CN108875764A - 模型训练方法、装置、系统和计算机可读介质 - Google Patents
模型训练方法、装置、系统和计算机可读介质 Download PDFInfo
- Publication number
- CN108875764A CN108875764A CN201710566938.3A CN201710566938A CN108875764A CN 108875764 A CN108875764 A CN 108875764A CN 201710566938 A CN201710566938 A CN 201710566938A CN 108875764 A CN108875764 A CN 108875764A
- Authority
- CN
- China
- Prior art keywords
- model
- father
- training
- data
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种模型训练方法、装置、系统和计算机可读介质,该方法包括:利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,多个父模型中的每一个能够检测一种目标对象并生成一种标签;对应于每个输入数据,将多种带标签的数据整合以形成训练数据,训练数据同时包含多种标签;基于训练数据训练一个子模型,子模型能够检测多种目标对象,多种目标对象为所述多个父模型能够检测的目标对象的集合。本发明的模型训练方法、装置、系统和计算机可读介质利用已经训练好的多个各自能检测一种目标对象的父模型生成训练数据来训练能够检测多种目标对象的子模型,极大地提高了现有数据的利用率,减少了模型训练所需的时间。
Description
技术领域
本发明涉及机器学习技术领域,更具体地涉及一种模型训练方法、装置、系统和计算机可读介质。
背景技术
在模型训练中,优良的数据库是不可缺少的组成成分。现有的模型训练方法往往利用人工对数据手动添加需要的标签,这种方法耗时耗力。并且,在现有的模型训练方法中,通常一种数据库只能训练固定类型的标签,也就是说,采用一种数据库训练出来的模型仅能检测一种目标对象并生成一种标签(即与该种目标对象对应的标签)。
然而,在一些模型中,对于标签的需求经常是变化的,例如在语义分析的模型中,对于标签的需求经常改动、增加。对于标签的需求一旦变动,就需要手动将数据重新整合,甚至将同一图片输入多个模型以获得标签,这也成为实际上严重拖慢时间进度的一环。
发明内容
为了解决上述问题提出了本发明。根据本发明一方面,提供了一种模型训练方法,所述模型训练方法包括:利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签;对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签;以及基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。
在本发明的一个实施例中,所述多个父模型是利用已有的不同的数据库分别训练得到的。
在本发明的一个实施例中,所述数据库的选择是基于待训练的所述子模型所要检测的目标对象的类型来确定的。
在本发明的一个实施例中,所述多个父模型的训练是并行进行的。
根据本发明另一方面,提供了一种模型训练装置,所述模型训练装置包括:父模型处理模块,用于利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签;数据整合模块,用于对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签;以及子模型训练模块,用于基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。
在本发明的一个实施例中,所述装置还包括父模型训练模块,所述父模型训练模块利用已有的不同的数据库分别训练得到所述多个父模型。
在本发明的一个实施例中,所述父模型训练模块基于待训练的所述子模型所要检测的目标对象的选择训练所述父模型需要利用的数据库。
在本发明的一个实施例中,所述装置包括多个父模型训练模块,每个父模型训练模块训练一个父模型,所述多个父模型训练模块并行训练各自的父模型。
根据本发明再一方面,提供了一种模型训练系统,所述模型训练系统包括存储装置和处理器,所述存储装置上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行上述任一项所述的模型训练方法。
根据本发明又一方面,提供了一种计算机可读介质,所述计算机可读介质上存储有计算机程序,所述计算机程序在运行时执行上述任一项所述的模型训练方法。
