训练图像识别模型和图像识别的方法和装置

摘要

本公开提供了训练图像识别模型和图像识别的方法和装置，涉及人工智能领域，尤其涉及深度学习、计算机视觉领域。具体实现方案为：获取有标签的样本集、无标签的样本集和知识蒸馏网络；执行以下训练步骤：从有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数；将输入样本分别输入知识蒸馏网络的学生网络和教师网络，训练学生网络和教师网络；若满足训练完成条件，则从学生网络和教师网络中选取图像识别模型。通过该实施方式能够减少人工标注量并提高模型的性能。

权利要求

1.一种训练图像识别模型的方法，包括：

获取有标签的样本集、无标签的样本集和知识蒸馏网络，其中，所述有标签的样本集的样本包括样本图像和真实标签，所述无标签的样本集的样本包括样本图像和统一标识，统一标识为在真实标签中不会出现的字符串；

执行以下训练步骤：从所述有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数，其中，随着迭代次数的增加，增大有标签的样本的占比；将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，训练所述学生网络和所述教师网络；若满足训练完成条件，则从所述学生网络和所述教师网络中选取图像识别模型，其中，学生网络和教师网络都是基于CRNN的OCR识别模型。

2.根据权利要求1所述的方法，其中，所述方法还包括：若不满足训练完成条件，则调整所述学生网络与所述教师网络中的相关参数，继续执行所述训练步骤。

3.根据权利要求1所述的方法，其中，所述训练完成条件包括：所述迭代次数达到最大迭代次数或总损失值小于预定阈值。

4.根据权利要求1所述的方法，其中，所述将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，训练所述学生网络和所述教师网络，包括：将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，得到第一预测标签集和第二预测标签集；

基于所述第一预测标签集、所述第二预测标签集和真实标签集计算总损失值。

5.根据权利要求4所述的方法，其中，所述基于所述第一预测标签集、所述第二预测标签集和真实标签集计算总损失值，包括：基于所述第一预测标签集和所述第二预测标签集计算软损失值；

基于所述第一预测标签集和对应的真实标签集计算第一硬损失值；

基于所述第二预测标签集和对应的真实标签集计算第二硬损失值；

将第一硬损失值和第二硬损失值之和确定为硬损失值；

计算所述硬损失值和所述软损失值的加权和作为总损失值，其中，当所述软损失值与所述硬损失值之比大于截断的超参数时，将所述软损失值截断为所述截断的超参数与所述硬损失值之积。

6.根据权利要求1所述的方法，其中，所述从所述有标签的样本集和无标签的样本集中选取输入样本，包括：从所述有标签的样本集选取有标签的样本，并进行数据增强处理后作为输入样本；

从所述无标签的样本集选取无标签的样本，并进行数据增强处理后作为输入样本。

7.根据权利要求1所述的方法，其中，所述从所述有标签的样本集和无标签的样本集中选取输入样本，包括：从所述有标签的样本集选取第一数量的有标签的样本，作为输入样本；

从所述无标签的样本集选取第二数量的无标签的样本，作为输入样本；

其中，所述第二数量与最大迭代次数和当前迭代次数的差成正比，所述第一数量和所述第二数量之和为固定值。

8.根据权利要求1‑7中任一项所述的方法，其中，所述学生网络与所述教师网络的结构完全相同，且均为随机初始化。

9.根据权利要求8所述的方法，其中，从所述学生网络和所述教师网络中选取图像识别模型，包括：获取验证数据集；

基于所述验证数据集分别验证所述学生网络和所述教师网络的性能；

将所述学生网络和所述教师网络中性能最好的网络确定为图像识别模型。

10.一种图像识别的方法，包括：

获取待识别的图像；

将所述图像输入采用如权利要求1‑9之一中任一项所述的方法生成的图像识别模型中，生成识别结果。

11.一种训练图像识别模型的装置，包括：

获取单元，被配置成获取有标签的样本集、无标签的样本集和知识蒸馏网络，其中，所述有标签的样本集的样本包括样本图像和真实标签，所述无标签的样本集的样本包括样本图像和统一标识，统一标识为在真实标签中不会出现的字符串；

