CN116824331A - 一种模型训练、图像识别方法、装置、设备及存储介质 - Google Patents
一种模型训练、图像识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116824331A CN116824331A CN202310650574.2A CN202310650574A CN116824331A CN 116824331 A CN116824331 A CN 116824331A CN 202310650574 A CN202310650574 A CN 202310650574A CN 116824331 A CN116824331 A CN 116824331A
- Authority
- CN
- China
- Prior art keywords
- category
- image
- sample image
- probability value
- parent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims description 28
- 230000003993 interaction Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000009806 pulsatillae Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 241000748457 Melampodium Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 241000269913 Pseudopleuronectes americanus Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241000206469 Pulsatilla Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910000856 hastalloy Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本说明书公开了一种模型训练、图像识别方法、装置、设备及存储介质，用于隐私保护，可以通过将样本图像属于每个父类别的概率值和样本图像属于每个类别下的子类别的概率值之间的偏差为约束条件，以使图像识别模型输出的样本图像属于任意一个父类别的概率值和图像识别模型输出的样本图像属于这个父类别下的子类别的概率值保持一致，从而使得在对图像识别模型进行训练过程中，可以在使用细粒度的各样本图像对图像识别模型进行训练的同时，使用部分粗粒度的样本图像对图像识别模型进行训练，进而可以在给定的数量有限的细粒度样本图像的基础上，提升图像识别模型的训练效果。
Description
技术领域
本说明书涉及图像识别技术领域，尤其涉及一种模型训练、图像识别方法、装置、设备及存储介质。
背景技术
随着机器学习技术的发展，图像识别模型在各个领域中都得到了广泛的应用，而在对图像识别模型进行训练的过程中，常用的训练方法为有监督训练，在有监督训练过程中需要根据图像识别模型的识别粒度(例如：粗粒度的动物种类识别，如：猫、狗等、细粒度的动物的品种识别，如：哈士奇、金毛等)，构建与该识别粒度相匹配的标注数据以用于对图像识别模型进行训练。
其中，用于训练图像识别模型的细粒度的标注数据的获取较为困难，例如：细粒度的图片标注需要对图片的质量以及标注人员所掌握的背景知识有着较高的要求，从而导致获取到的用于训练图像识别模型的细粒度的标注数据的数量有限，进而使得图像识别模型的训练效果较差。
发明内容
本说明书提供一种模型训练、图像识别方法、装置、设备及存储介质，以部分的解决现有技术存在的问题。
本说明书采用下述技术方案：
本说明书提供了模型训练方法，所述方法包括：
获取样本图像；
将所述样本图像输入到图像识别模型中，以通过所述图像识别模型确定所述样本图像属于预设的每个类别的概率值，其中，各类别中包含有按照不同粒度层级划分出的父类别和子类别；
针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失；
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练。
可选地，通过所述图像识别模型确定所述样本图像属于每个预设类别的概率值，具体包括：
通过所述图像识别模型确定所述样本图像的图像特征；
针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征；
根据所述调整后类别特征，确定所述样本图像属于所述调整后类别特征对应的类别的概率值。
可选地，所述图像识别模型包括：图像特征提取网络、特征交互网络；
通过所述图像识别模型确定所述样本图像的图像特征，具体包括：
通过所述图像识别模型的所述图像特征提取网络，对所述样本图像进行编码，以确定所述样本图像的图像特征；
针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征，具体包括：
通过所述图像识别模型的所述特征交互网络，针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征。
