CN113947701A - 训练方法、对象识别方法、装置、电子设备以及存储介质 - Google Patents
训练方法、对象识别方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113947701A CN113947701A CN202111212754.XA CN202111212754A CN113947701A CN 113947701 A CN113947701 A CN 113947701A CN 202111212754 A CN202111212754 A CN 202111212754A CN 113947701 A CN113947701 A CN 113947701A
- Authority
- CN
- China
- Prior art keywords
- similarity
- category
- sample image
- feature
- global
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 title claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 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
- G06F18/22—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
- G06F18/21—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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种对象识别模型的训练方法、对象识别方法、装置、电子设备以及存储介质,涉及计算机视觉和深度学习技术,可应用于人脸图像处理和人脸识别等场景。具体实现方案为:确定与至少一个类别中的每个类别对应的全局类别特征;针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和全局类别特征之间的相似度;从至少一个相似度中确定至少一个目标相似度,每个目标相似度表征每个对象特征与每个目标全局类别特征之间的相似度;基于损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型,归属相似度表征对象特征和归属全局类别特征之间的相似度。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术,可应用于人脸图像处理和人脸识别等场景。具体地,涉及一种训练方法、对象识别方法、装置、电子设备以及存储介质。
背景技术
对象识别是基于对象的面部特征信息进行身份识别的一种生物识别技术,是人工智能领域的较为重要的应用。
随着人工智能技术的发展,对象识别已被广泛应用于多种领域,例如,智慧社区、智能门禁、智能门锁、智能安防和社交娱乐等。
发明内容
本公开提供了一种训练方法、对象识别方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种对象模型的训练方法,包括:确定与至少一个类别中的每个类别对应的全局类别特征;针对样本图像集中的每个样本图像,确定与上述样本图像中的对象对应的对象特征和上述全局类别特征之间的相似度;从至少一个上述相似度中确定至少一个目标相似度,其中,每个上述目标相似度表征上述每个对象特征与每个目标全局类别特征之间的相似度,上述目标全局类别特征表征满足相似度条件的非归属全局类别特征,上述非归属全局类别特征表征不与上述对象特征相匹配的全局类别特征;以及,基于损失函数,利用至少一个归属相似度、上述至少一个目标相似度和与上述样本图像集对应的类别标签集训练预设模型,得到上述对象识别模型,其中,上述归属相似度表征上述对象特征和归属全局类别特征之间的相似度,上述归属全局类别特征表征与上述对象特征相匹配的全局类别特征。
根据本公开的另一方面,提供了一种对象识别方法,包括:将待识别图像输入对象识别模型,得到与上述待识别图像对应的识别结果,其中,上述对象识别模型是利用根据如上所述的方法训练的。
根据本公开的另一方面,提供了一种对象识别模型的训练装置,包括:第一确定模块,用于确定与至少一个类别中的每个类别对应的全局类别特征;第二确定模块,用于针对样本图像集中的每个样本图像,确定与上述样本图像中的对象对应的对象特征和上述全局类别特征之间的相似度;第三确定模块,用于从至少一个上述相似度中确定至少一个目标相似度,其中,每个上述目标相似度表征上述每个对象特征与每个目标全局类别特征之间的相似度,上述目标全局类别特征表征除与归属全局类别特征以外的满足相似度条件的全局类别特征,上述归属全局类别特征表征与上述对象特征相匹配的全局类别特征;以及,第一获得模块,用于基于损失函数,利用至少一个归属相似度、上述至少一个目标相似度和与上述样本图像集对应的类别标签集训练预设模型,得到上述对象识别模型,其中,上述归属相似度表征上述对象特征和上述归属全局类别特征之间的相似度。
根据本公开的另一方面,提供了对象识别装置,包括:第二获得模块,用于将待识别图像输入对象识别模型,得到与上述待识别图像对应的识别结果,其中,上述对象识别模型是利用根据如上所述的装置训练的。
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对象识别模型的训练方法、对象识别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对象识别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对象识别模型的训练过程的示例示意图;
图4示意性示出了根据本公开实施例的对象识别方法的流程图;
图5示意性示出了根据本公开实施例的对象识别模型的训练装置的框图;
图6示意性示出了根据本公开实施例的对象识别装置的框图;以及