训练单元，被配置成执行以下训练步骤：从所述有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数，其中，随着迭代次数的增加，增大有标签的样本的占比；将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，训练所述学生网络和所述教师网络；若满足训练完成条件，则从所述学生网络和所述教师网络中选取图像识别模型，其中，学生网络和教师网络都是基于CRNN的OCR识别模型。

12.根据权利要求11所述的装置，其中，所述训练单元进一步被配置成：若不满足训练完成条件，则调整所述学生网络与所述教师网络中的相关参数，继续执行所述训练步骤。

13.根据权利要求11所述的装置，其中，所述训练完成条件包括：所述迭代次数达到最大迭代次数或总损失值小于预定阈值。

14.根据权利要求11所述的装置，其中，所述训练单元进一步被配置成：将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，得到第一预测标签集和第二预测标签集；

基于所述第一预测标签集、所述第二预测标签集和真实标签集计算总损失值。

15.根据权利要求14所述的装置，其中，所述训练单元进一步被配置成：基于所述第一预测标签集和所述第二预测标签集计算软损失值；

基于所述第一预测标签集和对应的真实标签集计算第一硬损失值；

基于所述第二预测标签集和对应的真实标签集计算第二硬损失值；

将第一硬损失值和第二硬损失值之和确定为硬损失值；

计算所述硬损失值和所述软损失值的加权和作为总损失值，其中，当所述软损失值与所述硬损失值之比大于截断的超参数时，将所述软损失值截断为所述截断的超参数与所述硬损失值之积。

16.根据权利要求11所述的装置，其中，所述训练单元进一步被配置成：从所述有标签的样本集选取有标签的样本，并进行数据增强处理后作为输入样本；

从所述无标签的样本集选取无标签的样本，并进行数据增强处理后作为输入样本。

17.根据权利要求11所述的装置，其中，所述训练单元进一步被配置成：从所述有标签的样本集选取第一数量的有标签的样本，作为输入样本；

从所述无标签的样本集选取第二数量的无标签的样本，作为输入样本；

其中，所述第二数量与最大迭代次数和当前迭代次数的差成正比，所述第一数量和所述第二数量之和为固定值。

18.根据权利要求11‑17中任一项所述的装置，其中，所述学生网络与所述教师网络的结构完全相同，且均为随机初始化。

19.根据权利要求18所述的装置，其中，所述装置还包括验证单元，被配置成：获取验证数据集；

基于所述验证数据集分别验证所述学生网络和所述教师网络的性能；

将所述学生网络和所述教师网络中性能最好的网络确定为图像识别模型。

20.一种图像识别装置，包括：

获取单元，被配置成获取待识别的图像；

识别单元，被配置成将所述图像输入采用如权利要求11‑19之一中任一项所述的装置生成的图像识别模型中，生成识别结果。

21.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1‑10中任一项所述的方法。

说明书

训练图像识别模型和图像识别的方法和装置

技术领域

[0001] 本公开涉及人工智能领域，尤其涉及深度学习、计算机视觉领域，具体为训练图像识别模型和图像识别的方法和装置。

背景技术

[0002] 在图像分类领域中，知识蒸馏方法已经有较多比较成熟的方法，基本都是让学生网络去学习教师网络的软标签输出或者特征图。但是在OCR(Optical Character Recognition，光学字符识别)识别任务中，知识蒸馏的应用目前很少，对于CRNN(Convolutional Recurrent Neural Network，卷积循环神经网络)模型来说，直接对学生网络的软标签进行蒸馏，效果反而没有直接基于标注信息训练的精度高。此外，在蒸馏的时候，一般需要有一个精度更高的教师网络去指导学生网络的训练。但是用于监督的特征因为网络较小，其表达能力仍然具有局限性。

发明内容

[0003] 本公开提供了一种训练图像识别模型和图像识别的方法、装置、设备、存储介质以及计算机程序产品。

[0004] 根据本公开的第一方面，提供了一种训练图像识别模型的方法，包括：获取有标签的样本集、无标签的样本集和知识蒸馏网络，其中，有标签的样本集的样本包括样本图像和真实标签，无标签的样本集的样本包括样本图像和统一标识。执行以下训练步骤：从所述有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数；将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，训练所述学生网络和所述教师网络；若满足训练完成条件，则从所述学生网络和所述教师网络中选取图像识别模型。

