CN114330522B 图像识别模型的训练方法、装置、设备及存储介质 （杭州海康威视数字技术股份有限公司）

本申请公开了一种图像识别模型的训练方用于从相同的多个图像类别中确定待识别图像2像类别包括第二图像类别；将所述多个图像样本中的不确定度小于等于第一预设阈值的第一基于所述每个图像类别的原型样本和所述每个图像类别别中每个图像样本与所述多个图像类别中其他图像类别的原型样本之其中，所述图像识别模型用于从所述多个图像类别中确定待定所述待识别图像的类别不属于所述多个图基于所述第一图像预识别模型提取所述每个图像样本的第基于所述第二图像预识别模型提取所述每个图像样本的第基于所述第一图像样本的第一特征向量分别与所述每个图像样本的第一特征向量,得基于所述第一图像样本的第二特征向量分别与所述每个图像基于所述第一特征分布向量和所述第二特征分布向量，得到所述3.根据权利要求1或2所述的方法，其特征确定所述每个图像类别的目标原型样本集合，所述多个图像类别包括第一图像类别，确定所述第一图像类别中的第二原型样本与所述第一图像类别的目标原型样本集合3将最小特征距离最大的第二原型样本，确定为属于所述第一图重复执行上述步骤，直至最大的最小特征距离小于等于第二预设识别单元，用于基于至少两个图像预识别模型，确定多个确定单元，用于将所述多个图像样本中的不确定度小于等训练单元，用于基于所述每个图像类别的原型样所述第二图像类别中每个图像样本与所述多个图像类别中其他图像类别的原型样本之间或者确定所述待识别图像的类别不属于所述多个图像类别。基于所述第一图像预识别模型提取所述每个图像样本的第基于所述第二图像预识别模型提取所述每个图像样本的第基于所述第一图像样本的第一特征向量分别与所述每个图像样本的第一特征向量,得基于所述第一图像样本的第二特征向量分别与所述每个图像基于所述第一特征分布向量和所述第二特征分布向量，得到所述所述训练单元，具体用于确定所述每个图像类别的目标原型样本4类别包括第一图像类别，所述第一图像类别的目标原型样本集合至少包括第一原型样本，所述训练单元还用于：确定所述第一图像类别中的第二原型样本与所述第一图所述处理器与存储器连接，所述存储器用于存储计算机执行指令，所述存储器存储的所述计算机执行指令，以使所述计算机设备实现如权利要求1-4任一项所5代表每个类别样本特征的代表性特征向量)，并将每个样本的特征与原型特征的距离作为6于第一图像样本的第一特征向量分别与每个图像样本的第一特征向量,得到第一特征分布果计算机设备按照该方法确定不确定度，则有助于提高每个图像样本的不确定度的准确7[0021]第二方面至第六方面中的任一种实现方式所带来的技术效果可参见第一方面中8中未曾出现的样本类别(即未知类别的样本/开集样本)，此时若依然使用一般的图像识别9代表每个类别样本特征的代表性特征向量)，并将每个样本的特征与原型特征的距离作为通信设备、用户代理或用户装置等。终端装置具体可以是手机、增强现实(augmented[0047]处理器301是计算机设备30的控制中心，可以是一个通用中央处理单元(central息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，EEPROM)、磁盘存储介质或者其他磁存储设存储器302中存储的指令或程序代码时，能够实现本申请实施例提供的车辆异常行为发现[0056]如图4所示，为本申请提供的一种图像识别模型的训练方法的流程图。该方法包少两个图像预识别模型均用于从相同的多个图像类别中确定待识别模型越容易将图像样本预测为该图像样本的类别标识所表征的类别。[0066]S402：将多个图像样本中的不确定度小于等于第一预设阈值的第一目标图像样[0067]其中，其他图像样本是多个图像样本中除第二目标图像样本之外的其他图像样[0069]在另一种实施方式中,按照不确定度从小到大的顺序对多个图像样本进行排序，括图像类别1的4个原型样本和图像类别2的小的顺序对属于图像类别D的多个图像样本进行排序，并将该序列的后目标预设数量的图[0073]通过将每个图像类别中符合条件的目标图像样本(第一目标图像样本或第二目标的任意一个类别,第三图像类别可以与第一图像类别或第二图像类别相同的图[0081]在另一种实施方式中，基于图像识别模型得到测试图像样本的测试样本特征向别的原型特征，并不必将每个样本的特征与原型特征的距离作为额外参数进行训练学习，特征向量用于第一图像预识别模型从多个图像类别中确定待识别图特征向量用于第二图像预识别模型从多个图像类别中确定待识别图二特征向量(zN9)。示例的，该多个图像样本的第一特征向量可以表示为Z2＝(z19,[0091]需要说明的，图像预识别模型至少包括特征提取于提取图像样本的特征，类别识别层用于根据特征提取层提取的特征预测图像样本的类样本的第一特征向量与其他图像样本的第一特征向量的距的第一特征距离，并基于确定的多个第一特征距离得到第一图像样本的第一特征分布向表示x1的第一特征向样本的第二特征向量与其他图像样本的第二特征向量的距表示x1的[0103]在一种实施方式中，第一图像样本的不确定度以Uncertainty(x1)表征。个图像样本中的每个图像样本的不确定度都可以采用上述步骤一至步骤五的方法进行确基于第一图像样本的第三特征向量分别与多个图像样本的每个图像样本的第三特征向量，[0106]在有三个以上的图像预识别模型时，第四个图像预识别模型至第N个图像预识别于图像类别B的目标原型样本集合的元素，图像样本5确定为属于图像类别C的目标原型样合的最小特征距离，第二原型样本是不属于第一图像类别的目标原型样本集合的原型样[0119]需要说明的，在第一图像类别的目标原型样本集合仅包括第一原型样本的情况型样本集合相似度比较高的样本，从而实现过滤掉多个原型样本中冗余重复的原型样本，本xi属于图像类别m，Pm是第m个图像m))表征图像样本xi到同一类别(即图像类别m)的原型样本集合Pm的特征距离，例xi的特征距离最小的原型样本集合，该原型样本集合是图像类别m之外的其它图像类别的[0134]可选地，还可以通过分类损失函数Lcls约束模型的训练过程。例如，Lcls可采用值大于或等于0、且小于δ,并且图像样本xi到其他图像类别(即多个图像类别中图像类别m硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条[0138]本申请实施例可以根据上述方法示例对计算机设备进行功能单元的划分，例识别模型的训练装置60)的一种可能的结构示意图，该图像识别模型的训练装置60包括识类别；基第一图像样本的第一特征向量分别与每个图像样本的第一特征向量,得到第一特上述提供的任一种图像识别模型的训练装置60的解释以及有益效果的描述均可参考上述和训练单元603中的部分或全部实现的功能可以通过图3中的处理器301执行图3中的存储[0147]关于上述提供的任一种计算机可读存储介质中相关内容的解释及有益效果的描器、特定集成电路(applicationspecificintegratedcircuit，ASIC)、微处理器(digitalsignalprocessor，DSP)，现场可编程门阵列(fieldprogrammablegate或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline，多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例[0150]应注意，本申请实施例提供的上述用于存储计算机指令例如但不限于，上述存储器、计算机可