可选地，确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练之前，所述方法还包括：
针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，以及，根据所述样本图像属于该父类别的概率值和所述样本图像属于其他父类别下的子类别的概率值之间的偏差，确定该父类别对应的第二损失；
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练，具体包括：
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各父类别对应的第二损失为优化目标，对所述图像识别模型进行训练。
可选地，确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练之前，所述方法还包括：
针对每个粒度层级，将所述样本图像在该粒度层级中实际所属的类别，作为目标类别；
根据所述样本图像属于所述目标类别的概率值和所述样本图像属于该粒度层级中的其他类别的概率值之间的差值，确定第三损失；
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练，具体包括：
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各第三损失为优化目标，对所述图像识别模型进行训练。
本说明书提供了一种图像识别方法，包括：
获取待识别图像；
将所述待识别图像输入到预先训练的图像识别模型中，以通过所述图像识别模型确定所述待识别图像属于预设的每个类别的概率值，所述图像识别模型是通过上述模型训练方法训练得到；
根据所述概率值，确定所述待识别图像的识别结果，并根据所述识别结果进行任务执行。
本说明书提供了一种模型训练装置，包括：
获取模块，用于获取样本图像；
第一确定模块，用于将所述样本图像输入到图像识别模型中，以通过所述图像识别模型确定所述样本图像属于预设的每个类别的概率值，其中，各类别中包含有按照不同粒度层级划分出的父类别和子类别；
第二确定模块，用于针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失；
训练模块，用于确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练。
可选地，所述第一确定模块具体用于，通过所述图像识别模型确定所述样本图像的图像特征；针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征；根据所述调整后类别特征，确定所述样本图像属于所述调整后类别特征对应的类别的概率值。
可选地，所述图像识别模型包括：图像特征提取网络、特征交互网络；
所述第一确定模块具体用于，通过所述图像识别模型的所述图像特征提取网络，对所述样本图像进行编码，以确定所述样本图像的图像特征；通过所述图像识别模型的所述特征交互网络，针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征。
可选地，所述第二确定模块具体用于，针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，以及，根据所述样本图像属于该父类别的概率值和所述样本图像属于其他父类别下的子类别的概率值之间的偏差，确定该父类别对应的第二损失；确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各父类别对应的第二损失为优化目标，对所述图像识别模型进行训练。
可选地，所述第二确定模块具体用于，针对每个粒度层级，将所述样本图像在该粒度层级中实际所属的类别，作为目标类别；根据所述样本图像属于所述目标类别的概率值和所述样本图像属于该粒度层级中的其他类别的概率值之间的差值，确定第三损失；确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各第三损失为优化目标，对所述图像识别模型进行训练。
本说明书提供了一种数据查询的装置，包括：
图像获取模块，用于获取待识别图像；
识别模块，用于将所述待识别图像输入到预先训练的图像识别模型中，以通过所述图像识别模型确定所述待识别图像属于预设的每个类别的概率值，所述图像识别模型是通过上述模型训练方法训练得到；
执行模块，用于根据所述概率值，确定所述待识别图像的识别结果，并根据所述识别结果进行任务执行。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练、图像识别方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练、图像识别方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的模型训练方法，首先获取样本图像，将样本图像输入到图像识别模型中，以通过图像识别模型确定样本图像属于预设的每个类别的概率值，其中，各类别中包含有按照不同粒度层级划分出的父类别和子类别，针对每个父类别，根据样本图像属于该父类别的概率值和样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失，确定样本图像对应的标签父类别，并至少以最小化样本图像属于各父类别的概率与标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对图像识别模型进行训练。
