图像识别模型的训练方法及装置、图像识别方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111275120A(43)申请公布日2020.06.12(21)申请号202010075299.2(22)申请日2020.01.22(71)申请人支付宝（杭州）信息技术有限公司地址310007浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人杨新星李龙飞周俊(74)专利代理机构北京汇思诚业知识产权代理有限公司11444代理人冯伟(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书14页附图7页(54)发明名称图像识别模型的训练方法及装置、图像识别方法及装置(57)摘要本说明书实施例公开了一种图像识别模型的训练方法及装置、图像识别方法及装置。其中，训练方法包括：将待训练的第二图像识别模型中的每层卷积神经网络，分别与训练完的第一图像识别模型中的一个子网络相对应。根据训练完的第一图像识别模型中每个子网络的输入和输出，对待训练的第二图像识别模型中的每层卷积神经网络的参数进行初始化处理。将样本图像输入参数初始化处理后的待训练的第二图像识别模型，根据待训练的第二图像识别模型的输出和样本图像的标签，对待训练的第二图像识别模型进行训练。由此，实现了根据训练完的第一图像识别模型，对待训练的第二图像识别模型进行参数初始化处理，以加快对待训练的第二图像识别模型进行的训练。CN111275120ACN111275120A权利要求书1/3页1.一种图像识别模型的训练方法，包括：获取带标签的样本图像；将所述样本图像输入训练完的第一图像识别模型；其中，所述训练完的第一图像识别模型包括M个子网络，M为正整数，每个所述子网络包括至少一层卷积神经网络；将待训练的第二图像识别模型中的每层卷积神经网络，分别与所述训练完的第一图像识别模型中的一个所述子网络相对应；其中，所述待训练的第二图像识别模型包括M层所述卷积神经网络；根据所述训练完的第一图像识别模型中的每个所述子网络的输入和输出，对所述待训练的第二图像识别模型中的每层所述卷积神经网络的参数进行初始化处理；将所述样本图像输入参数初始化处理后的所述待训练的第二图像识别模型；根据所述待训练的第二图像识别模型的输出和所述样本图像的标签，对所述待训练的第二图像识别模型进行训练；以及当满足预设条件时，完成对所述待训练的第二图像识别模型的训练。2.如权利要求1所述的训练方法，其中，所述根据所述训练完的第一图像识别模型中的每个所述子网络的输入和输出，对所述待训练的第二图像识别模型中的每层所述卷积神经网络的参数进行初始化处理，包括：获取所述训练完的第一图像识别模型中的所述子网络的输入向量和输出向量；将所述训练完的第一图像识别模型中的所述子网络的输入向量，输入所述待训练的第二图像识别模型中对应的所述卷积神经网络；根据所述待训练的第二图像识别模型中对应的所述卷积神经网络的输出向量，和所述训练完的第一图像识别模型中的所述子网络的输出向量，对所述待训练的第二图像识别模型中对应的所述卷积神经网络的参数进行调整；当所述待训练的第二图像识别模型中对应的所述卷积神经网络的输出向量，和所述训练完的第一图像识别模型中的所述子网络的输出向量之间的相似度最小时，完成对所述待训练的第二图像识别模型中的所述卷积神经网络的参数的初始化处理。3.如权利要求2所述的训练方法，其中，在所述将所述训练完的第一图像识别模型中的所述子网络的输入向量，输入所述待训练的第二图像识别模型中对应的所述卷积神经网络之前，还包括：比较所述待训练的第二图像识别模型中对应的所述卷积神经网络的参数矩阵的行数，和所述训练完的第一图像识别模型中的所述子网络的输入向量的维数的大小关系；当所述待训练的第二图像识别模型中对应的所述卷积神经网络的参数矩阵的行数，小于所述训练完的第一图像识别模型中的所述子网络的输入向量的维数时，使用预设数值对所述待训练的第二图像识别模型中对应的所述卷积神经网络的参数矩阵进行填充。4.如权利要求2所述的训练方法，其中，在所述将所述训练完的第一图像识别模型中的所述子网络的输入向量，输入所述待训练的第二图像识别模型中对应的所述卷积神经网络之前，还包括：比较所述待训练的第二图像识别模型中对应的所述卷积神经网络的参数矩阵的列数，和所述训练完的第一图像识别模型中的所述子网络的输出向量的维数的大小关系；当所述待训练的第二图像识别模型中对应的所述卷积神经网络的参数矩阵的列数，小2CN111275120A权利要求书2/3页于所述训练完的第一图像识别模型中的所述子网络的输出向量的维数时，使用预设数值对所述待训练的第二图像识别模型中对应的所述卷积神经网络的参数矩阵进行填充。5.一种图像识别方法，包括：获取待识别图像；将所述待识别图像输入如权