景样本集中的每个场景样本集，确定与所述场景样本集对应的目标正样本相似度与所述全局正样本相似度之间的第三差值的绝对值；

确定与所述场景样本集对应的目标负样本相似度与所述全局负样本相似度之间的第四差值的绝对值；以及

在确定存在所述第三差值的绝对值不属于第三差值范围且第四差值的绝对值不属于第四差值范围的情况下，确定不满足所述相似度条件。

9.一种预测方法，包括：

获取目标场景图像；

将所述目标场景图像输入预设模型，得到对象识别结果；

其中，所述预设模型是利用根据权利要求1～7中任一项所述的方法训练的。

10.一种预设模型的训练装置，包括：

第一确定模块，用于确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个所述场景样本集对应一个场景；

调整模块，用于在确定不满足相似度条件的情况下，根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及

训练模块，用于基于所述调整后的损失函数，利用所述多个场景样本集训练所述预设模型直至满足所述相似度条件。

11.根据权利要求10所述的装置，其中，所述训练模块用于重复执行以下操作，直至满足所述相似度条件：

基于所述调整后的损失函数，利用所述多个场景样本集，调整所述预设模型的模型参数，得到新的预设模型；

基于所述新的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的新的目标正样本相似度和新的目标负样本相似度；

在确定不满足所述相似度条件的情况下，根据与多个所述场景中的每个场景对应的新的目标正样本相似度和新的目标负样本相似度，分别调整与所述新的预设模型对应的损失函数中与所述场景对应的新的正样本场景阈值和与所述场景对应的新的负样本场景阈值。

12.根据权利要求10或11所述的装置，其中，所述第一确定模块包括：

第一确定子模块，用于针对M轮模型训练中的每轮模型训练，基于与该轮模型训练对应的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的正样本平均相似度和负样本平均相似度，其中，M是大于或等于2的整数；

第二确定子模块，用于根据与所述多个场景样本集中的每个场景样本集对应的M个所述正样本平均相似度和M个所述负样本平均相似度，确定与所述场景样本集对应的正样本平均相似度的平均值和负样本平均相似度的平均值；

第三确定子模块，用于将与所述场景样本集对应的正样本平均相似度的平均值确定为与所述场景样本集对应的目标正样本相似度；以及

第四确定子模块，用于将与所述场景样本集对应的负样本平均相似度的平均值确定为与所述场景样本集对应的目标负样本相似度。

13.根据权利要求10～12中任一项所述的装置，其中，所述调整模块包括：

第五确定子模块，用于根据多个所述目标正样本相似度，确定全局正样本相似度；

第六确定子模块，用于根据多个所述目标负样本相似度，确定全局负样本相似度；

第一调整子模块，用于针对多个所述场景中的每个场景，根据所述全局正样本相似度和与所述场景对应的目标正样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及

第二调整子模块，用于根据所述全局负样本相似度和与所述场景对应的目标负样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值。

14.根据权利要求13所述的装置，其中，所述第一调整子模块包括：

第一减小单元，用于在确定所述全局正样本相似度大于与所述场景对应的目标正样本相似度的情况下，减小与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及

第一增大单元，用于在确定所述全局正样本相似度小于与所述场景对应的目标正样本相似度的情况下，增大与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值。

15.根据权利要求13或14所述的装置，其中，所述第二调整子模块包括：

第二增大单元，用于在确定所述全局负样本相似度大于与所述场景对应的目标负样本相似度的情况下，增大与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值；以及

第二减小单元，用于在确定所述全局负样本相似度小于与所述场景对应的目标负样本相似度的情况下，减小与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值。

16.根据权利要求10～15中任一项所述的装置，还包括：

第二确定模块，用于确定所述多个场景样本集中的每两个场景样本集之间的目标正样本相似度的第一差值的绝对值；

第三确定模块，用于确定所述多个场景样本集中的每两个场景样本集之间的目标负样本相似度的第二差值的绝对值；以及

第四确定模块，用于在确定存在所述第一差值的绝对值不属于第一差值范围且第二差值的绝对值不属于第二差值范围的情况下，确定不满足所述相似度条件。

17.一种预测装置，包括：

获取模块，用于获取目标场景图像；

获得模块，用于将所述目标场景图像输入预设模型，得到对象识别结果；

其中，所述预设模型是利用根据权利要求10～16中任一项所述的装置训练的。

18.一种电子设备，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1～8中任一项或权利要求9所述的方法。

19.一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根据权利要求1～8中任一项或权利要求9所述的方法。

20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1～8中任一项或权利要求9所述的方法。

Images