图像识别模型训练方法和装置、图像识别方法和装置.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CN112307860A(43)申请公布日2021.02.02(21)申请号201910956820.0(22)申请日2019.10.10(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人王晓波(74)专利代理机构中国贸促会专利商标事务所有限公司11038代理人刘剑波(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图3页(54)发明名称图像识别模型训练方法和装置、图像识别方法和装置(57)摘要本公开提供一种图像识别模型训练方法和装置、图像识别方法和装置。图像识别模型训练装置利用图像样本集合分别对第一深度学习模型和第二深度学习模型进行训练；将第一深度学习模型的输出结果分为第一非噪声标签样本集合和第一噪声标签样本集合，将第二深度学习模型的输出结果分为第二非噪声标签样本集合和第二噪声标签样本集合；将第一非噪声标签样本集合和第二非噪声标签样本集合的交集作为干净标签样本集合；利用第二非噪声标签样本集合对第一深度学习模型继续进行训练，利用第一非噪声标签样本集合对第二深度学习模型继续进行训练。本公开能够高效识别出干净标签样本、有效避免误差积累情况的发生。CN112307860ACN112307860A权利要求书1/2页1.一种图像识别模型训练方法，包括：利用图像样本集合分别对第一深度学习模型和第二深度学习模型进行训练；按照预设噪声标签比例和相应的损失函数值，将第一深度学习模型的输出结果分为第一非噪声标签样本集合和第一噪声标签样本集合，将第二深度学习模型的输出结果分为第二非噪声标签样本集合和第二噪声标签样本集合；将第一非噪声标签样本集合和第二非噪声标签样本集合的交集作为干净标签样本集合；若干净标签样本的损失函数值不满足预设条件，则利用第二非噪声标签样本集合对第一深度学习模型继续进行训练，利用第一非噪声标签样本集合对第二深度学习模型继续进行训练；若干净标签样本的损失函数值满足预设条件，则结束训练。2.根据权利要求1所述的方法，其中：在利用第二非噪声标签样本集合对第一深度学习模型继续进行训练前，增加干净标签样本的权值；在利用第一非噪声标签样本集合对第二深度学习模型继续进行训练前，增加干净标签样本的权值。3.根据权利要求1所述的方法，还包括：根据预设噪声标签比例和训练样本数量确定噪声标签样本数量n；将第一深度学习模型的输出结果按照相应损失函数值的大小进行排序，将损失函数值最大的n个输出结果作为第一噪声标签样本集合；将第二深度学习模型的输出结果按照相应损失函数值的大小进行排序，将损失函数值最大的n个输出结果作为第二噪声标签样本集合。4.根据权利要求3所述的方法，其中：所述预设噪声标签比例随着迭代次数的增加而增大。5.根据权利要求3所述的方法，其中：所述预设噪声标签比例rt为其中t为迭代次数，Tk、r为预设参数。6.根据权利要求1所述的方法，其中：第一深度学习模型和第二深度学习模型为卷积神经网络模型。7.根据权利要求1-6中任一项所述的方法，其中：利用交叉熵损失函数计算干净标签样本的损失函数值，其中在交叉熵损失函数中，降低非干净标签样本的权值。8.一种图像识别模型训练装置，包括：第一训练模块，被配置为利用图像样本集合分别对第一深度学习模型和第二深度学习模型进行训练；集合分拣模块，被配置为按照预设噪声标签比例和相应的损失函数值，将第一深度学习模型的输出结果分为第一非噪声标签样本集合和第一噪声标签样本集合，将第二深度学习模型的输出结果分为第二非噪声标签样本集合和第二噪声标签样本集合；将第一非噪声2CN112307860A权利要求书2/2页标签样本集合和第二非噪声标签样本集合的交集作为干净标签样本集合；识别模块，被配置为检测干净标签样本的损失函数值是否满足预设条件；若干净标签样本的损失函数值满足预设条件，则结束训练；第二训练模块，被配置为若干净标签样本的损失函数值不满足预设条件，则利用第二非噪声标签样本集合对第一深度学习模型继续进行训练，利用第一非噪声标签样本集合对第二深度学习模型继续进行训练。9.一种图像识别模型训练装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1-7中任一项的方法。10.一种图像识别方法，包括：提取待识别图像集合中各待识别图像的特征信息；利用经权利要求1-7中任一项的训练方法所训练的第一深度学习模型或第二深度学习模型对所述特征信息进行处理，以识别出具有干净标签的图像。11.一种图像识