从上述方法中可以看出，可以通过将样本图像属于每个父类别的概率值和样本图像属于每个类别下的子类别的概率值之间的偏差为约束条件，以使图像识别模型输出的样本图像属于任意一个父类别的概率值和图像识别模型输出的样本图像属于这个父类别下的子类别的概率值保持一致，从而使得在对图像识别模型进行训练过程中，可以在使用细粒度的各样本图像对图像识别模型进行训练的同时，使用部分粗粒度的样本图像对图像识别模型进行训练，进而可以在给定的数量有限的细粒度样本图像的基础上，提升图像识别模型的训练效果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书中提供的一种模型训练方法的流程示意图；
图2为本说明书中提供的不同粒度层级的不同类别的示意图；
图3为本说明书中提供的图像识别模型的示意图；
图4为本说明书中提供的一种图像识别方法的流程示意图；
图5为本说明书提供的一种模型训练装置的示意图；
图6为本说明书提供的一种图像识别装置的示意图；
图7为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练方法的流程示意图，包括以下步骤：
S100：获取样本图像。
在本说明书中，业务平台在需要对图像识别模型进行训练时，可以先获取到用于训练图像识别模型的样本图像，进而可以通过获取到的样本图像对图像识别模型进行训练。
其中，上述的样本图像可以是不同粒度层级中不同类别的样本图像，具体如图2所示。
图2为本说明书中提供的不同粒度层级中的不同类别的示意图。
结合图2可以看出，在对待识别图像进行识别时，需要确定出待识别图像所属的类别，以得到识别结果，而在确定待识别图像所属的类别时，可以有不同的粒度层级，如图2中的第一粒度层级：鸟、船等，第二粒度层级：信天翁、鹰、商船、航母等，第三粒度层级：黑背信天翁、黑脚信天翁、海东青、隼、尼米兹级航母、企业级航母、远洋船、沿海船等。
其中，第二粒度层级中的类别信天翁、鹰与第一粒度层级中的类别鸟之间存在归属关系，即信天翁和鹰归属于鸟，换句话说，第一粒度层级中的类别鸟是第二粒度层级中的类别信天翁以及鹰的父类别，第二粒度层级中的类别信天翁以及鹰是第一粒度层级中的类别鸟的子类别。同样地，黑背信天翁、黑脚信天翁与信天翁之间存在归属关系，海东青、隼与鹰存在归属关系。
需要说明的是，上述业务平台获取的样本图像可以包含有细粒度的样本图像以及部分粗粒度的样本图像，从而可以在给定的细粒度的样本图像的基础上，提升对图像识别模型进行训练的训练效果。
在本说明书中，用于实现模型训练方法的执行主体，可以是指服务器等设置于业务平台的指定设备，也可以是指诸如台式电脑、笔记本电脑等终端设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的模型训练方法进行说明。
S102：将所述样本图像输入到图像识别模型中，以通过所述图像识别模型确定所述样本图像属于预设的每个类别的概率值，其中，各类别中包含有按照不同粒度层级划分出的父类别和子类别。
进一步地，服务器可以将获取到的样本图像输入到图像识别模型中，以通过图像识别模型确定出样本图像属于预设的每个类别的概率值，这里各类别中包含有按照不同粒度层级划分出的父类别和子类别，具体如图3所示。
图3为本说明书中提供的图像识别模型的示意图。
结合图3可以看出，图像识别模型包括：图像特征提取网络、特征交互网络。其中，服务器可以通过图像识别模型的图像特征提取网络，对样本图像进行编码，以确定样本图像的图像特征，从而可以通过图像识别模型的特征交互网络，针对每个类别，确定图像特征和该类别的初始类别特征之间的关联特征，并通过关联特征对初始类别特征进行调整，得到初始类别特征对应的调整后类别特征，进而可以根据调整后类别特征，确定样本图像属于调整后类别特征对应的类别的概率值。
需要说明的是，上述的关联特征用于表征样本图像中包含的和该类别相关的图像区域。
进一步地，上述的图像识别模型的特征交互网络包括：编码层、解码层、线性投影层。其中，上述的服务器通过图像识别模型的特征交互网络，得到初始类别特征对应的调整后类别特征的方法可以为，服务器可以将样本图像的图像特征以及每个类别的初始类别特征输入到特征交互网络中，以通过特征交互网络的编码层确定样本图像的图像特征对应的自注意力编码。
具体地，服务器可以根据样本图像中的每个像素点对于整个样本图像的重要程度，确定出每个像素点的注意力权重，进而可以根据样本图像中包含的每个像素点的注意力权重以及样本图像的图像特征，确定样本图像的自注意力编码。
除此之外，服务器还可以根据对样本图像进行编码时所使用的每个卷积核的重要程度，确定出通过每个卷积核的注意力权重，进而可以根据每个卷积核的注意力权重以及通过每个卷积核确定出的样本图像的图像特征，确定样本图像的自注意力编码。
进一步地，服务器在通过特征交互网络的编码层确定出样本图像的图像特征对应的自注意力编码后，可以通过特征交互网络的解码层根据确定出的样本图像的图像特征对应的自注意力编码和每个类别的初始类别特征，确定样本图像的图像特征和每个类别的初始类别特征之间的关联特征，进而可以通过关联特征对每个类别的初始类别特征进行调整，得到每个类别的初始类别特征对应的调整后类别特征，其中，这里的调整后类别特征可以作为下一次输入新的样本图像的图像特征到图像识别模型的特征交互网络时，与样本图像的图像特征一并输入的初始化类别特征。
