摘要：本发明实施例涉及一种声纹识别模型的训练方法、声纹识别方法、装置及设备，涉及语音识别领域，通过迭代执行对所述当前语音数据子集中的语音数据进行预处理，获得语音片段；确定第一对比正对和对比负对；将每个语音片段输入到上一迭代获得的深度残差网络模型中，获得对应的说话人嵌入；针对每个说话人嵌入，从预设说话人嵌入队列中确定对应的最近邻正实例，并确定第二对比正对；根据所述第一对比正对、第二对比正对和对比负对对所述上一迭代获得的深度残差网络模型进行训练，获得当前深度残差网络模型；即本发明的实施例通过额外引入的说话人嵌入队列，选取最近邻正实例来构成额外的对比正对，使得训练出的声纹识别模型准确性更高。

摘要：本申请公开了一种图像识别模型的训练方法、装置、设备和介质，涉及机器学习领域。该方法包括获取样本图像集合，对所述样本图像集合中的样本图像进行区域分割，生成第一样本切片包和第二样本切片包，通过图像识别模型对所述第一样本切片包中的样本图像切片进行特征分析，基于所述切片标签和切片分析结果之间的差异确定第一损失值；通过所述图像识别模型对所述第二样本切片包进行特征分析，基于所述样本标签和切片包分析结果之间的差异，确定所述样本图像对应的第二损失值和所述第二样本切片包对应的第三损失值；基于损失值对所述图像识别模型进行训练。提高了图像识别模型对样本图像切片中目标图像内容的准确性和识别精度。

摘要：本申请提供一种信息识别模型的训练方法、风险预测方法及电子设备。该方法包括获取训练数据，所述训练数据至少包括风险资产信息的客户身份信息、客户交易数据；根据所述训练数据对初始信息识别模型进行迭代训练，达到训练终止条件时得到信息识别模型；其中，所述初始信息识别模型用于根据训练数据输出风险预测结果，所述信息识别模型用于根据待识别资产信息输出待识别资产信息的风险预测结果。本申请的方法可以解决如何提高易贬值资产的识别效果，以提高风险预警能力的问题。

摘要：本说明书实施例描述了意图识别模型的训练方法和装置及意图识别方法和装置。根据实施例的方法，可以在模型训练的前几轮弱化对特定问题的训练，然后利用前几轮训练的意图识别模型可以找出需要进行区分的回答所对应的意图。进一步通过对这些意图的标签进行重置后再训练意图识别模型，能够使得训练得到的意图识别模型对特定问题的回答也具有较好的识别效果，从而达到提高意图识别准确性的目的。

摘要：本申请涉及一种对象识别模型的训练方法、装置、计算机设备。方法包括获取训练样本集，基于编码网络对样本组进行编码处理，得到正样本对象对应的第一混合编码、负样本对象对应的第二混合编码和标准混合编码；将混合编码分别输入至特征提取模型中，得到第一对象特征、第二对象特征和标准对象特征；通过特征适配网络、第一对象特征、第二对象特征和标准对象特征，得到第一特征距离和第二特征距离；基于第一特征距离和第二特征距离训练距离判决阈值和特征适配网络，并根据编码网络、特征提取模型、训练后的特征适配网络和距离判决阈值，构建对象识别模型。采用本方法能够提升对象识别的准确度。

摘要：本发明公开了一种箱号识别模型的训练方法、箱号识别方法、装置及设备。箱号识别模型的训练方法，包括获取各集装箱图片样本，以及分别与各集装箱图片样本匹配的标签数据；将各集装箱图片样本输入至初始Swin模型中，得到各集装箱号识别结果；根据各集装箱号识别结果，以及分别与各集装箱图片样本匹配的标签数据，对初始Swin模型进行调整，得到目标Swin模型。本发明实施例的技术方案能够节约人工成本，在不受自然环境影响的前提下，提升箱号识别的效率。

摘要：本发明公开了性格识别模型的训练方法、性格识别方法、装置及系统，方法包括获取具有性格色彩标注信息的训练数据，训练数据包括音频训练数据以及文本训练数据；将训练数据输入至预先构建的双模态性格识别模型中，获得模型输出结果，双模态性格识别模型包括文本特征提取模型和语音特征提取模型；根据模型输出结果与训练数据的性格色彩标注信息，获得损失函数值；根据损失函数值更新双模态性格识别模型的模型参数，直到双模态性格识别模型满足预设收敛条件。通过融合了语音和文本的双模态信息对性格识别模型进行训练，使得训练完成的模型能充分利用客户的语音和文本信息实现准确高效的性格色彩识别，提高了性格色彩识别的覆盖率。

