CN114511758A

CN114511758A - 图像识别方法及装置、电子设备和介质

Info

Publication number: CN114511758A
Application number: CN202210108317.1A
Authority: CN
Inventors: 胡韬
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2022-01-28
Filing date: 2022-01-28
Publication date: 2022-05-17

Abstract

本公开提供了一种图像识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术领域。通过以下方案对图像识别模型进行训练：基于无监督训练方式训练第一神经网络；基于训练后的第一神经网络和预设的全连接层构建待训练模型；获取用于对待训练模型进行训练的第二样本图像集，以执行以下训练过程：将样本图像输入第一神经网络中，以获得第三图像特征；将第三图像特征输入全连接层，以获得预测结果；以及基于预测结果和标签计算第二损失函数的值，更新第一神经网络和全连接层的参数。

Description

图像识别方法及装置、电子设备和介质

技术领域

本公开涉及人工智能领域，尤其涉及计算机视觉和深度学习技术领域，具体涉及一种图像识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

行人检测是计算机视觉技术中的热点和难点,可理解为判断输入图像是否包含行人，如果包含行人，则给出行人的位置信息，近年来，行人检测技术在人体行为分析、视频监控、车辆辅助驾驶及灾难营救等领域发挥了作用。

发明内容

本公开提供了一种模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种模型训练方法，包括：获取第一样本图像集，以基于第一样本图像集执行以下训练过程，其中第一样本图像集中的每一个样本图像包括待识别目标：基于样本图像经过两次不同的数据增强，以获得第一增强图像和第二增强图像；将第一增强图像和第二增强图像分别输入第一神经网络和第二神经网络，以分别获得第一图像特征和第二图像特征；将第一图像特征和第二图像特征组成正样本对、第一图像特征与预设的队列中的每一个第二图像特征分别组成负样本对，以基于正样本对和负样本对计算第一损失函数的值，其中，队列中包括在基于第一样本图像集的之前训练过程中所获得的第二图像特征；基于第一损失函数的值更新第一神经网络的参数，并通过动量参数更新方法更新第二神经网络的参数；以及将样本图像所对应的第二图像特征存入队列中；基于训练后的第一神经网络和预设的全连接层构建待训练模型；获取用于对待训练模型进行训练的第二样本图像集，以执行以下训练过程，其中第二样本图像集中的每一个样本图像包括待识别目标以及相对应的标签：将样本图像输入第一神经网络中，以获得第三图像特征；将第三图像特征输入全连接层，以获得预测结果；以及基于预测结果和标签计算第二损失函数的值，以基于第二损失函数的值更新第一神经网络和全连接层的参数。

根据本公开的另一方面，提供了一种模型训练装置，包括：第一训练单元，配置为获取第一样本图像集，以基于第一样本图像集执行以下子单元的操作，其中第一样本图像集中的每一个样本图像包括待识别目标，第一训练单元包括：数据增强子单元，配置为基于样本图像经过两次不同的数据增强，以获得第一增强图像和第二增强图像；第一输入子单元，配置为将第一增强图像和第二增强图像分别输入第一神经网络和第二神经网络，以分别获得第一图像特征和第二图像特征；计算子单元，配置为将第一图像特征和第二图像特征组成正样本对、第一图像特征与预设的队列中的每一个第二图像特征分别组成负样本对，以基于正样本对和负样本对计算第一损失函数的值，其中，队列中包括在基于第一样本图像集的之前训练过程中所获得的第二图像特征；更新子单元，配置为基于第一损失函数的值更新第一神经网络的参数，并通过动量参数更新方法更新第二神经网络的参数；以及存储子单元，配置为将样本图像所对应的第二图像特征存入队列中；构建单元，配置为基于训练后的第一神经网络和预设的全连接层构建待训练模型；以及第二训练单元，配置为获取用于对待训练模型进行训练的第二样本图像集，以执行以下子单元的操作，其中第二样本图像集中的每一个样本图像包括待识别目标以及相对应的标签，第二训练单元包括：第二输入子单元，配置为将样本图像输入第一神经网络中，以获得第三图像特征；第三输入子单元，配置为将第三图像特征输入全连接层，以获得预测结果；以及更新单元，配置为基于预测结果和标签计算第二损失函数的值，以基于第二损失函数的值更新第一神经网络和全连接层的参数。