其中，服务器通过特征交互网络，确定出图像特征和每个类别的初始类别特征之间的关联特征的方法可以为基于交叉注意力机制cross-attention的交互学习方法。
进一步地，服务器在通过特征交互网络的解码层确定出样本图像的图像特征对应的调整后类别特征后，可以将确定出的每个类别的调整后类别特征输入到特征交互网络的线性投影层中，以通过线性投影层，确定出样本图像属于每个类别的概率值。
从上述内容中可以看出，在通过样本图像对图像识别模型进行训练的过程中，可以基于样本图像与每个类别相关的关联特征，不断的对每个类别的类别特征进行调整。
S104：针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失。
S106：确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练。
在本说明书中，服务器可以针对每个类别，根据样本图像属于该父类别的概率值和样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失，其中，上述的样本图像属于该父类别的概率值和样本图像属于该父类别下的子类别的概率值之间的偏差越小，确定出的第一损失越小。
进一步地，服务器可以确定样本图像对应的标签父类别，并至少以最小化样本图像属于各父类别的概率值与标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对图像识别模型进行训练，这里的标签父类别可以为样本图像实际所属的父类别。
从上述内容中可以看出，服务器可以通过将样本图像属于每个父类别的概率值和样本图像属于每个类别下的子类别的概率值之间的偏差为约束条件，以使图像识别模型输出的样本图像属于任意一个父类别的概率值和图像识别模型输出的样本图像属于这个父类别下的子类别的概率值保持一致，并且可以使在对每个类别的类别特征进行调整的过程中，使得每个子类别，能够学习到该子类别的父类别的部分类别特征，从而可以增加图像识别模型的鲁棒性。
除此之外，服务器还可以针对每个父类别，根据样本图像属于该父类别的概率值和样本图像属于该父类别下的子类别的概率值之间的偏差，以及，根据样本图像属于该父类别的概率值和样本图像属于其他父类别下的子类别的概率值之间的偏差，确定该父类别对应的第二损失。
其中，样本图像属于该父类别的概率值和样本图像属于该父类别下的子类别的概率值之间的偏差，相比于样本图像属于该父类别的概率值和样本图像属于其他父类别下的子类别的概率值之间的偏差越小，第二损失越小。
进而可以确定样本图像对应的标签父类别，并至少以最小化样本图像属于各父类别的概率值与标签父类别之间的偏差以及最小化各父类别对应的第一损失和各父类别对应的第二损失为优化目标，对图像识别模型进行训练。
另外，服务器还可以针对每个粒度层级，将样本图像在该粒度层级中实际所属的类别，作为目标类别，根据样本图像属于目标类别的概率值和样本图像属于该粒度层级中的其他类别的概率值之间的差值，确定第三损失。其中，样本图像属于目标类别的概率值和样本图像属于该粒度层级中的其他类别的概率值之间的差值越大，则第三损失越小。
进而可以确定样本图像对应的标签父类别，并至少以最小化样本图像属于各父类别的概率值与标签父类别之间的偏差以及最小化各父类别对应的第一损失和各第三损失为优化目标，对图像识别模型进行训练。
需要说明的是，服务器可以至少以最小化样本图像属于各父类别的概率值与标签父类别之间的偏差、上述的第一损失以及第二损失和第三损失中的至少一种损失对图像识别模型进行训练。即上述的第二损失和第三损失，可以单独与以最小化样本图像属于各父类别的概率值与标签父类别之间的偏差以及第一损失共同用于对图像识别模型进行训练，也可以与另一个损失、以最小化样本图像属于各父类别的概率值与标签父类别之间的偏差以及第一损失共同用于对图像识别模型的训练。
例如：服务器可以对上述的第一损失、第二损失和第三损失进行加权融合，得到图像识别模型的目标损失，进而可以以最小化样本图像属于各父类别的概率值与标签父类别之间的偏差以及以最小化目标损失为优化目标，对图像识别模型进行训练。
从上述内容中可以看出，可以利用不同粒度层级下的各类别之间的归属关系，对图像识别模型进行训练，从而可以使得在有限样本的条件下，提升对图像识别模型的训练效果。
除此之外，在实际应用场景中，采集高质量的样本图像所需的成本往往较高，从而导致训练图像识别模型的成本较高，而服务器可以通过上述方法，降低图像识别模型的训练对样本图像的要求，进而可以降低训练图像识别模型的成本。
为了对上述内容进行详细说明，本说明书中还提供的通过上述方法训练得到的图像识别模型进行图像识别的方法，具体如图4所示。
图4为本说明书中提供的一种图像识别方法的流程示意图，包括以下步骤：
S400：获取待识别图像；
S402：将所述待识别图像输入到预先训练的图像识别模型中，以通过所述图像识别模型确定所述待识别图像属于预设的每个类别的概率值，所述图像识别模型是通过上述模型训练方法训练得到；
S404：根据所述概率值，确定所述待识别图像的识别结果，并根据所述识别结果进行任务执行。
在本说明书中，服务器在需要进行图像识别时，可以获取待识别图像，并将待识别图像输入到预先训练的图像识别模型中，以通过图像识别模型确定待识别图像属于预设的每个类别的概率值，其中，图像识别模型是通过上述模型训练方法训练得到的，进而可以根据确定出的待识别图像属于预设的每个类别的概率值，确定待识别图像的识别结果，并根据识别结果进行任务执行。