摘要：本申请提供了一种对象识别模型的训练方法、对象识别的方法、图像识别方法、电子设备及存储介质，对象识别模型的训练方法是利用经过伪标签标注后的第一图像样本集合对初始模型进行第一阶段训练，得到初步训练后的模型；伪标签是利用未标注的第一图像样本集合确定的；利用经过软标签标注后的第二图像样本集合对初步训练后的模型进行第二阶段训练，获得对象识别模型；软标签是利用未标注的第一图像样本集合和未标注的第二图像样本集合确定的。本申请实施例提供的图像识别方法把对于对象识别模型的训练过程拆分为两个阶段。在第二阶段可以直接利用第一阶段的伪标签得到软标签。第二阶段无需再进行聚类计算，从而节省聚类计算导致的计算开销。

摘要：本申请提供了一种意图识别模型的训练方法、意图识别方法及装置，方法包括获取训练样本集；训练样本集中的样本包括标注有意图标签的问句；采用训练样本集中的样本对预训练模型进行训练；获取样本对应的初始输出向量；根据初始输出向量确定预训练模型的初始反向传播梯度；基于初始反向传播梯度，对初始输出向量增加预设次数的扰动，得到目标反向传播梯度；根据目标反向传播梯度更新预训练模型的模型参数，得到意图识别模型。本申请利用预训练模型中反向传播的梯度，对模型样本对应的输出向量，即词嵌入层向量进行对抗扰动，这种对抗训练方法可以提高模型鲁棒性。

摘要：本申请提供了一种表情识别模型的训练方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括获取样本对象的样本表情数据，样本表情数据包括标注有原始标签的样本人脸图像，通过深度特征提取网络对样本人脸图像进行特征提取，得到样本表情特征向量；根据原始标签对样本表情特征向量进行分类处理，得到标签表情特征向量；通过图生成网络对标签表情特征向量进行图生成处理，得到样本表情图结构；根据样本表情图结构对神经网络模型进行训练，得到预测表情类别特征；通过损失函数和预测表情类别特征对神经网络模型的模型参数进行优化处理，得到表情识别模型。本申请能够提高模型的训练效果。

摘要：本发明公开了一种人脸识别模型的训练方法、存储介质及智能门锁，该训练方法包括获取第一训练图像集，第一训练图像集包括样本图像和与样本图像对应的深度图像；将样本图像和深度图像，输入至初始人脸识别模型进行训练，得到样本特征向量、深度特征向量、融合特征；基于样本特征向量、深度特征向量、融合特征确定初始人脸识别模型的损失函数；根据初始人脸识别模型的损失函数，调整初始人脸识别模型的参数，得到目标人脸识别模型。该训练方法无需采集百万级别的彩色图像及其对应的深度图像，具有训练成本低的优点，且该训练方法训练得到的目标人脸识别模型具有人脸识别精度高，人脸识别能耗低，人脸识别速度快的优点。

摘要：本公开实施例提供了一种动作识别模型的训练方法、装置、设备和存储介质。模型训练方法包括构建包括动作识别网络的初始动作识别模型和包括暗光增强网络暗光增强模型；利用动作识别网络基于暗光样本视频得到动作识别向量；利用暗光增强网络基于暗光样本视频得到暗光增强视频；基于动作识别向量确定动作类型损失函数；基于暗光增强视频确地仅能够定第一鉴别损失函数；基于动作类型损失函数和第一鉴别损失函数，对初始动作识别模型和暗光增强模型同时进行训练。由于采用动作类型损失函数和第一鉴别损失函数对模型同时进行训练，使初始动作识别模型的网络参数调整受到了第一鉴别损失函数的影响，具有直接处理暗光视频得到其中对象的动作类型的能力。

摘要：本公开关于一种语音识别模型的训练方法及装置、语音识别方法及装置。语音识别模型的训练方法包括获取训练样本，其中，训练样本包括语音样本和与语音样本对应的标注文本，标注文本包括与语音样本对应的目标文本信息和目标语种信息；将语音样本输入到待训练的语音识别模型中，得到语音样本的预测识别结果，其中，预测识别结果包括与语音样本对应的预测文本信息和预测语种信息；基于预测识别结果和标注文本，对语音识别模型进行训练，得到训练完成的语音识别模型。