根据本公开的另一方面，提供了一种图像识别方法，包括：获取待识别的图像，其中所述图像包括待识别目标；通过模型对所述待识别的图像进行识别，以获得识别结果，所述模型根据上面任一项方法训练得到。

根据本公开的另一方面，提供了一种图像识别装置，包括：获取单元，配置为获取待识别的图像，其中所述图像包括待识别目标；识别单元，配置为通过模型对所述待识别的图像进行识别，以获得识别结果，其中，所述模型根据上面任一项方法训练得到。

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；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该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上述模型训练方法。

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，该计算机指令用于使计算机执行上述模型训练方法。

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，该计算机程序在被处理器执行时实现上述模型训练方法。

根据本公开的一个或多个实施例，通过基于对比损失的无监督学习过程，可以充分利用大规模且易获得的无标签样本图像，使得训练后的神经网络能够较为精准的提取图像特征向量，同时通过数据增强，进一步提升特征提取网络的鲁棒性；随后有监督学习过程对无监督学习训练得到的神经网络进行微调，减少了额外的标注成本和标注时间。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的模型训练方法的流程图；

图3示出了根据本公开的实施例的对样本图像进行数据增强的示意图；

图4示出了根据本公开的实施例的模型训练流程的示意图；

图5示出了根据本公开的实施例的待训练模型的训练方法示意图；

图6示出了根据本公开的实施例的图像识别方法的流程图；

图7示出了根据本公开的实施例的模型训练装置的结构框图；

图8示出了根据本公开的实施例的图像识别装置的结构框图；以及

图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行模型训练的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取样本图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决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。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

目前，目标检测模型大多采用基于完全监督学习的方式来训练，随着深度学习的快速发展，目标检测准确率和召回率越来越高，但是完全监督训练的方法存在一个缺点，当某个场景的标注数据不足时，例如，夜晚的场景相较于白天的场景标注数据不足时，训练的模型的检测效果较差，严重影响了目标检测在实际场景中的应用。而对于这种问题，目前也只能通过对补充大量的相应场景的人工标注的数据，对模型进行重新训练，这种方法就会使模型训练的效率大大降低，且成本较高。

根据本公开的实施例，如图2所示，提供了一种模型训练方法，包括：步骤S201、获取第一样本图像集，以基于第一样本图像集执行以下训练过程，其中第一样本图像集中的每一个样本图像包括待识别目标：步骤S202、基于样本图像经过两次不同的数据增强，以获得第一增强图像和第二增强图像；步骤S203、将第一增强图像和第二增强图像分别输入第一神经网络和第二神经网络，以分别获得第一图像特征和第二图像特征；步骤S204、将第一图像特征和第二图像特征组成正样本对、第一图像特征与预设的队列中的每一个第二图像特征分别组成负样本对，以基于正样本对和负样本对计算第一损失函数的值，其中，队列中包括在基于第一样本图像集的之前训练过程中所获得的第二图像特征；步骤S205、基于第一损失函数的值更新第一神经网络的参数，并通过动量参数更新方法更新第二神经网络的参数；以及步骤S206、将样本图像所对应的第二图像特征存入队列中；步骤S207、基于训练后的第一神经网络和预设的全连接层构建待训练模型；步骤S208、获取用于对待训练模型进行训练的第二样本图像集，以执行以下训练过程，其中第二样本图像集中的每一个样本图像包括待识别目标以及相对应的标签：步骤S209、将样本图像输入第一神经网络中，以获得第三图像特征；步骤S210、将第三图像特征输入全连接层，以获得预测结果；以及步骤S211、基于预测结果和标签计算第二损失函数的值，以基于第二损失函数的值更新第一神经网络和全连接层的参数。

