(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211231831.0 (22)申请日 2022.09.30 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 谌强　 (74)专利代理 机构 北京中博世 达专利商标代理 有限公司 1 1274 专利代理师 韩杰 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像识别模 型的训练方法、 图像识别方法以 及相关装置 (57)摘要 本公开提供了一种图像识别模型的训练方 法、 图像识别方法以及相关装置， 涉及人工智能 技术领域， 尤其涉及深度学习、 图像处理、 大模 型、 计算机视觉技术领域。 具体实现方案为： 获取 初始模型的骨干网络包含的模型参数， 对模型参 数进行特征分解， 得到模型参数的至少两个子参 数， 基于图像样本数据对初始模型进行迭代训 练， 以获得图像识别模型， 在任一次迭代训练的 过程中， 基于本次迭代训练的输出结果和图像样 本数据的样本标签， 调整第一子参数， 第二子参 数保持不变。 如此， 达到了对骨干网络中少量参 数进行微调的效果， 能够在 避免模型过拟合的情 况下提升骨干网络的训练效果， 能够训练得到能 力更好的模型， 从而提升 了图像识别的准确性。 权利要求书3页 说明书14页 附图4页 CN 115496916 A 2022.12.20 CN 115496916 A 1.一种图像识别模型的训练方法， 所述方法包括： 获取初始模型的骨干网络包含的模型参数， 其中， 用于训练所述初始模型的图像样本 数据的数量小于阈值； 对所述模型参数进行特征分解， 得到所述模型参数的至少两个子参数， 所述至少两个 子参数包括第一子参数和第二子参数； 基于所述图像样本数据对所述初始模型进行迭代训练， 以获得 所述图像识别模型； 在任一次迭代训练的过程中， 将所述图像样本数据输入上一 次迭代训练后得到的模型 中， 以获得本次迭代训练的输出结果， 根据所述输出结果和所述图像样本数据的样本标签， 调整所述第一子参数， 所述第二子参数保持不变； 所述样本标签用于指示所述图像样本数 据的图像信息 。 2.根据权利要求1所述的方法， 其中， 所述模型参数包括以下至少一项： 所述骨干网络中卷积层包 含的模型参数； 所述骨干网络中的网络层包 含的模型参数。 3.根据权利要求1所述的方法， 其中， 所述第一子参数包括： 权 重子参数； 所述第二子参数包括： 特 征子参数； 所述权重子参数表示所述特征子参数的权重比例， 所述特征子参数表示基于所述模型 参数所确定的语义特 征。 4.根据权利要求1所述的方法， 其中， 所述对所述模型参数进行特征分解， 得到所述模 型参数的至少两个子参数， 包括： 对所述模型参数进行奇异值分解或正交三角分解， 得到所述至少两个子参数。 5.根据权利要求1所述的方法， 其中， 所述根据所述输出结果和所述图像样本数据的样 本标签， 调整所述第一子参数， 包括： 根据所述输出结果与所述图像样本数据的样本标签， 确定本次迭代训练的模型损失 值； 根据所述模型损失值， 调整所述第一子参数。 6.根据权利要求1所述的方法， 还 包括： 获取待识别图像； 将所述待识别图像输入所述图像识别模型， 通过所述图像识别模型提取所述待识别图 像的图像特征， 基于所述图像特征对所述待识别图像进 行处理， 以获得 处理结果， 所述处理 包括分类处 理、 分割处 理或预测处 理中的任一项。 7.一种图像识别方法， 所述方法包括： 获取待识别图像； 将所述待识别图像输入图像识别模型， 通过所述图像识别模型提取所述待识别图像的 图像特征， 基于所述图像特征对 所述待识别图像进 行处理， 以获得 处理结果， 所述处理包括 分类处理、 分割处 理或预测处 理中的任一项； 其中， 所述图像识别模型是采用数量小于 阈值的图像样本数据对初始模型进行训练得 到的； 在采用所述图像样本数据对所述初始模型进行训练的过程中， 所述初始模型 的骨干 网络中包含的第一子参数被调整， 除所述第一子参数外的其他所述骨干网络的第二子参数权　利　要　求　书 1/3 页 2 CN 115496916 A 2保持不变。 8.根据权利要求7 所述的方法， 还 包括： 获取所述初始模型的骨干网络包 含的模型参数； 对所述模型参数进行特征分解， 得到所述模型参数的至少两个子参数， 所述至少两个 子参数包括所述第一子参数和所述第二子参数； 基于所述图像样本数据对所述初始模型进行迭代训练， 以获得 所述图像识别模型； 在任一次迭代训练的过程中， 将所述图像样本数据输入上一 次迭代训练后得到的模型 中， 以获得本次迭代训练的输出结果， 根据所述输出结果和所述图像样本数据的样本标签， 调整所述第一子参数， 所述第二子参数保持不变； 所述样本标签用于指示所述图像样本数 据的图像信息 。 9.一种图像识别模型的训练装置， 所述装置包括： 获取模块， 用于获取初始模型的骨干网络包含的模型参数， 其中， 用于训练所述初始模 型的图像样本数据的数量小于阈值； 分解模块， 用于对所述模型参数进行特征分解， 得到所述模型参数的至少两个子参数， 所述至少两个子参数包括第一子参数和第二子参数； 训练模块， 用于基于所述图像样本数据对所述初始模型进行迭代训练， 以获得所述图 像识别模型； 调整模块， 用于在任一次迭代训练的过程中， 将所述图像样本数据输入上一次迭代训 练后得到的模型中， 以获得本次迭代训练的输出结果， 根据所述输出结果和所述图像样本 数据的样本标签， 调整 所述第一子参数， 所述第二子参数保持不变； 所述样 本标签用于指示 所述图像样本数据的图像信息 。 10.根据权利要求9所述的装置， 其中， 所述模型参数包括以下至少一项： 所述骨干网络中卷积层包 含的模型参数； 所述骨干网络中的网络层包 含的模型参数。 11.根据权利要求9所述的装置， 其中， 所述第一子参数包括： 权 重子参数； 所述第二子参数包括： 特 征子参数； 所述权重子参数表示所述特征子参数的权重比例， 所述特征子参数表示基于所述模型 参数所确定的语义特 征。 12.根据权利要求9所述的装置， 其中， 所述分解模块， 用于： 对所述模型参数进行奇异值分解或正交三角分解， 得到所述至少两个子参数。 13.根据权利要求9所述的装置， 其中， 所述调整模块， 用于： 根据所述输出结果与所述图像样本数据的样本标签， 确定本次迭代训练的模型损失 值； 根据所述模型损失值， 调整所述第一子参数。 14.根据权利要求9所述的装置， 所述获取模块， 还用于获取待识别图像； 所述装置还包括处理模块， 用于将所述待识别图像输入所述图像识别模型， 通过所述 图像识别模型提取所述待识别图像的图像特征， 基于所述图像特征对所述待识别图像进 行 处理， 以获得处 理结果， 所述处 理包括分类处 理、 分割处 理或预测处 理中的任一项。权　利　要　求　书 2/3 页 3 CN 115496916 A 3