本發(fā)明公開的一種圖像處理模型、機(jī)器學(xué)習(xí)模型的訓(xùn)練方法及裝置，可以根據(jù)第一訓(xùn)練樣本集中第一類別的訓(xùn)練樣本的樣本特征與第二訓(xùn)練樣本集中至少部分訓(xùn)練樣本的樣本特征的相似度，為目標(biāo)訓(xùn)練樣本設(shè)置相應(yīng)的樣本關(guān)系標(biāo)識，之后可以至少使用帶有樣本關(guān)系標(biāo)識的目標(biāo)訓(xùn)練樣本對模型進(jìn)行訓(xùn)練。本發(fā)明可以增加在使用第一訓(xùn)練樣本集對模型進(jìn)行訓(xùn)練時的訓(xùn)練樣本數(shù)量，提高對模型的訓(xùn)練效果，并可以使得模型在學(xué)習(xí)第一訓(xùn)練樣本集中訓(xùn)練樣本的樣本特征時，可以學(xué)習(xí)到來自第二訓(xùn)練樣本集的訓(xùn)練樣本的樣本特征，從而使模型可以具備在第一訓(xùn)練樣本集對應(yīng)的場景和第二訓(xùn)練樣本集對應(yīng)的場景中的通用性。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種圖像處理模型、機(jī)器學(xué)習(xí)模型的訓(xùn)練方法及裝置。

背景技術(shù)

隨著人工智能科學(xué)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)的相關(guān)技術(shù)不斷提高。通過機(jī)器學(xué)習(xí)獲得的圖像識別模型可以有效識別出目標(biāo)圖像的所屬類別。

當(dāng)前，如果要使得圖像識別模型能在多個場景中均具有較高的圖像識別準(zhǔn)確率即具有通用性，則現(xiàn)有技術(shù)需要在多個場景中采集訓(xùn)練樣本并將采集到的訓(xùn)練樣本合并至同一訓(xùn)練樣本集中，再使用合并后的訓(xùn)練樣本集對圖像識別模型進(jìn)行訓(xùn)練。比如，企業(yè)內(nèi)部使用的對員工進(jìn)行人臉識別以進(jìn)行上下班簽到的圖像識別模型，需要對不同時間場景(如不同日期)中的員工均具有較高的圖像識別準(zhǔn)確率，對此，現(xiàn)有技術(shù)需要在多個時間場景中采集員工的人臉圖像(即訓(xùn)練樣本)，并將在多個時間場景中采集到的員工的人臉圖像合并至同一訓(xùn)練樣本集中，再使用合并員工的人臉圖像后的訓(xùn)練樣本集對圖像識別模型進(jìn)行訓(xùn)練。其中，在將多個場景中采集到的訓(xùn)練樣本合并至同一訓(xùn)練樣本集的過程中，首先需人為標(biāo)識出同類別的訓(xùn)練樣本，比如將在上述不同時間場景中采集到的小張的人臉圖像均標(biāo)識為類別為小張的人臉圖像，之后再將已標(biāo)識的訓(xùn)練樣本置于訓(xùn)練樣本集中。

但是，人為標(biāo)識的標(biāo)識效率低，難以完成對數(shù)量較多的訓(xùn)練樣本的標(biāo)識，可能導(dǎo)致合并后的訓(xùn)練數(shù)據(jù)集中某一個或多個類別的訓(xùn)練樣本的樣本數(shù)量不足，使得圖像識別模型對相應(yīng)類別的訓(xùn)練樣本的學(xué)習(xí)效果不足，導(dǎo)致圖像識別模型在不同場景中對相應(yīng)類別的圖像的識別能力不足，無法具有通用性。

發(fā)明內(nèi)容

鑒于上述問題，本發(fā)明提供一種克服上述問題或者至少部分地解決上述問題的圖像處理模型、機(jī)器學(xué)習(xí)模型的訓(xùn)練方法及裝置，技術(shù)方案如下：

一種圖像處理模型的訓(xùn)練方法，所述圖像處理模型的訓(xùn)練樣本集包括第一訓(xùn)練樣本集和第二訓(xùn)練樣本集，所述方法包括：

根據(jù)所述第一訓(xùn)練樣本集中第一類別的訓(xùn)練樣本的圖像特征與所述第二訓(xùn)練樣本集中至少部分訓(xùn)練樣本的圖像特征的相似度，為目標(biāo)訓(xùn)練樣本設(shè)置與所述相似度匹配的樣本關(guān)系標(biāo)識，所述目標(biāo)訓(xùn)練樣本為所述至少部分訓(xùn)練樣本中的樣本，所述樣本關(guān)系標(biāo)識用于表征兩個不同的訓(xùn)練樣本集中的訓(xùn)練樣本的樣本關(guān)系；

至少使用帶有所述樣本關(guān)系標(biāo)識的所述目標(biāo)訓(xùn)練樣本對所述圖像處理模型進(jìn)行訓(xùn)練。

可選的，所述樣本關(guān)系標(biāo)識包括第一標(biāo)識和/或第二標(biāo)識，所述第一標(biāo)識用于指示所述目標(biāo)訓(xùn)練樣本為所述第一類別的訓(xùn)練樣本的負(fù)樣本，所述第二標(biāo)識用于指示所述目標(biāo)訓(xùn)練樣本為所述第一類別的訓(xùn)練樣本的正樣本。

可選的，當(dāng)所述相似度小于第一預(yù)設(shè)閾值時，所述與所述相似度匹配的樣本關(guān)系標(biāo)識為所述第一標(biāo)識；

當(dāng)所述相似度不小于第二預(yù)設(shè)閾值時，所述與所述相似度匹配的樣本關(guān)系標(biāo)識為所述第二標(biāo)識。

可選的，在至少使用帶有所述樣本關(guān)系標(biāo)識的所述目標(biāo)訓(xùn)練樣本對所述圖像處理模型進(jìn)行訓(xùn)練之前的所述圖像處理模型為：已使用所述第一訓(xùn)練樣本集訓(xùn)練過的模型；

或者，在至少使用帶有所述樣本關(guān)系標(biāo)識的所述目標(biāo)訓(xùn)練樣本對所述圖像處理模型進(jìn)行訓(xùn)練之前的所述圖像處理模型為：已使用所述第一訓(xùn)練樣本集和所述第二訓(xùn)練樣本集訓(xùn)練過的模型。