(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 202210234795.7 (22)申请日 2022.03.10 (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 刘欢　谭资昌　赵耀　李晓龙　 郭国栋　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 范芳茗 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 40/40(2022.01) G06V 40/16(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 深度学习模 型的训练方法、 目标对象识别方 法和装置 (57)摘要 本公开提供了一种深度学习模型的训练方 法和装置、 一种目标对象识别方法和装置、 电子 设备、 存储介质及计算机程序产品， 涉及人工智 能领域， 尤其涉及深度学习、 图像识别和计算机 视觉领域。 具体实现方案为： 根据样本图像的初 始向量特征图， 得到融合特征图， 样本图像包括 目标对象以及目标对象 的标签； 根据融合特征图 和标签， 得到目标对象的第一分类差异值； 根据 第一分类差异值和初始向量特征图， 确定与 样本 图像相对应的增强图像； 以及利用增强图像训练 深度学习模型。 权利要求书4页 说明书14页 附图9页 CN 114612743 A 2022.06.10 CN 114612743 A 1.一种深度学习模型的训练方法， 包括： 根据样本 图像的初始向量特征图， 得到融合特征图， 所述样本 图像包括目标对象以及 所述目标对象的标签； 根据所述融合特 征图和所述标签， 得到目标对象的第一分类差异值； 根据所述第 一分类差异值和所述初始向量特征图， 确定与所述样本图像相对应的增强 图像； 以及 利用所述增强图像训练所述深度学习模型。 2.根据权利要求1所述的方法， 其中， 所述根据样本 图像的初始向量特征图， 得到融合 特征图包括： 对所述初始向量特 征图执行池化操作， 得到第一池化特 征图； 利用第一权 重对所述第一池化特 征图进行处 理， 得到加权池化特 征图； 以及 根据所述第一池化特 征图和所述加权池化特 征图， 得到所述融合特 征图。 3.根据权利要求2所述的方法， 其中， 所述第一权重指示了目标对象的特征的分布概 率。 4.根据权利要求2所述的方法， 其中， 所述根据所述第 一分类差异值和所述初始向量特 征图， 确定与所述样本图像相对应的增强图像包括： 根据所述初始向量图和所述第一权 重， 确定注意力特 征图； 确定所述注意力特 征图中， 数值较大的预定数目个元 素； 根据所述预定数目个元 素， 得到增强矩阵； 以及 根据所述增强矩阵和所述样本图像， 确定所述增强图像。 5.根据权利要求4所述的方法， 其中， 所述确定所述注意力特征图中， 数值较大的预定 数目个元 素包括： 根据选择阈值， 确定所述预定数目。 6.根据权利要求5所述的方法， 其中， 所述样本图像包括N个样本图像， N为大于1的整 数； 所述方法还 包括： 确定所述 N个样本图像的N个第一分类差异值的平均第一分类差异值； 以及 根据所述平均第一分类差异值， 确定所述选择阈值。 7.根据权利要求4所述的方法， 其中， 所述根据所述增强矩阵和所述样本 图像， 确定所 述增强图像包括： 对所述样本图像进行平 滑处理， 得到平 滑样本图像； 以及 根据所述平 滑样本图像、 所述样本图像以及所述增强矩阵， 确定所述增强图像。 8.根据权利要求1所述的方法， 其中， 所述深度学习模型包括特征提取模块、 池化模块 和全连接模块； 所述利用所述增强图像训练所述深度学习模型包括： 根据增强图像的增强向量特 征图， 得到增强融合特 征图； 根据所述增强融合特 征图和所述标签， 得到目标对象的第二分类差异值； 以及 根据所述第二分类差异值， 调整特 征提取模块、 池化模块和全连接模块的参数。 9.根据权利要求8所述的方法， 其中， 所述根据所述增强融合特征图， 得到目标对象的 第二分类差异值包括： 根据所述增强融合特 征图， 确定所述目标对象的增强分类结果 值；权　利　要　求　书 1/4 页 2 CN 114612743 A 2根据初始分类结果值和所述增强分类结果值， 确定所述目标对象的第二分类差异值， 其中， 所述初始分类结果 值是基于所述融合特 征图得到的。 10.根据权利要求9所述的方法， 其中， 所述根据初始分类结果值和所述增强分类结果 值， 确定所述目标对象的第二分类差异值包括： 根据所述初始分类结果值和所述增强分类结果值之间的相对熵， 确定所述目标对象的 第二分类差异值。 11.根据权利要求8所述的方法， 其中， 所述根据所述增强融合特征图， 得到目标对象的 第二分类差异值包括： 根据所述增强融合特 征图， 确定所述目标对象的增强分类结果 值； 以及 根据所述标签和所述增强分类结果 值， 确定所述目标对象的第二分类差异值。 12.一种目标对象识别方法， 包括： 将待识别图像输入深度学习模型， 得到所述待识别图像中目标对象的识别结果， 其中， 所述深度学习模型 是利用权利要求1至1 1中任一项所述的方法训练的。 13.根据权利要求12所述的方法， 其中， 所述目标对象包括面部， 所述识别结果包括真 实面部和伪造面部 。 14.一种深度学习模型的训练装置， 包括： 融合模块， 用于根据样本图像的初始向量特征图， 得到 融合特征图， 所述样本图像包括 目标对象以及所述目标对象的标签； 计算模块， 用于根据所述融合特 征图和所述标签， 得到目标对象的第一分类差异值； 增强模块， 用于根据所述第一分类差异值和所述初始向量特征图， 确定与所述样本 图 像相对应的增强图像； 以及 训练模块， 用于利用所述增强图像训练所述深度学习模型。 15.根据权利要求14所述的装置， 其中， 所述融合模块包括： 池化子模块， 用于对所述初始向量特 征图执行池化操作， 得到第一池化特 征图； 加权子模块， 用于利用第一权重对所述第一池化特征图进行处理， 得到加权池化特征 图； 以及 第一融合子模块， 用于根据所述第一池化特征图和所述加权池化特征图， 得到所述融 合特征图。 16.根据权利要求15所述的装置， 其中， 所述第 一权重指示了目标对象的特征的分布概 率。 17.根据权利要求15所述的装置， 其中， 所述增强模块包括： 注意力子模块， 用于根据所述初始向量图和所述第一权 重， 确定注意力特 征图； 选择子模块， 用于确定所述注意力特 征图中， 数值较大的预定数目个元 素； 生成子模块， 用于根据所述预定数目个元 素， 得到增强矩阵； 以及 增强子模块， 用于根据所述增强矩阵和所述样本图像， 确定所述增强图像。 18.根据权利要求17 所述的装置， 其中， 所述选择子模块包括： 选择单元， 用于根据选择阈值， 确定所述预定数目。 19.根据权利要求18所述的装置， 其中， 所述样本图像包括N个样本图像， N为大于1的整 数； 所述装置还 包括：权　利　要　求　书 2/4 页 3 CN 114612743 A 3