获取目标对象识别模型的方法、装置及电子设备.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CN113947693A(43)申请公布日2022.01.18(21)申请号202111193204.8(22)申请日2021.10.13(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人王之港王健孙昊(74)专利代理机构北京博浩百睿知识产权代理有限责任公司11134代理人丰佩印(51)Int.Cl.G06V10/762(2022.01)G06V10/774(2022.01)G06K9/62(2022.01)权利要求书2页说明书10页附图4页(54)发明名称获取目标对象识别模型的方法、装置及电子设备(57)摘要本公开提供了一种获取目标对象识别模型的方法、装置及电子设备，涉及计算机技术领域，尤其涉及智能学习、深度学习技术领域。具体实现方案为：获取无标签数据集的多个聚类结果，其中，多个上述聚类结果为独立且类簇规模不同的聚类结果，每个上述聚类结果包括一种聚类设置下得到的所有类簇；根据上述无标签数据集中的每张预训练图像对应的类簇，为每个上述聚类结果分配对应的伪标签；基于上述伪标签对初始识别模型进行无监督对比训练，得到目标对象识别模型。CN113947693ACN113947693A权利要求书1/2页1.一种获取目标对象识别模型的方法，包括：获取无标签数据集的多个聚类结果，其中，多个所述聚类结果为独立且类簇规模不同的聚类结果，每个所述聚类结果包括一种聚类设置下得到的所有类簇；根据所述无标签数据集中的每张预训练图像对应的类簇，为每个所述聚类结果分配对应的伪标签；基于所述伪标签对初始识别模型进行无监督对比训练，得到目标对象识别模型。2.根据权利要求1所述的方法，其中，获取无标签数据集的多个聚类结果包括：获取所述无标签数据集，其中，所述无标签数据集包括：多组无标签数据，所述多组无标签数据中的每组数据包括：所述预训练图像以及对所述预训练图像进行特征提取处理得到的无标签数据特征；对所述无标签数据特征进行多粒度聚类处理，得到多个所述聚类结果，其中，不同所述聚类结果对应的平均类簇的大小不等。3.根据权利要求1所述的方法，其中，根据所述无标签数据集中的每张预训练图像对应的类簇，为每个所述聚类结果分配对应的伪标签，包括：获取所述无标签数据集中的每张所述预训练图像；确定每张所述预训练图像在特征空间中对应的所述类簇；根据每张所述预训练图像对应的所述类簇，为每个所述聚类结果分配对应的伪标签，其中，每个所述聚类结果对应的所述伪标签是唯一的。4.根据权利要求3所述的方法，其中，若每张所述预训练图像处于不同的聚类结果，则每张所述预训练图像对应多个伪标签。5.根据权利要求1所述的方法，其中，基于所述伪标签对初始识别模型进行无监督对比训练，得到目标对象识别模型，包括：采用对比学习损失函数，基于所述伪标签对所述初始识别模型进行无监督对比训练，得到所述目标对象识别模型，其中，所述无监督对比训练用于训练所述目标对象识别模型区分不同的所述预训练图像之间的差别，以及建立所述类簇内的图像相似性联系和区分不同的所述类簇之间的明显差异。6.根据权利要求1所述的方法，其中，采用对比学习损失函数，基于所述伪标签对所述初始识别模型进行无监督对比训练，得到所述目标对象识别模型，包括：采用所述对比学习损失函数，对每个所述聚类结果对应的所述伪标签计算得到损失函数值；将多个所述聚类结果对应的多个损失函数值进行再计算，得到损失计算结果，其中，所述再计算包括：加和计算或平均计算；依据所述损失计算结果对所述初始识别模型进行所述无监督对比训练，得到所述目标对象识别模型。7.根据权利要求1所述的方法，所述方法还包括：对所述目标对象识别模型进行往复迭代训练，直至达到预设训练时长和/或满足预设测试条件时停止训练。8.一种目标对象识别方法，包括：2CN113947693A权利要求书2/2页获取待识别图像，其中，所述待识别图像中包含目标对象；将所述待识别图像输入至目标对象识别模型，其中，所述目标对象识别模型为基于无标签数据集的多个聚类结果对应的伪标签，对初始识别模型进行无监督对比训练得到；接收所述目标对象识别模型返回的识别处理结果。9.根据权利要求8所述的方法，其中，多个所述聚类结果为独立且类簇规模不同的聚类结果，每个所述聚类结果包括一种聚类设置下得到的所有类簇；根据所述无标签数据集中的每张预训练图像对应的类簇，为每个所述聚类结果分配对应的所述伪标签。10.一种获取目标对象识别模型的装置，包括：获取模块，用于获取无标签数据集的多个聚类结果，其中，多个所述聚类结果为独立且类簇规模不同的聚类结果，每个所述聚类结果包括一种聚类设置下得到的所有类簇；分配模块，用于根据所述无标签数据集中的每张预训练