由此，通过基于对比损失的无监督学习过程，可以充分利用大规模且易获得的无标签样本图像，使得训练后的神经网络能够较为精准的提取图像特征向量，同时通过数据增强，进一步提升特征提取网络的鲁棒性；随后有监督学习过程对无监督学习训练得到的神经网络进行微调，减少了额外的标注成本和标注时间。

首先，获取第一样本图像集，该图像集中的每个样本图像都是无标签的，并且每个样本图像中均包含待识别目标。

在一些实施例中，待识别目标可以包括行人，则所训练的模型即可用于行人检测的应用场景中。

每次将样本图像输入第一神经网络和第二神经网络之前，可以首先进行两次不同的数据增强。在一些实施例中，数据增强可以包括但不限于：随机裁切、随机颜色变换、随机高斯模糊、图像翻转，等等。如图3所示，通过将样本图片301分别进行两次不同的数据增强，所得第一增强图像302是进行随机裁切之后获得的图像，而所得第二增强图像303则是进行图像翻转处理后获得的图像。由此，通过将图像进行两次不同的数据增强之后，使得图像虽然包含的待识别目标相同，但是图像本身发生了一定的变化，在这种变化的基础上进行模型的训练，能够进一步提升模型的鲁棒性。并且，通过对同一样本图像进行两次不同的数据增强，以使得所获得的两个增强图像的图像特征形成正样本对，从而基于对比损失进行无监督学习。

在一些实施例中，在将当前样本图像经过两次数据增强之前，对样本图像可以进行预处理操作，其中，预处理操作可以包括但不限于：将样本图像的尺寸进行缩放；将样本图像中的像素值进行归一化；将样本图像中的每一个像素值减去样本图像的像素值均值；以及将样本图像中的每一个像素值除以样本图像的像素值方差，等等。

在一个示例中，可以首先将样本图像的尺寸缩放到416×416；随后，可以将样本图像的每个像素的像素值均除以255，从而实现对像素值的归一化。随后，可以进一步对归一化后的每个像素的三通道像素值分别减去像素值均值，例如[0.485，0.456，0.406]；或者，可以对每个像素的三通道像素值分别相应的除以像素值方差，例如[0.229，0.224，0.225]。

由此，通过上述方法处理得到预处理之后的样本图像，从而便于后续模型训练中的计算，提高计算效率。

图4示出了第一神经网络训练过程示意图。如图4所示，首先，将样本图像通过两次不同的数据增强之后，分别获得第一增强图像和第二增强图像，随后分别将第一增项图像和第二增强图像输入第一神经网络和第二神经网络，其中，第一神经网络和第二神经网络可以是两个结构相同的特征提取网络，例如可以采用去除全连接层后的ResNet50。经过特征提取，分别可以获得第一图像特征和第二图像特征，其中，第一图像特征和第二图像特征可以是两个长度相同的特征向量，其长度例如可以为2048。可以理解的，特征向量的长度可以根据实际应用时的需要自行确定，在此不做限定。

对于输入的第一个样本图像，通过上述方法，可以分别获得第一图像特征Q₁和第二图像特征K₁，Q₁和K₁可以构成一个正样本对，对这个正样本对计算第一损失函数，并基于该第一损失函数的值通过反向传播调整第一神经网络的参数，随后通过动量参数更新的方式进一步调整第二神经网络的参数。随后，将K₁存入队列。

随后输入第二个样本图像，其中，第二个样本图像中包含的待识别目标与第一个样本图像中的待识别目标不同(例如在待识别目标为行人时，第二个样本图像可以与第一个样本图像包括不同的行人)。通过上述方法，可以分别获得第一图像特征Q₂和第二图像特征K₂，Q₂和K₂可以构成一个正样本对，并且Q₂和队列中存储的K₁可以构成一个负样本对，并分别对正样本对和负样本对计算第一损失函数，并基于该第一损失函数的值调整第一神经网络的参数，随后通过动量参数更新的方式进一步调整第二神经网络的参数。随后，将K₂存入队列。