摘要：本申请公开了一种目标识别模型的训练方法和目标识别方法及相关装置，其中，目标识别模型的训练方法包括基于目标识别模型的特征提取网络，提取样本图像的样本图像特征，且样本图像标注有样本图像所属的样本类别，再基于目标识别模型的分类网络，度量样本图像特征分别与各种样本类别的特征相似度，并度量样本图像特征分别与各种样本类别的特征距离，且分类网络包含各种样本类别的参考特征；并基于样本图像所属的样本类别和二元损失函数，对样本图像特征与各样本类别的特征相似度和特征距离进行损失度量，得到第一损失，并基于第一损失，调整目标识别模型的网络参数。上述方案，能够提高目标识别模型的鲁棒性、准确性以及模型的训练效率。

摘要：本公开涉及语音识别领域，具体涉及一种语音识别模型的训练方法、装置、存储介质及电子设备。该语音识别模型的训练方法包括构建初始语音识别模型；固定第二初始参数，基于无标注数据集计算对比学习损失函数以将第一初始参数调整为第一中间参数；固定第一中间参数，基于有标注数据集计算第一联合损失函数以将第二初始参数调整为第二中间参数；基于有标注数据集计算第二联合损失函数，并根据第二联合损失函数对第一网络和第二网络进行训练，以调整第一中间参数和第二中间参数得到目标语音识别模型。本公开提供的语音识别模型的训练方法能够解决语音识别模型在标注数据不足时识别性能低的问题。

摘要：本发明公开了文本识别模型的训练方法、文本识别方法、装置及设备。该文本识别模型训练方法包括获取第一文本识别模型；对第一文本识别模型进行训练，在第一文本识别模型的训练过程达到第一训练条件的情况下，将解码模块中的网络层减少至目标数量，得到第二文本识别模型；对第二文本识别模型进行训练，在第二文本识别模型的训练过程达到第二训练条件的情况下，基于轻量化编码模块替换第二文本识别模型中的编码模块，得到第三文本识别模型；对第三文本识别模型进行训练，在第三文本识别模型的训练过程达到第三训练条件的情况下，得到训练完成的文本识别模型。本发明对文本识别模型进行多次调整和训练，兼顾模型准确率和大小，提高模型的适用范围。

摘要：本公开提供了一种语音识别模型的训练方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及深度学习、语音识别等领域。具体实现方案为根据正例样本构建负例样本，得到用于约束语音解码路径的目标负例样本；根据正例样本及目标负例样本，得到训练数据；根据训练数据对第一语音识别模型进行训练，得到第二语音识别模型。采用本公开，可以提高语音识别的准确率。

摘要：本申请提供了一种保单识别模型的训练方法和装置、保单识别方法和装置，属于人工智能技术领域。该方法包括获取包括正保单样本和负保单样本的第一样本数据；对第一样本数据进行特征提取，得到目标保单特征；根据目标保单特征构建样本特征数据；根据样本特征数据对预设的神经网络模型进行训练，得到分类预测结果；根据分类预测结果对神经网络模型进行性能评估，得到性能数据；若性能数据为第一数据,则根据预设的分位点以及性能数据对正保单样本和负保单样本进行筛选处理，得到第二样本数据；将第二样本数据和分类预测结果输入至神经网络模型进行训练，直到性能数据由第一数据转变为第二数据，得到保单识别模型。本申请能够改善模型的训练效果。

摘要：本申请公开了一种语义识别模型的训练方法、装置、电子设备及存储介质，属于互联网技术领域。该方法获取样本搜索词和第一样本业务信息，基于第一样本业务信息的多个字段分别对应的字段类型，确定第一样本业务信息的多个字段分别对应的掩盖方式，基于该多个字段分别对应的掩盖方式，对第一样本业务信息的多个字段中的词分别进行掩盖，得到第二样本业务信息，基于样本搜索词和第二样本业务信息，进行模型训练，得到语义识别模型。由于多个字段中的词都进行了掩盖，因此，这样可以使模型充分学习多个字段的语义信息，从而提高语义识别模型的推理能力。

摘要：本公开是关于一种语音识别模型的训练方法和装置、电子设备和存储介质。该方法包括将各个训练样本中的语音数据分别输入到老师模型和待训练的语音识别模型，并获取所述老师模型输出的Embedding数据和待训练的语音识别模型输出的编码数据；对所述Embedding数据进行多码本量化处理得到码本量化数据；基于所述编码数据、所述码本量化数据和所述训练样本中的文本数据计算损失值；当所述损失值小于或者等于预设的损失值阈值和/或训练次数大于预设训练次数时停止对待训练的语音识别模型进行训练，获取到经训练的语音识别模型。本实施例中码本量化数据所需存储空间极大降低；或者直接训练语音识别模型需要的算力较少，可以降低成本。