对象识别模型的训练方法、对象识别的方法、电子设备与流程

技术特征：
1.一种对象识别的方法，其特征在于，包括：获取候选图像；将包含目标对象的参照图像和所述候选图像输入至预先训练好的对象识别模型，识别出包含所述目标对象的候选图像。2.根据权利要求1所述的方法，其特征在于，还包括：利用所述包含所述目标对象的候选图像，确定所述目标对象的相关信息；所述相关信息包括所述目标对象的标识信息和所述目标对象的位置信息中的至少一种。3.一种对象识别模型的训练方法，其特征在于，包括：利用经过伪标签标注后的第一图像样本集合对初始模型进行第一阶段训练，得到初步训练后的模型；所述伪标签是利用未标注的第一图像样本集合确定的；利用经过软标签标注后的第二图像样本集合对所述初步训练后的模型进行第二阶段训练，获得对象识别模型；所述软标签是利用所述未标注的第一图像样本集合和未标注的第二图像样本集合确定的。4.根据权利要求3所述的方法，其特征在于，所述伪标签的确定方式，包括：利用所述初始模型提取所述未标注的第一图像样本集合的特征，得到第一特征提取结果；将所述第一特征提取结果进行聚类处理，得到至少一个特征簇；所述特征簇用于表征候选对象的特征，所述候选对象是出现在所述未标注的第一图像样本集合的各图像样本中的对象；根据所述特征簇确定伪标签。5.根据权利要求3所述的方法，其特征在于，所述软标签的确定方式，包括：利用所述初步训练后的模型对所述未标注的第二图像样本集合进行特征提取，得到第二特征提取结果；利用所述第二特征提取结果与类中心的相似性，确定软标签；所述类中心是利用所述未标注的第一图像样本集合确定的，所述类中心用于表征特征。6.根据权利要求5所述的方法，其特征在于，所述类中心的确定方式，包括：利用所述初始模型提取所述未标注的第一图像样本集合的特征，得到第一特征提取结果；将所述第一特征提取结果进行聚类处理，得到至少一个特征簇；所述特征簇用于表征候选对象的特征，所述候选对象是出现在所述未标注的第一图像样本集合的各图像样本中的对象；分别对每个所述特征簇进行类中心计算，得到对应的类中心计算结果。7.根据权利要求5或6所述的方法，其特征在于，还包括对所述类中心进行更新的步骤：所述对所述类中心进行更新的步骤，包括：利用所述初步训练后的模型对所述经过伪标签标注后的第一图像样本集合进行特征提取，得到第三特征提取结果；利用所述第三特征提取结果对所述类中心进行更新。8.根据权利要求3所述的方法，其特征在于，在所述第二阶段训练的过程中，满足指定条件的情况下，获得对象识别模型；
所述指定条件是根据指定类型的损失函数的收敛情况确定的；所述损失函数是在所述第二阶段训练过程中的模型计算得到的；所述指定类型的损失函数包括加权三元损失函数和一致性损失函数中的至少一种。9.根据权利要求3所述的方法，其特征在于，所述第二图像样本集合中的样本数量是所述第一图像样本集合中的样本数量的n倍；所述n＞1。10.一种图像识别的方法，应用于增强现实设备和/或虚拟现实设备，其特征在于，包括：获取候选图像；将包含目标对象的参照图像和所述候选图像输入至预先训练好的对象识别模型，识别出包含所述目标对象的候选图像；将所述包含所述目标对象的候选图像渲染至所述增强现实设备和/或虚拟现实设备的显示器上。11.一种对象识别的装置，其特征在于，包括：获取模块，用于获取候选图像；识别模块，用于将包含目标对象的参照图像和所述候选图像输入至预先训练好的对象识别模型，识别出包含所述目标对象的候选图像。12.一种对象识别模型的训练装置，其特征在于，包括：第一阶段训练模块，用于利用经过伪标签标注后的第一图像样本集合对初始模型进行第一阶段训练，得到初步训练后的模型；所述伪标签是利用未标注的第一图像样本集合确定的；第二阶段训练模块，用于利用经过软标签标注后的第二图像样本集合对所述初步训练后的模型进行第二阶段训练，获得对象识别模型；所述软标签是利用所述未标注的第一图像样本集合和未标注的第二图像样本集合确定的。13.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器在执行所述计算机程序时实现权利要求1至9中任一项所述的方法。14.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法。

技术总结
本申请提供了一种对象识别模型的训练方法、对象识别的方法、图像识别方法、电子设备及存储介质，对象识别模型的训练方法是利用经过伪标签标注后的第一图像样本集合对初始模型进行第一阶段训练，得到初步训练后的模型；伪标签是利用未标注的第一图像样本集合确定的；利用经过软标签标注后的第二图像样本集合对初步训练后的模型进行第二阶段训练，获得对象识别模型；软标签是利用未标注的第一图像样本集合和未标注的第二图像样本集合确定的。本申请实施例提供的图像识别方法把对于对象识别模型的训练过程拆分为两个阶段。在第二阶段可以直接利用第一阶段的伪标签得到软标签。第二阶段无需再进行聚类计算，从而节省聚类计算导致的计算开销。致的计算开销。致的计算开销。


技术研发人员：何天宇 金鑫 沈旭 黄建强 余文杰
受保护的技术使用者：阿里巴巴达摩院（杭州）科技有限公司
技术研发日：2022.08.29
技术公布日：2022/11/25