以相同的方法对每一张样本图像进行处理，当输入第N个样本图像时，通过上述方法会获得其第一图像特征Q_N和第二图像特征K_N，Q_N和K_N可以构成一个正样本对，并且Q_N可以和队列中存储的K₁、K₂、……K_N-1分别构成N-1个负样本对，分别基于正样本对和N-1个负样本对计算第一损失函数，并基于该第一损失函数的值调整第一神经网络的参数，随后通过动量参数更新的方式进一步调整第二神经网络的参数。随后，将K_N存入队列。

可以理解的，上述队列的长度可以根据第一样本图像集的大小需要自行确定，例如队列大小可以为65536。第一样本图像集的大小可以根据项目需求自行设置，在此不作限制。

在一些实施例中，第一损失函数可以为InfoNCE损失函数。通过应用该损失函数，能够基于正负样本对，利用InfoNCE的优化过程，即可使正样本对之间的互信息最大，而负样本对之间的互信息最小，进而通过梯度下降的方式以及动量更新的方式调整第一和第二神经网络参数，可以使得第一和第二神经网络对同一个待识别目标提取的特征向量相同或尽可能接近，同时，使得对不同的待识别目标提取的特征向量的差距尽可能大。

在第一神经网络完成训练之后，可以在该第一神经网络之后添加预设的全连接层，从而构建目标检测模型，也即所述待训练模型。以行人检测为例，图5示出了基于第一神经网络构建的行人检测模型，其中，用于训练第一神经网络的样本图像包含的待识别目标为行人。

随后，可以获取用于训练该待训练模型的第二样本图像集，其中，第二样本图像集中的每个样本图像都包含待识别目标和相对应的标签。

在一些实施例中，第二样本图像集中的样本图像数量小于第一样本图像集中的样本图像数量。在通过大量的无标签数据对第一神经网络进行无监督学习训练后，通过少量的有标签数据即可实现对该第一神经网络的有监督微调过程，从而大大减少了额外的数据标注成本和标注时间。

在一些实施例中，待识别目标可以包括行人，同时待识别目标相对应的标签可以包括行人检测框以及行人检测框的位置信息。示例地，该行人检测框的位置信息可以为行人检测框的左上角和右下角坐标信息。

如图5所示，当将具有标签的样本图像输入第一神经网络后，第一神经网络可以较为准确的获取到样本图像的第三图像特征。随后通过将第三图像特征输入全连接层，从而获取预测结果，并且可以基于预测结果和标签计算第二损失函数的值。

在一些实施例中，第二损失函数可以包括交叉墒损失函数和L2损失函数。通过分别计算交叉墒损失函数和L2损失函数可以分别对模型的分类能力以及检测框位置的预测准确度进行调整。

基于上述损失函数，通过梯度下降的方式更新第一神经网络和全连接层的参数。在一些实施例中，在基于第二样本图像集对第一神经网络和全连接层进行训练的过程中，第一神经网络的学习率可以小于全连接层的学习率。由此，通过设置不同的学习率，使全连接层快速学习的同时，对已通过无监督训练的第一神经网络进行微调，从而高效的完成模型训练。

根据一些实施例，如图6所示，还提供了一种图像识别方法600，包括：获取待识别的图像，其中所述图像包括待识别目标(步骤610)；通过模型对所述待识别的图像进行识别，以获得识别结果(步骤620)。所述模型可以根据上面任一个实施例所述的方法训练得到。

