神经网络模型训练方法及装置、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CN111401521A(43)申请公布日2020.07.10(21)申请号202010168707.9(22)申请日2020.03.11(71)申请人北京迈格威科技有限公司地址100000北京市海淀区科学院南路2号融科资讯中心A座316-318(72)发明人李亮亮(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人董艳芳(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06K9/00(2006.01)权利要求书3页说明书13页附图3页(54)发明名称神经网络模型训练方法及装置、图像识别方法及装置(57)摘要本发明提供了一种神经网络模型训练方法及装置、图像识别方法及装置，涉及深度学习技术领域，该方法包括：从第一训练样本集获取目标样本，利用神经网络模型对目标样本进行特征提取，得到目标样本的个体特征，利用神经网络模型对第二训练样本集中的各样本进行特征提取，得到第二训练样本集对应的群体特征；群体特征包括第二训练样本集中每个样本的个体特征；基于目标样本的个体特征和群体特征确定目标样本对应的损失值；基于目标样本对应的损失值，对神经网络模型的参数进行迭代更新。本发明提升了训练后的神经网络模型的识别精度。CN111401521ACN111401521A权利要求书1/3页1.一种神经网络模型训练方法，其特征在于，包括：从第一训练样本集获取目标样本；利用所述神经网络模型对所述目标样本进行特征提取，得到所述目标样本的个体特征，利用所述神经网络模型对第二训练样本集中的各样本进行特征提取，得到所述第二训练样本集对应的群体特征；所述群体特征包括所述第二训练样本集中每个样本的个体特征；基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值；基于所述目标样本对应的损失值，对所述神经网络模型的参数进行迭代更新。2.根据权利要求1所述的方法，其特征在于，所述基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值的步骤，包括：将所述目标样本的个体特征与所述群体特征中的每个个体特征进行逐一比较，得到所述目标样本的全局特征；基于所述目标样本的个体特征和所述目标样本的全局特征，得到所述目标样本对应的损失值。3.根据权利要求2所述的方法，其特征在于，所述将所述目标样本的个体特征与所述群体特征中的每个个体特征进行逐一比较，得到所述目标样本的全局特征的步骤，包括：计算所述目标样本的个体特征与所述群体特征中的各个体特征之间的相似度，得到所述目标样本与所述第二训练样本集的相似度向量；将所述相似度向量作为所述目标样本的全局特征。4.根据权利要求3所述的方法，其特征在于，所述基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值的步骤，包括：将所述目标样本的个体特征与所述全局特征进行融合，得到所述目标样本的融合特征；基于所述目标样本的个体特征及所述目标样本的融合特征，得到所述目标样本对应的损失值。5.根据权利要求4所述的方法，其特征在于，所述基于所述目标样本的个体特征和所述群体特征确定所述目标样本对应的损失值的步骤，包括：基于所述目标样本的个体特征、所述目标样本的全局特征及所述目标样本的融合特征，得到所述目标样本对应的损失值。6.根据权利要求4所述的方法，其特征在于，所述将所述目标样本的个体特征与所述全局特征进行融合，得到所述目标样本的融合特征的步骤，包括：对所述目标样本的个体特征与所述全局特征进行拼接，并将拼接后的特征输入所述神经网络模型的全连接层，得到所述全连接层输出的所述目标样本的融合特征。7.根据权利要求2所述的方法，其特征在于，所述基于所述目标样本的个体特征和所述目标样本的全局特征，得到所述目标样本对应的损失值的步骤，包括：将所述目标样本的个体特征输入第一目标损失函数，得到第一损失值；其中，所述目标样本对应的损失值包括分类损失值和相对损失值，所述第一目标损失函数是基于分类损失函数和相对损失函数得到的；将所述目标样本的全局特征输入所述第一目标损失函数，得到第二损失值；2CN111401521A权利要求书2/3页根据所述第一损失值、所述第二损失值和第二目标损失函数，得到所述目标样本的分类损失值；所述第二目标损失函数的计算算式为：Loss2＝a*loss1+b*loss2其中，Loss2为所述目标样本对应的损失值，loss1为所述第一损失值，loss2为所述第二损失值，a和b分别为所述第一损失值和所述第二损失值的平衡调节参数。8.根据权利要求4所述的方法，其特征在于，所述基于所述目标样本的个体特征及所述目标样本的融合特征，得到所述目标样本对应的损失值的步骤，包括：将所述目标样本的个体特征输入第一目