上述的任务可以是例如：根据待识别图像中的识别结果，生成相应的语音数据，并通过用户所使用的设备播放生成的语音数据。再例如：根据待识别图像中的识别结果，从各商品中选取出于识别结果相匹配的商品推荐给用户等。
从上述内容中可以看出，可以通过训练得到的图像识别模型得到待识别图像的识别结果。
以上为本说明书的一个或多个实施例提供的模型训练、图像识别方法，基于同样的思路，本说明书还提供了相应的模型训练、图像识别装置，如图5、6所示。
图5为本说明书提供的一种模型训练装置的示意图，包括：
获取模块501，用于获取样本图像；
第一确定模块502，用于将所述样本图像输入到图像识别模型中，以通过所述图像识别模型确定所述样本图像属于预设的每个类别的概率值，其中，各类别中包含有按照不同粒度层级划分出的父类别和子类别；
第二确定模块503，用于针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失；
训练模块504，用于确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练。
可选地，所述第一确定模块502具体用于，通过所述图像识别模型确定所述样本图像的图像特征；针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征；根据所述调整后类别特征，确定所述样本图像属于所述调整后类别特征对应的类别的概率值。
可选地，所述图像识别模型包括：图像特征提取网络、特征交互网络；
所述第一确定模块502具体用于，通过所述图像识别模型的所述图像特征提取网络，对所述样本图像进行编码，以确定所述样本图像的图像特征；通过所述图像识别模型的所述特征交互网络，针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征。
可选地，所述第二确定模块503具体用于，针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，以及，根据所述样本图像属于该父类别的概率值和所述样本图像属于其他父类别下的子类别的概率值之间的偏差，确定该父类别对应的第二损失；确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各父类别对应的第二损失为优化目标，对所述图像识别模型进行训练。
可选地，所述第二确定模块503具体用于，针对每个粒度层级，将所述样本图像在该粒度层级中实际所属的类别，作为目标类别；根据所述样本图像属于所述目标类别的概率值和所述样本图像属于该粒度层级中的其他类别的概率值之间的差值，确定第三损失；确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各第三损失为优化目标，对所述图像识别模型进行训练。
图6为本说明书提供的一种模型训练装置的示意图，包括：
图像获取模块601，用于获取待识别图像；
识别模块602，用于将所述待识别图像输入到预先训练的图像识别模型中，以通过所述图像识别模型确定所述待识别图像属于预设的每个类别的概率值，所述图像识别模型是通过上述模型训练方法训练得到；
执行模块603，用于根据所述概率值，确定所述待识别图像的识别结果，并根据所述识别结果进行任务执行。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种模型训练、图像识别方法。
本说明书还提供了图7所示的一种对应于图1的电子设备的示意结构图。如图4，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1的模型训练、图像识别方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程应用检测设备的处理器以产生一个机器，使得通过计算机或其他可编程应用检测设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程应用检测设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程应用检测设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (14)
1.一种模型训练方法，所述方法包括：
获取样本图像；
将所述样本图像输入到图像识别模型中，以通过所述图像识别模型确定所述样本图像属于预设的每个类别的概率值，其中，各类别中包含有按照不同粒度层级划分出的父类别和子类别；
针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失；
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练。
2.如权利要求1所述的方法，通过所述图像识别模型确定所述样本图像属于每个预设类别的概率值，具体包括：
通过所述图像识别模型确定所述样本图像的图像特征；
针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征；
根据所述调整后类别特征，确定所述样本图像属于所述调整后类别特征对应的类别的概率值。