根据一些实施例，如图7所示，还提供了一种模型训练装置700，包括：第一训练单元710，配置为获取第一样本图像集，以基于第一样本图像集执行以下子单元的操作，其中第一样本图像集中的每一个样本图像包括待识别目标，第一训练单元710包括：数据增强子单元711，配置为基于样本图像经过两次不同的数据增强，以获得第一增强图像和第二增强图像；第一输入子单元712，配置为将第一增强图像和第二增强图像分别输入第一神经网络和第二神经网络，以分别获得第一图像特征和第二图像特征；计算子单元713，配置为将第一图像特征和第二图像特征组成正样本对、第一图像特征与预设的队列中的每一个第二图像特征分别组成负样本对，以基于正样本对和负样本对计算第一损失函数的值，其中，队列中包括在基于第一样本图像集的之前训练过程中所获得的第二图像特征；更新子单元714，配置为基于第一损失函数的值更新第一神经网络的参数，并通过动量参数更新方法更新第二神经网络的参数；以及存储子单元715，配置为将样本图像所对应的第二图像特征存入队列中；构建单元720，配置为基于训练后的第一神经网络和预设的全连接层构建待训练模型；以及第二训练单元730，配置为获取用于对待训练模型进行训练的第二样本图像集，以执行以下子单元的操作，其中第二样本图像集中的每一个样本图像包括待识别目标以及相对应的标签，第二训练单元730包括：第二输入子单元731，配置为将样本图像输入第一神经网络中，以获得第三图像特征；第三输入子单元732，配置为将第三图像特征输入全连接层，以获得预测结果；以及更新单元733，配置为基于预测结果和标签计算第二损失函数的值，以基于第二损失函数的值更新第一神经网络和全连接层的参数。

其中，模型训练装置700的上述各单元710～730以及子单元711～715、子单元731～733的操作与上述模型训练方法中描述的步骤S201～S211的操作类似，在此不再赘述。

根据一些实施例，如图8所示，还提供了一种图像识别装置800，包括：获取单元810，配置为获取待识别的图像，其中所述图像包括待识别目标；识别单元820，配置为通过模型对所述待识别的图像进行识别，以获得识别结果。所述模型根据如上面任一个实施例所述的方法训练得到。

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。

根据本公开的实施例，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。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元901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901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901执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。

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，也可以为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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims

1.一种模型训练方法，包括：

获取第一样本图像集，以基于所述第一样本图像集执行以下训练过程，其中所述第一样本图像集中的每一个样本图像包括待识别目标：

基于样本图像经过两次不同的数据增强，以获得第一增强图像和第二增强图像；

将所述第一增强图像和所述第二增强图像分别输入第一神经网络和第二神经网络，以分别获得第一图像特征和第二图像特征；

将所述第一图像特征和所述第二图像特征组成正样本对、所述第一图像特征与预设的队列中的每一个第二图像特征分别组成负样本对，以基于所述正样本对和所述负样本对计算第一损失函数的值，其中，所述队列中包括在基于所述第一样本图像集的之前训练过程中所获得的第二图像特征；

