摘要
本发明实施例公开了一种图像识别模型的训练方法及装置,方法通过获取包含空间标注信息样本图像集合的目标图像训练数据集,能够为后续处理提供丰富且精准的数据基础;对样本图像集合执行空间感知特征提取,生成的多层级卷积特征集合涵盖不同感知粒度的特征表达,有助于全面捕捉图像的各类特征细节;将该特征集合输入自适应损失函数优化模型,并结合动态特征融合机制生成跨层级关联损失函数,能有效挖掘不同层级特征间的关联,为模型优化提供更具针对性的引导;基于此对初始图像识别模型迭代优化,使训练完成的图像识别模型可高效地对输入图像待识别目标进行端到端的空间定位与语义解析,显著提升图像识别的准确性与全面性。
技术关键词
图像识别模型
层级
动态权重分配
损失函数优化
偏移误差
卷积特征提取
特征关联分析
语义标签
分类器参数
样本
误差加权
矩阵
坐标
地理信息数据库
度量
系统为您推荐了相关专利信息
可见光图像
融合方法
网络
联合损失函数
语义分割模型
特征提取单元
特征提取模块
图像识别模型
相互作用模块
计算机辅助诊断方法
协同注意力
生成数据库
跨模态
损失函数优化
多模态数据融合
路面裂缝图像
标签特征
分割方法
直方图均衡化算法
注意力机制
语义分割方法
局部细节特征
特征提取模块
训练神经网络模型
语义标签