[0005] 根据本公开的第二方面，提供了一种图像识别的方法，包括：获取待识别的图像。将图像输入采用第一方面的方法生成的图像识别模型中，生成识别结果。

[0006] 根据本公开的第三方面，提供了一种训练图像识别模型的装置，包括：获取单元，被配置成获取有标签的样本集、无标签的样本集和知识蒸馏网络，其中，有标签的样本集的样本包括样本图像和真实标签，无标签的样本集的样本包括样本图像和统一标识。训练单元，被配置成执行以下训练步骤：从所述有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数；将所述输入样本分别输入所述知识蒸馏网络的学生网络和教师网络，训练所述学生网络和所述教师网络；若满足训练完成条件，则从所述学生网络和所述教师网络中选取图像识别模型。

[0007] 根据本公开的第四方面，提供了一种图像识别装置，包括：获取单元，被配置成获取待识别的图像。识别单元，被配置成将图像输入采用第三方面的装置生成的图像识别模型中，生成识别结果。

[0008] 根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器。以及与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面或第二方面的方法。

[0009] 根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行第一方面或第二方面的方法。

[0010] 根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现第一方面或第二方面的方法。

[0011] 本公开的实施例提供的训练图像识别模型的方法和装置，可以有效地将知识蒸馏方法应用在基于CRNN的OCR识别任务中，在让小模型精度提升的情况下，保持其在预测时的计算量完全不变，提升了模型的实用性。充分利用了无标签数据的语义信息，进一步提升了识别模型的精度与泛化性能。可以很好地扩展到其他的视觉任务中。

[0012] 应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

[0013] 附图用于更好地理解本方案，不构成对本公开的限定。其中：

[0014] 图1是本公开可以应用于其中的示例性系统架构图；

[0015] 图2是根据本公开训练图像识别模型的方法的一个实施例的流程图；

[0016] 图3是根据本公开训练图像识别模型的方法的一个应用场景的示意图；

[0017] 图4是根据本公开训练图像识别模型的装置的一个实施例的结构示意图；

[0018] 图5是根据本公开图像识别的方法的一个实施例的流程图；

[0019] 图6是根据本公开图像识别的装置的一个实施例的结构示意图；

[0020] 图7是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

[0021] 以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

[0022] 图1示出了可以应用本申请实施例的训练图像识别模型的方法、训练图像识别模型的装置、图像识别的方法或图像识别的装置的示例性系统架构100。

[0023] 如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

[0024] 用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、图像识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。

[0025] 这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

[0026] 当终端101、102为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备，来采集各种包含文字的图像，例如票据、街景、卡证等，这些数据虽然没有标注信息但是包含大量的语义信息。

[0027] 数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括样本图像以及与样本图像对应的真实标签。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。

[0028] 服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对知识蒸馏网络进行训练，并可以将训练结果(如生成的图像识别模型)发送给终端101、102。这样，用户可以应用生成的图像识别模型进行图像识别，例如，识别出发票中的文字。

[0029] 这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

[0030] 需要说明的是，本申请实施例所提供的训练图像识别模型的方法或图像识别的方法一般由服务器105执行。相应地，训练图像识别模型的装置或图像识别的装置一般也设置于服务器105中。

[0031] 需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

[0032] 应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。

[0033] 继续参见图2，其示出了根据本申请的训练图像识别模型的方法的一个实施例的流程200。该训练图像识别模型的方法可以包括以下步骤：

[0034] 步骤201，获取有标签的样本集、无标签的样本集和知识蒸馏网络。

[0035] 在本实施例中，训练图像识别模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。

[0036] 样本集分为两类：有标签的样本集、无标签的样本集。其中，有标签的样本集的样本包括样本图像和真实标签，无标签的样本集的样本包括样本图像和统一标识。有标签的样本是人工标注过的样本，例如，图像中包括“XX医院”的招牌，则标注的真实标签为XX医院。无标签的样本是未经标注的图像，可以设置为统一标识，例如#####这类在真实标签中不太可能出现的字符串。