3.如权利要求2所述的方法，所述图像识别模型包括：图像特征提取网络、特征交互网络；
通过所述图像识别模型确定所述样本图像的图像特征，具体包括：
通过所述图像识别模型的所述图像特征提取网络，对所述样本图像进行编码，以确定所述样本图像的图像特征；
针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征，具体包括：
通过所述图像识别模型的所述特征交互网络，针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征。
4.如权利要求1所述的方法，确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练之前，所述方法还包括：
针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，以及，根据所述样本图像属于该父类别的概率值和所述样本图像属于其他父类别下的子类别的概率值之间的偏差，确定该父类别对应的第二损失；
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练，具体包括：
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各父类别对应的第二损失为优化目标，对所述图像识别模型进行训练。
5.如权利要求1或4所述的方法，确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练之前，所述方法还包括：
针对每个粒度层级，将所述样本图像在该粒度层级中实际所属的类别，作为目标类别；
根据所述样本图像属于所述目标类别的概率值和所述样本图像属于该粒度层级中的其他类别的概率值之间的差值，确定第三损失；
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练，具体包括：
确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各第三损失为优化目标，对所述图像识别模型进行训练。
6.一种图像识别方法，包括：
获取待识别图像；
将所述待识别图像输入到预先训练的图像识别模型中，以通过所述图像识别模型确定所述待识别图像属于预设的每个类别的概率值，所述图像识别模型是通过上述权利要求1～5任一项所述的方法训练得到；
根据所述概率值，确定所述待识别图像的识别结果，并根据所述识别结果进行任务执行。
7.一种模型训练装置，包括：
获取模块，用于获取样本图像；
第一确定模块，用于将所述样本图像输入到图像识别模型中，以通过所述图像识别模型确定所述样本图像属于预设的每个类别的概率值，其中，各类别中包含有按照不同粒度层级划分出的父类别和子类别；
第二确定模块，用于针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，确定该父类别对应的第一损失；
训练模块，用于确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失为优化目标，对所述图像识别模型进行训练。
8.如权利要求7所述的装置，所述第一确定模块具体用于，通过所述图像识别模型确定所述样本图像的图像特征；针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征；根据所述调整后类别特征，确定所述样本图像属于所述调整后类别特征对应的类别的概率值。
9.如权利要求8所述的装置，所述图像识别模型包括：图像特征提取网络、特征交互网络；
所述第一确定模块具体用于，通过所述图像识别模型的所述图像特征提取网络，对所述样本图像进行编码，以确定所述样本图像的图像特征；通过所述图像识别模型的所述特征交互网络，针对每个类别，确定所述图像特征和该类别的初始类别特征之间的关联特征，并通过所述关联特征对所述初始类别特征进行调整，得到所述初始类别特征对应的调整后类别特征。
10.如权利要求7所述的装置，所述第二确定模块具体用于，针对每个父类别，根据所述样本图像属于该父类别的概率值和所述样本图像属于该父类别下的子类别的概率值之间的偏差，以及，根据所述样本图像属于该父类别的概率值和所述样本图像属于其他父类别下的子类别的概率值之间的偏差，确定该父类别对应的第二损失；确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各父类别对应的第二损失为优化目标，对所述图像识别模型进行训练。
11.如权利要求7所述的装置，所述第二确定模块具体用于，针对每个粒度层级，将所述样本图像在该粒度层级中实际所属的类别，作为目标类别；根据所述样本图像属于所述目标类别的概率值和所述样本图像属于该粒度层级中的其他类别的概率值之间的差值，确定第三损失；确定所述样本图像对应的标签父类别，并至少以最小化所述样本图像属于各父类别的概率值与所述标签父类别之间的偏差以及最小化各父类别对应的第一损失和各第三损失为优化目标，对所述图像识别模型进行训练。
12.一种图像识别装置，包括：
图像获取模块，用于获取待识别图像；
识别模块，用于将所述待识别图像输入到预先训练的图像识别模型中，以通过所述图像识别模型确定所述待识别图像属于预设的每个类别的概率值，所述图像识别模型是通过上述权利要求1～5任一项所述的方法训练得到；
执行模块，用于根据所述概率值，确定所述待识别图像的识别结果，并根据所述识别结果进行任务执行。