图7示意性示出了根据本公开实施例的适于实现对象识别模型的训练方法和对象识别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。
在实际场景中,复杂光线、大角度面部、面部遮挡和图像模糊等中的至少一项的存在,是导致对象识别模型的识别效果难以得到提高的部分因素。因此,在对象识别模型的训练过程中,可以设计恰当的损失函数,约束与引导对象识别模型的模型参数的更新,使得对象识别模型在不同场景下都能生成较为稳健的对象特征。
可以利用基于局部困难负样本训练预设模型,得到对象识别模型。即,确定与当前批的样本图像集对应的至少一个类别,每个类别包括多个样本图像。针对与当前批对应的样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征与当前批中相同类别的其他每个对象特征之间的相似度。确定与样本图像中的对象对应的对象特征与当前批中不同类别的其他每个对象特征之间的最大相似度。基于损失函数,根据与样本图像中的对象对应的对象特征与当前批的相同类别的其他每个对象特征之间的相似度、与样本图像中的对象对应的对象特征与当前批的不同类别的其他每个对象特征之间的最大相似度和与样本图像中的对象对应的类别标签训练预设模型,得到对象识别模型。针对当前批的样本图像集中的每个样本图像,与最大相似度对应的样本图像可以称为局部困难负样本。在上述训练过程中,参与损失函数计算的是局部困难负样本,因此,上述方式在于基于局部困难负样本训练预设模型。
在当前批中确定困难负样本,每个批中的困难负样本的数目可能小于或等于1024个,而在训练过程中,不同批的困难负样本的总数目可能大于或等于10万个。由此,基于上述方式确定的局部困难负样本可能并不是真正困难的负样本,这导致对象识别模型的识别效果不好。
为此,本公开实施例提出了一种基于全局困难负样本中心训练预设模型,得到对象识别模型的方案。例如,确定与至少一个类别中的每个类别对应的全局类别特征。针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和全局类别特征之间的相似度。从至少一个相似度中确定至少一个目标相似度。每个目标相似度表征每个对象特征与每个目标全局类别特征之间的相似度,目标全局类别特征表征满足相似度条件的非归属全局类别特征,非归属全局类别特征表征不与对象特征相匹配的全局类别特征。基于损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型。归属相似度表征对象特征和归属全局类别特征之间的相似度,归属全局类别特征表征与对象特征相匹配的全局类别特征。
每个全局类别特征是针对全局的类别特征而不是针对某个批的类别特征,因此,针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和全局类别特征之间的相似度,再从至少一个相似度中确定至少一个目标相似度,目标相似度表征对象特征与目标全局类别特征之间的相似度,目标全局类别特征表征满足相似度条件的非归属全局类别特征,非归属全局类别特征表征不与对象特征相匹配的全局类别特征,确定的是全局困难负样本中心而不是局部困难负样本。全局困难负样本中心可以指在不区分批的情况下的至少一个全局类别特征中,与目标相似度对应的目标全局类别特征。在此基础上,基于损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型,即,将全局困难负样本中心参与到损失函数的计算,使得正样本中心和负样本中心对梯度更新的贡献均衡,从而提高了模型的识别效果。每个样本图像可以称为一个正样本中心。此外,全局困难负样本是基于全部负样本确定的,因此,考虑了全局信息,提高了模型的识别效果。
图1示意性示出了根据本公开实施例的可以应用对象识别模型的训练方法、对象识别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,可以应用对象识别模型的训练方法、对象识别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对象识别模型的训练方法、对象识别方法及装置。
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各种类型的服务器,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。
服务器105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,解决了传统物理主机与VPS服务(Virtual Private Server,VPS)中,存在的管理难度大,业务扩展性弱的缺陷。服务器105也可以为分布式系统的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的对象识别模型的训练方法和对象识别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对象识别模型的训练装置和对象识别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对象识别模型的训练方法和对象识别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对象识别模型的训练装置和对象识别装置一般可以设置于服务器105中。本公开实施例所提供的对象识别模型的训练方法和对象识别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对象模型的训练装置和对象识别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确定与至少一个类别中的每个类别对应的全局类别特征。针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和全局类别特征之间的相似度。从至少一个相似度中确定至少一个目标相似度。每个目标相似度表征每个对象特征与每个目标全局类别特征之间的相似度,目标全局类别特征表征满足相似度条件的非归属全局类别特征,非归属全局类别特征表征不与对象特征相匹配的全局类别特征。基于损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型。归属相似度表征对象特征和归属全局类别特征之间的相似度。归属全局类别特征表征与对象特征相匹配的全局类别特征。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损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型。
例如,服务器105将待识别图像输入对象识别模型,得到与待识别图像对应的识别结果。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将待识别图像输入对象识别模型,得到与待识别图像对应的识别结果。
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对象识别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~S240。
在操作S210,确定与至少一个类别中的每个类别对应的全局类别特征。
在操作S220,针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和全局类别特征之间的相似度。
在操作S230,从至少一个相似度中确定至少一个目标相似度。每个目标相似度表征每个对象特征与每个目标全局类别特征之间的相似度,目标全局类别特征表征满足相似度条件的非归属全局类别特征,非归属全局类别特征表征不与对象特征相匹配的全局类别特征。
在操作S240,基于损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型。归属相似度可以表征对象特征和归属全局类别特征之间的相似度。归属全局类别特征表征与对象特征相匹配的全局类别特征。
根据本公开的实施例,样本图像集可以包括一个或多个批的样本图像集。样本图像集可以包括多个样本图像。由此,多个样本图像可以是同一批(即batch)或不同批的样本图像集中的样本图像。每个样本图像可以包括对象。对象可以包括面部。至少一个类别可以是指能够根据对象识别模型预测的对象的类别。类别的数目和种类可以根据实际业务需求进行设定,在此不作限定。例如,类别的数目和种类可以根据样本图像集确定。
根据本公开的实施例,全局类别特征可以用于表征每个类别的特征。全局类别特征是针对全部批的样本图像集而言的,并不区分批。每个样本图像具有与样本图像包括的对象对应的对象特征。对象特征和全局类别特征之间的相似度可以表征对象特征和全局类别特征之间的相似程度。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,针对每个样本图像,该样本图像中的对象所属于的类别可以称为归属类别,除归属类别之外的类别可以称为非归属类别,即,非归属类别可以指样本图像中的对象不属于的类别。归属类别的全局类别特征可以称为归属全局类别特征。非归属类别的全局类别特征可以称为非归属全局类别特征。每个样本图像具有样本图像中的对象对应的对象特征,因此,从特征角度,对象特征具有与其相匹配的全局类别特征。与对象特征相匹配的全局类别特征即是归属全局类别特征。非归属全局类别特征可以指不与对象特征相匹配的全局类别特征。
根据本公开的实施例,目标相似度可以表征对象特征与目标全局类别特征之间的相似程度,即,与满足相似度条件的非归属全局类别特征之间的相似程度。相似度条件可以用于作为确定目标相似度的条件。归属相似度可以表征对象特征与归属全局类别特征之间的相似程度。类别标签集可以包括多个类别标签。每个类别标签可以表征真实类别。预设模型可以包括深度学习模型或机器学习模型。
根据本公开的实施例,可以获取样本图像集,根据样本图像集,确定至少一个类别。确定与样本图像集包括的每个样本图像中的对象的对象特征。例如,可以利用预设模型的主干网络提取每个样本图像中的对象的特征,得到与每个样本图像中的对象对应的对象特征。在确定至少一个类别之后,针对至少一个类别中的每个类别,确定与类别对应的全局类别特征。在确定与类别对应的全局类别特征之后,可以针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和至少一个全局类别特征中的每个全局类别特征之间的相似度,即,针对每个对象特征,确定该对象特征与全部全局类别特征中的每个全局类别特征之间的相似度。由此,确定与每个样本图像对应的至少一个相似度。
根据本公开的实施例,在确定与样本图像集中的每个样本图像中的对象对应的至少一个相似度之后,针对样本图像集包括的每个样本图像,可以根据相似度条件,从与样本图像对应的至少一个相似度中确定至少一个目标相似度。相似度条件可以包括如何从至少一个相似度中确定至少一个目标相似度的内容。目标相似度可以指满足相似度条件的相似度。例如,相似度条件可以包括相似度大于或等于相似度阈值。备选地,相似度条件可以包括排序靠前或排序靠后的预设数目的相似度。与样本图像对应的至少一个相似度可以包括与样本图像对应的全部相似度,也可以包括与样本图像对应的全部相似度中除归属相似度以外的其他全部相似度。
根据本公开的实施例,在确定与每个样本图像对应的至少一个目标相似度之后,可以针对与样本图像集中的每个样本图像,可以利用损失函数处理与样本图像对应的归属相似度、至少一个目标相似度和类别标签,得到与每个样本图像对应的输出值。根据与样本图像集中的每个样本图像的输出值调节预设模型的模型参数,直至输出值满足预设条件。将在满足预设条件的情况下得到的预设模型,确定为对象识别模型。
根据本公开的实施例,每个全局类别特征是针对全局的类别特征而不是针对某个批的类别特征,因此,针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和全局类别特征之间的相似度,再从至少一个相似度中确定至少一个目标相似度,目标相似度表征对象特征与目标全局类别特征之间的相似度,目标全局类别特征表征满足相似度条件的非归属全局类别特征,非归属全局类别特征表征不与对象特征相匹配的全局类别特征。由此,确定的是全局困难负样本中心,而不是局部困难负样本。全局困难负样本中心可以指在不区分批的情况下的至少一个全局类别特征中,与目标相似度对应的目标全局类别特征。在此基础上,基于损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型,即,将全局困难负样本中心参与到损失函数的计算,使得正样本中心和负样本中心对梯度更新的贡献均衡,从而提高了模型的识别效果。每个样本图像可以称为一个正样本中心。此外,全局困难负样本是基于全部负样本确定的,因此,考虑了全局信息,提高了模型的识别效果。
根据本公开的实施例,操作S210可以包括如下操作。
确定样本图像集包括的至少一个类别。样本图像集包括多个批的样本图像集。针对至少一个类别中的每个类别,对类别进行特征提取,得到与类别对应的类别特征。
根据本公开的实施例,样本图像集可以包括各个批的样本图像集。可以根据样本图像集,确定样本图像集包括的至少一个类别。针对至少一个类别中的每个类别,可以利用预设模型的分类器提取类别的特征,得到与类别对应的类别特征。
根据本公开的实施例,操作S240可以包括如下操作。
针对每个样本图像,将与样本图像对应的其他相似度设置为预设标识。其他相似度表征对象特征与不满足相似度条件的非归属全局类别特征之间的相似度。根据与样本图像对应的至少一个预设标识、至少一个目标相似度和归属相似度,确定与样本图像对应的预测类别。基于损失函数,利用与样本图像对应的预测类别和类别标签,得到输出值。根据输出值,调整预设模型的模型参数,直至输出值收敛。将输出值收敛的情况下得到的预设模型确定为对象识别模型。
根据本公开的实施例,其他相似度可以表征对象特征与不满足相似度条件的非归属全局类别特征之间的相似度,即,其他相似度可以表征除归属相似度和全部目标相似度以外的其他相似度。针对样本图像集包括的每个样本图像,可以将其他相似度设置为预设标识,即,可以将与样本图像对应的全部相似度中除归属相似度和全部目标相似度以外的其他相似度设置为预设标识,以便除归属相似度和全部目标相似度以外的其他相似度不参与损失函数的计算。预设标识可以根据实际业务需求进行配置,在此不作限定。例如,预设标识可以是“-1”。损失函数可以包括交叉熵损失函数。
根据本公开的实施例,针对样本图像集包括的每个样本图像,可以基于分类函数,根据与样本图像中的对象对应的归属相似度、至少一个预设标识和至少一个目标相似度,得到与样本图像中的对象对应的预测类别。分类函数可以包括Softmax(即归一化指数函数)函数。将与每个样本图像中的对象对应的预测类别和类别标签输入损失函数,得到与每个样本图像中的对象对应的输出值。根据与样本图像集中的每个样本图像中的对象对应的输出值调整预设模型的模型参数,直至输出值收敛。可以利用梯度下降算法处理损失函数,得到梯度向量,根据梯度向量,调整预设模型的模型参数。梯度下降算法可以包括随机梯度下降算法。在根据梯度向量调整预设模型的模型参数的过程中,可以基于梯度向量,利用反向传播法来调整预设模型的模型参数。
例如,样本图像集包括M个样本图像集,M是大于或等于1的整数。与样本图像集对应的类别包括N个,N是大于或等于1的整数。与第i个样本图像中的对象对应的对象特征用fi表征,i∈{1,2,......,M-1,M}。第j个类别的全局类别特征用ci表征,j∈{1,2,......,N-1,N}。针对第i个样本图像,对象特征fi与全局类别特征cj之间的相似度用sij表征。第i个样本图像中的对象所属于的类别是第j=k个类别。与第i个样本图像中的对象对应的归属全局类别特征是ck。与第i个样本图像中的对象对应的目标全局类别特征是cl、cp、cq和cr。与第i个样本图像中的对象对应的归属相似度是sik。与第i个样本图像中的对象对应的目标相似度包括cil、cip、ciq和cir。可以将除归属相似度和目标相似度以外的其他相似度设置为预设标识,预设标识为“-1”。
根据本公开的实施例,操作S230可以包括如下操作。
对至少一个相似度进行排序。根据排序结果,从至少一个相似度中确定至少一个目标相似度。
根据本公开的实施例,针对与样本图像集中的每个样本图像,对与样本图像中的对象对应的至少一个相似度进行排序,得到排序结果。再根据排序结果,从至少一个相似度中确定预设数目的相似度作为目标相似度。排序可以包括按照相似度由小到大的顺序进行排序或按照相似度由大到小的顺序进行排序。
根据本公开的实施例,在按照相似度由小到大的情况下,根据排序结果,从至少一个相似度中确定预设数目的相似度作为目标相似度可以包括:从至少一个相似度中选择排序靠后的预设数目的相似度作为目标相似度。在按照相似度由大到小的情况下,根据排序结果,从至少一个相似度中确定预设数目的相似度作为目标相似度可以包括:从至少一个相似度中选择排序靠前的预设数目的相似度作为目标相似度。预设数目可以根据实际业务需求进行配置,在此不作限定。例如,预设数目可以为10个。
根据本公开的实施例,操作S230可以包括如下操作。
针对至少一个相似度中的每个相似度,在确定相似度大于或等于相似度阈值的情况下,将相似度确定为目标相似度。
根据本公开的实施例,相似度阈值可以用于作为从与样本图像对应的至少一个相似度中确定至少一个目标相似度的依据之一。相似度阈值的数值可以根据实际业务需求进行配置,在此不作限定。例如,相似度阈值可以为0.8。
下面参考图3对根据本公开实施例所述的对象识别模型的训练方法做进一步说明。
图3示意性示出了根据本公开实施例的对象识别模型的训练过程的示例示意图。
如图3所示,在对象识别模型的训练过程300中,可以确定与样本图像集301中的每个样本图像中的对象对应的对象特征,得到对象特征集302。可以确定与样本图像集301对应的至少一个类别303。确定与至少一个类别303中的每个类别对应的全局类别特征,得到全局类别特征集304。
可以针对样本图像集301中的每个样本图像,确定与样本图像中的对象对应的对象特征与全局类别特征集304中的每个全局类别特征之间的相似度。根据与样本图像集301中的每个样本图像中的对象对应的至少一个相似度,得到至少一个相似度305。从至少一个相似度305中确定至少一个目标相似度306。
基于损失函数309,根据样本图像集301对应的至少一个归属相似度307、至少一个目标相似度306和类别标签集308训练预设模型310,得到对象识别模型311。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他对象识别模型的训练方法,只要能够提高对象识别模型的识别效果即可。
图4示意性示出了根据本公开实施例的对象识别方法的流程图。
如图4所示,该方法400包括操作S410。
在操作S410,将待识别图像输入对象识别模型,得到与待识别图像对应的识别结果。
根据本公开的实施例,对象识别模型是利用根据本公开实施例的对象识别模型的训练方法训练的。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图5示意性示出了根据本公开实施例的对象识别模型的训练装置的框图。
如图5所示,对象识别模型的训练装置500包括第一确定模块510、第二确定模块520、第三确定模块530和第一获得模块540。
第一确定模块510,用于确定与至少一个类别中的每个类别对应的全局类别特征。
第二确定模块520,用于针对样本图像集中的每个样本图像,确定与样本图像中的对象对应的对象特征和全局类别特征之间的相似度。
第三确定模块530,用于从至少一个相似度中确定至少一个目标相似度。每个目标相似度表征每个对象特征与每个目标全局类别特征之间的相似度,目标全局类别特征表征满足相似度条件的非归属全局类别特征,非归属全局类别特征表征不与对象特征相匹配的全局类别特征。
第一获得模块540,用于基于损失函数,利用至少一个归属相似度、至少一个目标相似度和与样本图像集对应的类别标签集训练预设模型,得到对象识别模型。归属相似度表征对象特征和归属全局类别特征之间的相似度。归属全局类别特征表征与对象特征相匹配的全局类别特征。
根据本公开的实施例,第一确定模块510可以包括第一确定单元和第一获得单元。
第一确定单元,用于确定样本图像集包括的至少一个类别,其中,样本图像集包括多个批的样本图像集。
第一获得单元,用于针对至少一个类别中的每个类别,对类别进行特征提取,得到与类别对应的类别特征。
根据本公开的实施例,第一获得模块540可以包括设置单元。
设置单元,用于针对每个样本图像,将其他相似度设置为预设标识。其他相似度表征对象特征与不满足相似度条件的非归属全局类别特征之间的相似度。
第二确定单元,用于根据与样本图像对应的至少一个预设标识、至少一个目标相似度和归属相似度,确定与样本图像对应的预测类别。
第二获得单元,用于基于损失函数,利用与样本图像对应的预测类别和类别标签,得到输出值。
调整单元,用于根据输出值,调整预设模型的模型参数,直至输出值收敛。
第三确定单元,用于将输出值收敛的情况下得到的预设模型确定为对象识别模型。
根据本公开的实施例,第三确定模块530可以包括排序单元和第四确定单元。
排序单元,用于对至少一个相似度进行排序。
第四确定单元,用于根据排序结果,从至少一个相似度中确定至少一个目标相似度。
根据本公开的实施例,第三确定模块530可以包括第五确定单元。
第五确定单元,用于针对至少一个相似度中的每个相似度,在确定相似度大于或等于相似度阈值的情况下,将相似度确定为目标相似度。
图6示意性示出了根据本公开实施例的对象识别装置的框图。
如图6所示,对象识别装置600可以包括第二获得模块610。
第二获得模块610,用于将待识别图像输入对象识别模型,得到与待识别图像对应的识别结果。
根据本公开的实施例,对象识别模型是利用根据本公开实施例的对象识别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7示意性示出了根据本公开实施例的适于实现对象识别模型的训练方法和对象识别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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,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700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701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701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701执行上文所描述的各个方法和处理,例如对象识别模型的训练方法或对象识别方法。例如,在一些实施例中,对象识别模型的训练方法或对象识别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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元809而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的对象模型的训练方法或对象识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对象模型的训练方法或对象识别方法。
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)、复杂可编程逻辑设备(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 (15)
1.一种对象识别模型的训练方法,包括:
确定与至少一个类别中的每个类别对应的全局类别特征;
针对样本图像集中的每个样本图像,确定与所述样本图像中的对象对应的对象特征和所述全局类别特征之间的相似度;
从至少一个所述相似度中确定至少一个目标相似度,其中,每个所述目标相似度表征所述每个对象特征与每个目标全局类别特征之间的相似度,所述目标全局类别特征表征满足相似度条件的非归属全局类别特征,所述非归属全局类别特征表征不与所述对象特征相匹配的全局类别特征;以及
基于损失函数,利用至少一个归属相似度、所述至少一个目标相似度和与所述样本图像集对应的类别标签集训练预设模型,得到所述对象识别模型,其中,所述归属相似度表征所述对象特征和归属全局类别特征之间的相似度,所述归属全局类别特征表征与所述对象特征相匹配的全局类别特征。
2.根据权利要求1所述的方法,其中,所述确定与至少一个类别中的每个类别对应的全局类别特征,包括:
确定所述样本图像集包括的至少一个类别,其中,所述样本图像集包括多个批的样本图像集;以及
针对所述至少一个类别中的每个类别,对所述类别进行特征提取,得到与所述类别对应的类别特征。
3.根据权利要求1或2所述的方法,其中,所述基于损失函数,利用至少一个归属相似度、所述至少一个目标相似度和与所述样本图像集对应的类别标签集训练预设模型,得到所述对象识别模型,包括:
针对所述每个样本图像,将与所述样本图像对应的其他相似度设置为预设标识,其中,所述其他相似度表征所述对象特征与不满足所述相似度条件的非归属全局类别特征之间的相似度;
根据与所述样本图像对应的至少一个预设标识、至少一个目标相似度和归属相似度,确定与所述样本图像对应的预测类别;
基于所述损失函数,利用与所述样本图像对应的预测类别和类别标签,得到输出值;
根据所述输出值,调整所述预设模型的模型参数,直至所述输出值收敛;以及
将所述输出值收敛的情况下得到的预设模型确定为所述对象识别模型。
4.根据权利要求1~3中任一项所述的方法,其中,所述从至少一个所述相似度中确定至少一个目标相似度,包括:
对至少一个所述相似度进行排序;以及
根据排序结果,从至少一个所述相似度中确定所述至少一个目标相似度。
5.根据权利要求1~3中任一项所述的方法,其中,所述从至少一个所述相似度中确定至少一个目标相似度,包括:
针对至少一个所述相似度中的每个相似度,在确定所述相似度大于或等于相似度阈值的情况下,将所述相似度确定为所述目标相似度。
6.一种对象识别方法,包括:
将待识别图像输入对象识别模型,得到与所述待识别图像对应的识别结果,
其中,所述对象识别模型是利用根据权利要求1~5中任一项所述的方法训练的。
7.一种对象识别模型的训练装置,包括:
第一确定模块,用于确定与至少一个类别中的每个类别对应的全局类别特征;
第二确定模块,用于针对样本图像集中的每个样本图像,确定与所述样本图像中的对象对应的对象特征和所述全局类别特征之间的相似度;
第三确定模块,用于从至少一个所述相似度中确定至少一个目标相似度,其中,每个所述目标相似度表征所述每个对象特征与每个目标全局类别特征之间的相似度,所述目标全局类别特征表征满足相似度条件的非归属全局类别特征,所述非归属全局类别特征表征不与所述对象特征相匹配的全局类别特征;以及
第一获得模块,用于基于损失函数,利用至少一个归属相似度、所述至少一个目标相似度和与所述样本图像集对应的类别标签集训练预设模型,得到所述对象识别模型,其中,所述归属相似度表征所述对象特征和归属全局类别特征之间的相似度,所述归属全局类别特征表征与所述对象特征相匹配的全局类别特征。
8.根据权利要求7所述的装置,其中,所述第一确定模块,包括:
第一确定单元,用于确定所述样本图像集包括的至少一个类别,其中,所述样本图像集包括多个批的样本图像集;以及
第一获得单元,用于针对所述至少一个类别中的每个类别,对所述类别进行特征提取,得到与所述类别对应的类别特征。
9.根据权利要求7或8所述的装置,其中,所述第一获得模块,包括:
设置单元,用于针对所述每个样本图像,将与所述样本图像对应的其他相似度设置为预设标识,其中,所述其他相似度表征所述对象特征与不满足所述相似度条件的非归属全局类别特征之间的相似度;
第二确定单元,用于根据与所述样本图像对应的至少一个预设标识、至少一个目标相似度和归属相似度,确定与所述样本图像对应的预测类别;
第二获得单元,用于基于所述损失函数,利用与所述样本图像对应的预测类别和类别标签,得到输出值;
调整单元,用于根据所述输出值,调整所述预设模型的模型参数,直至所述输出值收敛;以及
第三确定单元,用于将所述输出值收敛的情况下得到的预设模型确定为所述对象识别模型。
10.根据权利要求7~9中任一项所述的装置,其中,所述第三确定模块,包括:
排序单元,用于对至少一个所述相似度进行排序;以及
第四确定单元,用于根据排序结果,从至少一个所述相似度中确定所述至少一个目标相似度。
11.根据权利要求7~10中任一项所述的装置,其中,所述第三确定模块,包括:
第五确定单元,用于针对至少一个所述相似度中的每个相似度,在确定所述相似度大于或等于相似度阈值的情况下,将所述相似度确定为所述目标相似度。
12.一种对象识别装置,包括:
第二获得模块,用于将待识别图像输入对象识别模型,得到与所述待识别图像对应的识别结果,
其中,所述对象识别模型是利用根据权利要求7~11中任一项所述的装置训练的。
13.一种电子设备,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中任一项或权利要求6所述的方法。
14.一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1~5中任一项或权利要求6所述的方法。
15.一种计算机程序产品,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1~5中任一项或权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212754.XA CN113947701B (zh) | 2021-10-18 | 2021-10-18 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212754.XA CN113947701B (zh) | 2021-10-18 | 2021-10-18 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947701A true CN113947701A (zh) | 2022-01-18 |
CN113947701B CN113947701B (zh) | 2024-02-23 |
Family
ID=79331386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111212754.XA Active CN113947701B (zh) | 2021-10-18 | 2021-10-18 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947701B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690443A (zh) * | 2022-09-29 | 2023-02-03 | 北京百度网讯科技有限公司 | 特征提取模型训练方法、图像分类方法及相关装置 |
CN116433939A (zh) * | 2023-04-18 | 2023-07-14 | 北京百度网讯科技有限公司 | 样本图像生成方法、训练方法、识别方法以及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
CN110163265A (zh) * | 2019-04-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及计算机设备 |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
CN111126346A (zh) * | 2020-01-06 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 脸部识别方法、分类模型的训练方法、装置和存储介质 |
CN111198964A (zh) * | 2020-01-10 | 2020-05-26 | 中国科学院自动化研究所 | 图像检索方法及系统 |
CN111340105A (zh) * | 2020-02-25 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种图像分类模型训练方法、图像分类方法、装置及计算设备 |
CN111507213A (zh) * | 2020-04-03 | 2020-08-07 | 北京三快在线科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
CN111553399A (zh) * | 2020-04-21 | 2020-08-18 | 佳都新太科技股份有限公司 | 特征模型训练方法、装置、设备及存储介质 |
CN112329619A (zh) * | 2020-11-04 | 2021-02-05 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置、电子设备及可读存储介质 |
CN112734031A (zh) * | 2020-12-31 | 2021-04-30 | 珠海格力电器股份有限公司 | 神经网络模型训练方法、识别方法、存储介质以及设备 |
WO2021087985A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳市欢太科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
CN112990312A (zh) * | 2021-03-15 | 2021-06-18 | 平安科技(深圳)有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
CN113239907A (zh) * | 2021-07-12 | 2021-08-10 | 北京远鉴信息技术有限公司 | 一种人脸识别的检测方法、装置、电子设备及存储介质 |
US20210272681A1 (en) * | 2019-04-10 | 2021-09-02 | Tencent Technology (Shenzhen) Company Limited | Image recognition model training method and apparatus, and image recognition method, apparatus, and system |
-
2021
- 2021-10-18 CN CN202111212754.XA patent/CN113947701B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
US20210272681A1 (en) * | 2019-04-10 | 2021-09-02 | Tencent Technology (Shenzhen) Company Limited | Image recognition model training method and apparatus, and image recognition method, apparatus, and system |
CN110163265A (zh) * | 2019-04-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及计算机设备 |
CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
WO2021087985A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳市欢太科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
CN111126346A (zh) * | 2020-01-06 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 脸部识别方法、分类模型的训练方法、装置和存储介质 |
CN111198964A (zh) * | 2020-01-10 | 2020-05-26 | 中国科学院自动化研究所 | 图像检索方法及系统 |
CN111340105A (zh) * | 2020-02-25 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种图像分类模型训练方法、图像分类方法、装置及计算设备 |
CN111507213A (zh) * | 2020-04-03 | 2020-08-07 | 北京三快在线科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
CN111553399A (zh) * | 2020-04-21 | 2020-08-18 | 佳都新太科技股份有限公司 | 特征模型训练方法、装置、设备及存储介质 |
CN112329619A (zh) * | 2020-11-04 | 2021-02-05 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置、电子设备及可读存储介质 |
CN112734031A (zh) * | 2020-12-31 | 2021-04-30 | 珠海格力电器股份有限公司 | 神经网络模型训练方法、识别方法、存储介质以及设备 |
CN112990312A (zh) * | 2021-03-15 | 2021-06-18 | 平安科技(深圳)有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
CN113239907A (zh) * | 2021-07-12 | 2021-08-10 | 北京远鉴信息技术有限公司 | 一种人脸识别的检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
NKOSIKHONA DLAMINI ET AL.: "Automated Identification of Individuals in Wildlife Population Using Siamese Neural Networks", 《 2020 7TH INTERNATIONAL CONFERENCE ON SOFT COMPUTING & MACHINE INTELLIGENCE (ISCMI 2020)》, 31 December 2020 (2020-12-31), pages 224 - 228 * |
吴燕雄 等: "基于特征聚类对群三元组损失的车辆再识别", 《电子学报》, vol. 48, no. 12, 31 December 2020 (2020-12-31), pages 2444 - 2452 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690443A (zh) * | 2022-09-29 | 2023-02-03 | 北京百度网讯科技有限公司 | 特征提取模型训练方法、图像分类方法及相关装置 |
CN116433939A (zh) * | 2023-04-18 | 2023-07-14 | 北京百度网讯科技有限公司 | 样本图像生成方法、训练方法、识别方法以及装置 |
CN116433939B (zh) * | 2023-04-18 | 2024-02-20 | 北京百度网讯科技有限公司 | 样本图像生成方法、训练方法、识别方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113947701B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
CN114444619B (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
CN113947701B (zh) | 训练方法、对象识别方法、装置、电子设备以及存储介质 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
CN114612743A (zh) | 深度学习模型的训练方法、目标对象识别方法和装置 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN115496970A (zh) | 图像任务模型的训练方法、图像识别方法以及相关装置 | |
CN113360700A (zh) | 图文检索模型的训练和图文检索方法、装置、设备和介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN112860993A (zh) | 兴趣点的分类方法、装置、设备、存储介质及程序产品 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN110619253B (zh) | 身份识别的方法和装置 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
CN113902899A (zh) | 训练方法、目标检测方法、装置、电子设备以及存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN115169489B (zh) | 数据检索方法、装置、设备以及存储介质 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN114416990B (zh) | 对象关系网络的构建方法、装置和电子设备 | |
CN114065784B (zh) | 训练方法、译文方法、装置、电子设备以及存储介质 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN115909376A (zh) | 文本识别方法、文本识别模型训练方法、装置及存储介质 |
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 |