[0037] 知识蒸馏网络包括学生网络和教师网络。学生网络和教师网络都是基于CRNN的OCR识别模型。通常教师网络比学生网络的结构复杂但性能优越。而本申请中教师网络和学生网络还可以采用相同的结构来提升性能。

[0038] OCR与分类或者检测任务不同，输出的软标签结果还会进行CTC做一次解码操作，因此如果直接对基于CRNN的OCR识别模型进行蒸馏，由于难以保证软标签解码结果对齐，效果一般较差。

[0039] 步骤202，从有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数。

[0040] 在本实施例中，执行主体可以从步骤201中获取的有标签的样本集和无标签的样本集选取样本作为用于输入知识蒸馏网络的输入样本，以及执行步骤203至步骤205的训练步骤。其中，输入样本的选取方式和选取数量在本申请中并不限制。例如可以是在有标签的样本集和无标签的样本集中分别随机选取至少一个训练样本，也可以是从中选取图像的清晰度较好(即像素较高)的样本。可选地，每次迭代时选择固定数量的样本，每次选取的有标签的样本数量大于无标签的样本数量。并且随着迭代次数的增加，增大有标签的样本的占比，直到最后一次完全使用有标签的样本而不使用无标签的样本，这样可以提升训练的准确率。

[0041] 每次选取完样本后累加一次迭代次数，迭代次数既可以用于控制模型训练结束，还可以用于控制选取的有标签的样本的占比。

[0042] 步骤203，将输入样本分别输入知识蒸馏网络的学生网络和教师网络，训练学生网络和教师网络。

[0043] 在本实施例中，执行主体可以将步骤202中选取的输入样本的样本图像输入知识蒸馏网络的学生网络，进行有监督的训练。通过学生网络对样本图像的识别，得到识别结果，即第一预测标签。由于输入的是一批样本，因此得到了第一预测标签集。本公开中“第一预测标签”和“第二预测标签”仅是为了区分学生网络和教师网络的识别结果，而不代表执行顺序。事实上，可以同时向学生网络和教师网络输入同样的样本图像。

[0044] 在本实施例中，执行主体可以将步骤202中选取的输入样本的样本图像输入知识蒸馏网络的教师网络。通过教师网络对样本图像的识别，得到识别结果，即第二预测标签。由于输入的是一批样本，因此得到了第二预测标签集。

[0045] 在本实施例中，可基于第一预测标签集和真实标签集计算学生网络的损失值，可基于第二预测标签集和真实标签集计算教师网络的损失值。将学生网络的损失值和教师网络的损失值的加权和作为总损失值。其中，有监督训练时，采用真实标签集和预测标签集计算损失值的方法计算学生网络的损失值即为第一硬损失值。由于每次输入的样本数量不唯一，则累计这批样本的第一硬损失值。有监督训练时，采用真实标签集和预测标签集计算损失值的方法计算教师网络的损失值即为第二硬损失值。由于每次输入的样本数量不唯一，则累计这批样本的第二硬损失值。

[0046] 可选地，基于第一预测标签集、第二预测标签集和真实标签集计算总损失值包括：基于第一预测标签集和第二预测标签集计算软损失值。基于软损失值、第一硬损失值和第二硬损失值计算总损失值。在本实施例中，同样的样本图像，经过两个不同的网络得到的识别结果可能不同。例如，一张图像中包含文字“间”，学生网络的预测结果可能是“间”的概率
90％，“问”的概率10％。而教师网络的预测结果可能是“间”的概率20％，“问”的概率80％。
可根据两个网络的预测结果之间的差异计算软损失值。由于每次输入的样本数量不唯一，则可一起计算这批样本的累计的软损失值。可将软损失值、第一硬损失值和第二硬损失值的加权和作为总损失值。具体的权重可根据需求设置。

[0047] 步骤204，若满足训练完成条件，则从学生网络和教师网络中选取图像识别模型。

[0048] 在本实施例中，训练完成条件可包括迭代次数达到最大迭代次数或总损失值小于预定阈值。若迭代次数达到最大迭代次数或总损失值小于预定阈值，说明模型训练完成，从学生网络和教师网络中选择一个作为图像识别模型。如果学生网络和教师网络的网络结构不同，则可将学生网络作为用于终端侧(例如，手机、平板等处理能力不是很强的设备)的图像识别模型，而网络结构复杂，对硬件有较高要求的教师网络可用作服务器侧的图像识别模型。

[0049] 步骤205，若不满足训练完成条件，则调整学生网络与教师网络中的相关参数，继续执行步骤202‑205。

[0050] 在本实施例中，若迭代次数未达到最大迭代次数且总损失值不小于预定阈值，说明模型训练未完成，通过神经网络反向传播机制，调整学生网络与教师网络中的相关参数。然后反复执行步骤202‑205直到模型训练完成。

[0051] 本公开的上述实施例提供的方法可以利用教师网络指导学生网络的训练，提升学生网络的识别精度。在训练的过程中引入无标签数据，充分利用了无标签数据的语义信息，进一步提升了识别模型的精度与泛化性能。可以很好地扩展到其他的视觉任务中。

[0052] 在本实施例的一些可选的实现方式中，从有标签的样本集和无标签的样本集中选取输入样本，包括：从有标签的样本集选取有标签的样本，并进行数据增强处理后作为输入样本。从无标签的样本集选取无标签的样本，并进行数据增强处理后作为输入样本。对选择的样本中的图像进行随机数据增广，可包括亮度变换、随机裁剪、随机旋转等，再进行尺寸调整与归一化等操作，生成预处理后的图像，作为输入样本。从而既可扩充样本的数量，还能提高模型的泛化能力。

[0053] 在本实施例的一些可选的实现方式中，从有标签的样本集和无标签的样本集中选取输入样本，包括：从有标签的样本集选取第一数量的有标签的样本，作为输入样本。从无标签的样本集选取第二数量的无标签的样本，作为输入样本。其中，所述第二数量与最大迭代次数和当前的迭代次数的差成正比，第一数量和第二数量之和为固定值。例如设置训练最大的迭代次数，设置Emax，设置初始时刻一个batch(批次)内，有标签的样本所占batch内数量的比例为r0，每个batch内训练数据量为bs。设置当前迭代次数为iter，计算有标签的样本采样比例cr＝r0*iter/Emax，从有标签的样本中随机选择cr*bs张图像，从无标签的样本中随机选择bs*(1‑cr)张图像，组成一个batch的输入样本。在训练的过程中，逐渐减少无标签数据在训练集中的比例，甚至最后减少为0。使得模型在学习无标签数据的语义信息之后，在训练后期可以输出更加准确的信息。

[0054] 在本实施例的一些可选的实现方式中，基于软损失值、第一硬损失值和第二硬损失值计算总损失值，包括：基于第一预测标签集和第二预测标签集计算软损失值。基于第一预测标签集和对应的真实标签集计算第一硬损失值。基于第二预测标签集和对应的真实标签集计算第二硬损失值。将第一硬损失值和第二硬损失值之和确定为硬损失值。计算硬损失值和软损失值的加权和作为总损失值，其中，当软损失值与硬损失值之比大于截断的超参数时，将软损失值截断为截断的超参数与硬损失值之积。

[0055] 将输入样本送进知识蒸馏网络，对于所有样本，计算学生网络和教师网络之间特征的损失值(软损失值)，记为Lwo。对于有标签数据，同时计算学生网络的预测标签与真实标签的CTC loss(第一硬损失值)以及教师网络与真实标签的CTC loss(第二硬损失值)，分别记为Lsgt和Ltgt；

[0056] 计算总的损失值Lall＝a*(Lsgt+Ltgt)+b*Norm(Lwo)，其中a,b为权重系数。Norm(Lwo)表示对Lwo的值进行截断，截断规则为:Lwo＝min(th*(Lsgt+Ltgt),Lwo)，其中th为截断的超参数。

[0057] 在训练的过程中，对无标签数据的损失函数进行截断，保证利用真实标签计算得到的损失函数的比例，从而加快训练速度，提高模型的性能。

[0058] 在本实施例的一些可选的实现方式中，学生网络与教师网络的结构完全相同，且均为随机初始化。这样可以避免学生网络因为结构简单，导致性能差的问题。

[0059] 在本实施例的一些可选的实现方式中，从学生网络和教师网络中选取图像识别模型，包括：获取验证数据集。基于验证数据集分别验证学生网络和教师网络的性能。将学生网络和教师网络中性能最好的网络确定为图像识别模型。验证数据集与有标签的样本集、无标签的样本集不重合。验证数据集中每个验证数据包括验证图像和真实值。验证过程就是将验证数据集分别输入学生网络和教师网络的性能，分别得到预测结果。将预测结果再与真实值进行比对，计算出准确率、召回率等性能指标。从而确定出性能最好的网络作为图像识别模型。而不是采用传统的只选择学生网络作为最终模型，不考虑网络性能。本公开的实现方式提高了训练出的图像识别模型的性能，从而能够提高图像识别的准确性。

[0060] 进一步参见图3，图3是根据本实施例的训练图像识别模型的方法的一个应用场景的示意图。在图3的应用场景中，用户所使用的终端上可以安装有模型训练类应用。当用户打开该应用，并上传样本集(例如，招牌图像标注了“NN牛肉面”)或样本集的存储路径后，对该应用提供后台支持的服务器可以运行训练图像识别模型的方法，包括：

[0061] 1、搭建知识蒸馏网络，包含学生网络与教师网络，学生网络与教师网络的结构完全相同，且均为随机初始化；

[0062] 2、准备训练样本，对于有标签的样本，其标签即真实标签，对于无标签的样本，其标签统一记为”###”；

[0063] 3、设置训练最大的迭代次数，设置Emax，设置初始时刻一个batch内，有标签数据所占batch内数量的比例为r0，每个batch内训练数据量为bs；

[0064] 4、设置当前迭代次数为iter，计算有标签的样本采样比例cr＝r0*iter/Emax，从有标签的样本中随机选择cr*bs张图像，从无标签的样本中随机选择bs*(1‑cr)张图像，组成一个batch的数据；

[0065] 5、对选择的图像进行随机数据增广，包括亮度变换、随机裁剪、随机旋转等，再进行resize与normalize等操作，生成预处理后的图像，作为输入样本；

[0066] 6、将输入样本输入知识蒸馏网络，对于所有的样本，计算学生网络和教师网络之间特征的损失函数，记为Lwo；对于有标签的样本，同时计算学生网络的预测结果与真实标签的CTC loss以及教师网络的预测结果与真值标签的CTC loss，分别记为Lsgt和Ltgt；

[0067] 7、计算总的损失函数Lall＝a*(Lsgt+Ltgt)+b*Norm(Lwo)，其中a,b为权重系数。Norm(Lwo)表示对Lwo的值进行截断，截断规则为:Lwo＝min(th*(Lsgt+Ltgt),Lwo)，其中th为截断的超参数。

[0068] 8、梯度反传，同时更新学生网络与教师网络的参数，迭代次数iter自增1，重复第4步，直到模型达到最大迭代次数Emax。

[0069] 9、保存模型，结束训练过程，取学生网络和教师网络中，精度更高的网络作为最终需要的模型。

[0070] 请参见图4，其示出了本申请提供的图像识别的方法的一个实施例的流程400。该图像识别的方法可以包括以下步骤：

[0071] 步骤401，获取待识别的图像。

[0072] 在本实施例中，图像识别的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待识别的图像。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的图像。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的图像。

[0073] 在本实施例中，图像同样可以是彩色图像和/或灰度图像等等。且该图像的格式在本申请中也不限制。

[0074] 步骤402，将图像输入图像识别模型中，生成识别结果。

[0075] 在本实施例中，执行主体可以将步骤401中获取的图像输入图像识别模型中，从而生成检测对象的识别结果。识别结果可以是用于描述图像中文字的信息。例如识别结果可以包括是否在图像中检测到文字，以及在检测到文字情况下的文字内容等。