13.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～6任一项所述的方法。
14.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310650574.2A CN116824331A (zh) | 2023-06-02 | 2023-06-02 | 一种模型训练、图像识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310650574.2A CN116824331A (zh) | 2023-06-02 | 2023-06-02 | 一种模型训练、图像识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116824331A true CN116824331A (zh) | 2023-09-29 |
Family
ID=88124998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310650574.2A Pending CN116824331A (zh) | 2023-06-02 | 2023-06-02 | 一种模型训练、图像识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824331A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036870A (zh) * | 2023-10-09 | 2023-11-10 | 之江实验室 | 一种基于积分梯度多样性的模型训练和图像识别方法 |
-
2023
- 2023-06-02 CN CN202310650574.2A patent/CN116824331A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036870A (zh) * | 2023-10-09 | 2023-11-10 | 之江实验室 | 一种基于积分梯度多样性的模型训练和图像识别方法 |
| CN117036870B (zh) * | 2023-10-09 | 2024-01-09 | 之江实验室 | 一种基于积分梯度多样性的模型训练和图像识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116227474B (zh) | 一种对抗文本的生成方法、装置、存储介质及电子设备 | |
| CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
| CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
| CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
| CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
| CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
| CN117934933A (zh) | 一种图像识别模型的训练方法、目标检测的方法以及装置 | |
| CN116091895A (zh) | 一种面向多任务知识融合的模型训练方法及装置 | |
| CN114996570A (zh) | 一种信息推荐的方法及装置 | |
| CN114997277A (zh) | 一种模型训练的方法、任务执行的方法及装置 | |
| CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
| CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
| CN117746193B (zh) | 一种标签优化方法、装置、存储介质及电子设备 | |
| CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN117351946B (zh) | 一种语音识别方法、装置、存储介质及电子设备 | |
| CN118098266B (zh) | 一种基于多模型选择的语音数据处理方法及装置 | |
| CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN117237744B (zh) | 一种图像分类模型的训练方法、装置、介质及电子设备 | |
| CN116935055B (zh) | 一种基于注意力掩码的弱监督语义分割方法及装置 | |
| CN117743824A (zh) | 一种模型训练、业务执行方法、装置、存储介质及设备 | |
| CN118506231A (zh) | 一种视频分类的方法、装置、存储介质及电子设备 | |
| CN116401541A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116150685A (zh) | 一种数据分类方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |