图像识别模型的训练方法、装置、电子设备及存储介质

技术特征：
1.一种图像识别模型的训练方法，其特征在于，所述方法包括：获取样本图像对应的第一图像特征向量；根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量；将所述样本图像输入到最新更新的图像识别模型中，得到所述样本图像对应的分数向量；所述分数向量中包含每个类别的预测分数；针对每一张样本图像，根据所有类别的平均图像特征向量和所述样本图像对应的分数向量，确定所述样本图像对应的第二图像特征向量；将所述样本图像的图像特征向量减去与所述样本图像对应的第二图像特征向量，计算所述样本图像的第三图像特征向量；根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。2.根据权利要求1所述的图像识别模型的训练方法，其特征在于，在根据所有样本图像的第三图像特征向量及其类别，对所述图像识别模型进行模型更新之后，所述方法还包括：确定所述最新更新的图像识别模型的准确率；若最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将所述样本图像输入到最新更新的图像识别模型中，得到所述样本图像对应的分数向量的步骤；若最新更新的图像识别模型的准确率小于等于上一轮更新的图像识别模型的准确率，将所述最新更新的图像识别模型确定为最终的图像识别模型。3.根据权利要求1所述的图像识别模型的训练方法，其特征在于，所述获取样本图像对应的第一图像特征向量，包括：将样本图像输入到最新更新的图像识别模型中，获取样本图像对应的第一图像特征向量。4.根据权利要求1所述的图像识别模型的训练方法，其特征在于，所述根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量，包括：针对每个类别，计算所有样本图像对应的类别中与所述类别相同的数量，得到所述类别的第一数值；将所有属于所述类别的样本图像对应的第一图像特征向量进行相加，计算所述类别的图像特征向量的和，得到第二数值；将所述类别对应的第二数值除以与其对应的第一数值，计算所述类别的平均图像特征向量。5.根据权利要求1所述的图像识别模型的训练方法，其特征在于，所述根据所有类别的平均图像特征向量和所述样本图像对应的分数向量，确定所述样本图像对应的第二图像特征向量，包括：将所述样本图像对应的分数向量进行非负处理，得到非负的分数向量；将所述非负的分数向量进行归一化处理，得到所述样本图像对应的概率权重向量；所述概率权重向量中包含每个类别的预测概率；将所述样本图像对应的概率权重向量和根据所有类别的平均图像特征向量组成的矩阵相乘，计算所述样本图像对应的第二图像特征向量。
6.一种图像识别模型的训练装置，其特征在于，所述装置包括：获取模块，用于获取样本图像对应的第一图像特征向量；计算模块，用于根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量；输入模块，用于将所述样本图像输入到最新更新的图像识别模型中，得到所述样本图像对应的分数向量；所述分数向量中包含每个类别的预测分数；确定模块，用于针对每一张样本图像，根据所有类别的平均图像特征向量和所述样本图像对应的分数向量，确定所述样本图像对应的第二图像特征向量；所述计算模块，还用于将所述样本图像的图像特征向量减去与所述样本图像对应的第二图像特征向量，计算所述样本图像的第三图像特征向量；更新模块，用于根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。7.根据权利要求6所述的图像识别模型的训练装置，其特征在于，所述装置还包括：跳转模块；所述确定模块，还用于确定所述最新更新的图像识别模型的准确率；所述跳转模块，用于若最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将所述样本图像输入到最新更新的图像识别模型中，得到所述样本图像对应的分数向量的步骤；所述确定模块，还用于若最新更新的图像识别模型的准确率小于等于上一轮更新的图像识别模型的准确率，将所述最新更新的图像识别模型确定为最终的图像识别模型。8.根据权利要求6所述的图像识别模型的训练装置，其特征在于，所述获取模块，具体用于：将样本图像输入到最新更新的图像识别模型中，获取样本图像对应的第一图像特征向量。9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至5任一项所述的图像识别模型的训练方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5任一项所述的图像识别模型的训练方法的步骤。

技术总结
本申请提供了一种图像识别模型的训练方法、装置、电子设备及存储介质，该方法包括：获取样本图像对应的第一图像特征向量；根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量；将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量；根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。本申请能够消除干扰识别结果的图像特征，即上下文偏移现象。象。象。


技术研发人员：李革 柳儒扬 李宏 高伟
受保护的技术使用者：北京大学深圳研究生院
技术研发日：2022.03.09
技术公布日：2022/6/10