基于所述第一损失函数的值更新所述第一神经网络的参数，并通过动量参数更新方法更新所述第二神经网络的参数；以及

将所述样本图像所对应的第二图像特征存入所述队列中；

基于训练后的所述第一神经网络和预设的全连接层构建待训练模型；

获取用于对所述待训练模型进行训练的第二样本图像集，以执行以下训练过程，其中所述第二样本图像集中的每一个样本图像包括所述待识别目标以及相对应的标签：

将样本图像输入所述第一神经网络中，以获得第三图像特征；

将所述第三图像特征输入所述全连接层，以获得预测结果；以及

基于所述预测结果和所述标签计算第二损失函数的值，以基于所述第二损失函数的值更新所述第一神经网络和所述全连接层的参数。

2.如权利要求1所述的方法，还包括：在将当前样本图像经过两次数据增强之前，对所述样本图像进行预处理操作，

其中，所述预处理操作包括以下项中的至少一项：

将所述样本图像的尺寸进行缩放；

将所述样本图像中的像素值进行归一化；

将所述样本图像中的每一个像素值减去所述样本图像的像素值均值；以及

将所述样本图像中的每一个像素值除以所述样本图像的像素值方差。

3.如权利要求1所述的方法，其中，在基于第二样本图像集对所述第一神经网络和所述全连接层进行训练的过程中，所述第一神经网络的学习率小于所述全连接层的学习率。

4.如权利要求1所述的方法，其中，所述待识别目标包括行人，并且其中，所述待识别目标相对应的标签包括行人检测框以及所述行人检测框的位置信息。

5.如权利要求4所述的方法，其中，所述第二损失函数包括：交叉墒损失函数和L2损失函数。

6.如权利要求1所述的方法，其中，所述数据增强包括以下项中的至少一项：随机裁切、随机颜色变换、随机高斯模糊、图像翻转。

7.如权利要求1所述的方法，其中，所述第一损失函数为InfoNCE损失函数。

8.如权利要求1所述的方法，其中，所述第二样本图像集中的样本图像数量小于所述第一样本图像集中的样本图像数量。

9.一种图像识别方法，包括：

获取待识别的图像，其中所述图像包括待识别目标；

通过模型对所述待识别的图像进行识别，以获得识别结果，

其中，所述模型根据如权利要求1-8中任一项方法训练得到。

10.一种模型训练装置，包括：

第一训练单元，配置为获取第一样本图像集，以基于所述第一样本图像集执行以下子单元的操作，其中所述第一样本图像集中的每一个样本图像包括待识别目标，所述第一训练单元包括：

数据增强子单元，配置为基于样本图像经过两次不同的数据增强，以获得第一增强图像和第二增强图像；

第一输入子单元，配置为将所述第一增强图像和所述第二增强图像分别输入第一神经网络和第二神经网络，以分别获得第一图像特征和第二图像特征；

计算子单元，配置为将所述第一图像特征和所述第二图像特征组成正样本对、所述第一图像特征与预设的队列中的每一个第二图像特征分别组成负样本对，以基于所述正样本对和所述负样本对计算第一损失函数的值，其中，所述队列中包括在基于所述第一样本图像集的之前训练过程中所获得的第二图像特征；

更新子单元，配置为基于所述第一损失函数的值更新所述第一神经网络的参数，并通过动量参数更新方法更新所述第二神经网络的参数；以及

存储子单元，配置为将所述样本图像所对应的第二图像特征存入所述队列中；

构建单元，配置为基于训练后的所述第一神经网络和预设的全连接层构建待训练模型；以及

第二训练单元，配置为获取用于对所述待训练模型进行训练的第二样本图像集，以执行以下子单元的操作，其中所述第二样本图像集中的每一个样本图像包括所述待识别目标以及相对应的标签，第二训练单元包括：

第二输入子单元，配置为将样本图像输入所述第一神经网络中，以获得第三图像特征；

第三输入子单元，配置为将所述第三图像特征输入所述全连接层，以获得预测结果；以及

更新单元，配置为基于所述预测结果和所述标签计算第二损失函数的值，以基于所述第二损失函数的值更新所述第一神经网络和所述全连接层的参数。

11.如权利要求10所述的装置，其中，还包括：用于在将当前样本图像经过两次数据增强之前、对所述样本图像进行预处理操作的单元，

其中，所述预处理操作包括以下项中的至少一项：

将所述样本图像的尺寸进行缩放；

将所述样本图像中的像素值进行归一化；

12.如权利要求10所述的装置，其中，在基于第二样本图像集对所述第一神经网络和所述全连接层进行训练的过程中，所述第一神经网络的学习率小于所述全连接层的学习率。

13.如权利要求10所述的装置，其中，所述待识别目标包括行人，并且其中，所述待识别目标相对应的标签包括行人检测框以及所述行人检测框的位置信息。

14.如权利要求13所述的装置，其中，所述第二损失函数包括：交叉墒损失函数和L2损失函数。

15.如权利要求10所述的装置，其中，所述数据增强包括以下项中的至少一项：随机裁切、随机颜色变换、随机高斯模糊、图像翻转。

16.如权利要求10所述的装置，其中，所述第一损失函数为InfoNCE损失函数。

17.如权利要求10所述的装置，其中，所述第二样本图像集中的样本图像数量小于所述第一样本图像集中的样本图像数量。

18.一种图像识别装置，包括：

获取单元，配置为获取待识别的图像，其中所述图像包括待识别目标；

识别单元，配置为通过模型对所述待识别的图像进行识别，以获得识别结果，

其中，所述模型根据如权利要求1-8中任一项方法训练得到。

19.一种电子设备，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1-9中任一项所述的方法。

20.一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1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述的方法。