[0076] 在本实施例中，图像识别模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。

[0077] 需要说明的是，本实施例图像识别的方法可以用于测试上述各实施例所生成的图像识别模型。进而根据测试结果可以不断地优化图像识别模型。该方法也可以是上述各实施例所生成的图像识别模型的实际应用方法。采用上述各实施例所生成的图像识别模型，来进行图像识别，有助于提高图像识别的性能。如找到的包含文字的图像较多，识别出的文字内容比较准确等。

[0078] 进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种训练图像识别模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

[0079] 如图5所示，本实施例的训练图像识别模型的装置500包括：获取单元501和训练单元502。其中，获取单元501，被配置成获取有标签的样本集、无标签的样本集和知识蒸馏网络，其中，有标签的样本集的样本包括样本图像和真实标签，无标签的样本集的样本包括样本图像和统一标识。训练单元502，被配置成执行以下训练步骤：从有标签的样本集和无标签的样本集中选取输入样本，并累加迭代次数。将输入样本分别输入知识蒸馏网络的学生网络和教师网络，训练学生网络和教师网络。若满足训练完成条件，则从学生网络和教师网络中选取图像识别模型。

[0080] 在本实施例的一些可选的实现方式中，训练单元502进一步被配置成：若不满足训练完成条件，则调整学生网络与教师网络中的相关参数，继续执行训练步骤。

[0081] 本实施例的一些可选的实现方式中，训练完成条件包括：迭代次数达到最大迭代次数或总损失值小于预定阈值。

[0082] 本实施例的一些可选的实现方式中，训练单元502进一步被配置成：将输入样本分别输入知识蒸馏网络的学生网络和教师网络，得到第一预测标签集和第二预测标签集。基于第一预测标签集、第二预测标签集和真实标签集计算总损失值。

[0083] 本实施例的一些可选的实现方式中，训练单元502进一步被配置成：基于第一预测标签集和第二预测标签集计算软损失值。基于第一预测标签集和对应的真实标签集计算第一硬损失值。基于第二预测标签集和对应的真实标签集计算第二硬损失值。将第一硬损失值和第二硬损失值之和确定为硬损失值。计算硬损失值和软损失值的加权和作为总损失值，其中，当软损失值与硬损失值之比大于截断的超参数时，将软损失值截断为截断的超参数与硬损失值之积。在本实施例的一些可选的实现方式中，训练单元502进一步被配置成：从有标签的样本集选取有标签的样本，并进行数据增强处理后作为输入样本。从无标签的样本集选取无标签的样本，并进行数据增强处理后作为输入样本。

[0084] 在本实施例的一些可选的实现方式中，训练单元502进一步被配置成：从有标签的样本集选取第一数量的有标签的样本，作为输入样本。从无标签的样本集选取第二数量的无标签的样本，作为输入样本。其中，所述第二数量与最大迭代次数和当前迭代次数的差成正比，第一数量和第二数量之和为固定值。

[0085] 在本实施例的一些可选的实现方式中，学生网络与教师网络的结构完全相同，且均为随机初始化。

[0086] 在本实施例的一些可选的实现方式中，装置500还包括验证单元503，被配置成：获取验证数据集。基于验证数据集分别验证学生网络和教师网络的性能。将学生网络和教师网络中性能最好的网络确定为图像识别模型。

[0087] 进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种图像识别的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

[0088] 如图6所示，本实施例的图像识别的装置600包括：获取单元601和识别单元602。其中，获取单元601，被配置成获取待识别的图像。识别单元602，被配置成将所述图像输入装置500生成的图像识别模型中，生成识别结果。

[0089] 根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

[0090] 一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行流程200或400所述的方法。

[0091] 一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行流程200或400所述的方法。

[0092] 一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现流程200或400所述的方法。

[0093] 图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

[0094] 如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

[0095] 设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

[0096] 计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如训练图像识别模型的方法。例如，在一些实施例中，训练图像识别模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的训练图像识别模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行训练图像识别模型的方法。

[0097] 本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

[0098] 用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

[0099] 在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD‑ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

[0100] 为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

[0101] 可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

[0102] 计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端‑服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

[0103] 应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

[0104] 上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。