根据本发明实施例的模型训练方法、装置、系统和计算机可读介质利用已经训练好的多个各自能检测一种目标对象并生成一种标签的父模型生成同时包含多种标签的训练数据来训练能够检测多种目标对象的子模型,使得对标签的需求的更改更加方便快捷,极大地提高了现有数据的利用率,减少了模型训练所需的时间。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出用于实现根据本发明实施例的模型训练方法、装置、系统和计算机可读介质的示例电子设备的示意性框图;
图2示出根据本发明实施例的模型训练方法的示意性流程图;
图3示出采用图2所示模型训练方法训练模型的示例;
图4示出根据本发明实施例的模型训练装置的示意性框图;以及
图5示出根据本发明实施例的模型训练系统的示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
首先,参照图1来描述用于实现本发明实施例的模型训练方法、装置、系统和计算机可读介质的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108以及图像传感器110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的模型训练方法、装置、系统和计算机可读介质的示例电子设备可以被实现为诸如智能手机、平板电脑等。
下面,将参考图2描述根据本发明实施例的模型训练方法200。
在步骤S210,利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签。
在步骤S220,对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签。
在步骤S230,基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。
在本文的描述中,术语“父模型”指的是已经训练好的模型,或者指可以利用现有的数据库(或称为现有的训练数据集)训练得到的模型。术语“子模型”指的是待训练的模型。将已经训练好的模型称为“父模型”,将待训练的模型称为“子模型”,其目的在于将已经训练好的模型与待训练的模型区分开来,而非限制的目的。在另一个实施例中,也可将已经训练好的模型称为“老师模型”,而将待训练的模型称为“学生模型”。在其他实施例中,也可采用其他的称呼或命名方式,使其区分开来。
在一个实施例中,步骤S210中所利用的多个父模型(例如至少两个父模型)可以是已经训练好的父模型,这些父模型的选择是基于待训练的子模型所要检测的目标对象的类型来确定的。例如,对待训练的子模型的需求是该子模型能够检测三种目标对象A’、B’和C’(例如目标对象A’为人体的上下身,目标对象B’为包、目标对象C’为伞),这三种目标对象对应的标签例如分别为标签A、标签B和标签C(例如标签A为人体的上下身的分类,标签B为对包的识别,标签C为对伞的分析识别)。那么,在步骤S210中可以相应地选择三个已经训练好的父模型,例如分别为父模型1、父模型2以及父模型3,其中父模型1能够检测目标对象A’并生成标签A,父模型2能够检测目标对象B’并生成标签B,父模型3能够检测目标对象C’并生成标签C。
在另一个实施例中,步骤S210中所利用的多个父模型可以是利用已有的数据库能够分别训练得到的,其中,训练这些父模型所需要的已有数据库的选择是基于待训练的子模型所要检测的目标对象的类型来确定的。例如,对待训练的子模型的需求是该子模型能够检测三种目标对象,分别为目标对象A’,目标对象B’和目标对象C’,其对应的三种标签分别为标签A、标签B和标签C,那么可以相应地选择三种已有的数据库,例如分别为数据库a,数据库b以及数据库c,可分别基于这三个数据库训练得到相应的父模型,例如利用数据库a进行模型训练以得到父模型1,利用数据库b进行模型训练以得到父模型2,利用数据库c进行模型训练以得到父模型3,得到的父模型1能够检测目标对象A’并生成标签A,父模型2能够检测目标对象B’并生成标签B,父模型3能够检测目标对象C’并生成标签C。
在一个实施例中,所述多个父模型的训练是并行进行的。例如,在上面的示例中,利用数据库a/b/c来分别训练父模型1/2/3的过程可以是并行进行的,这样可以进一步提高效率,减少时间成本。此外,不同父模型的训练完全可以分离,这样能够将复杂问题分成多个部分进行,极大增加了问题的并行度。
现在结合图3的示例来理解图2所示方法的模型训练过程。如图3所示,假定输入数据为包含1000张图像的数据集D(仅为示例性的),假定待训练的子模型所要检测的目标对象的类型包括三种,分别为目标对象A’、目标对象B’和目标对象C’,这三种目标对象分别对应的标签为标签A、标签B和标签C。
基于此,首先,可如前述步骤S210所述的,可选择训练好的能够分别生成标签A、标签B和标签C的父模型1、父模型2和父模型3,并分别采用父模型1、父模型2以及父模型3对数据集D进行处理,即对数据集D中的每一张图像进行处理。具体地,父模型1经过处理后输出带有标签A的数据集D,即带有标签A的1000张图像;父模型2经过处理后输出带有标签B的数据集D,即带有标签B的1000张图像;父模型3经过处理后输出带有标签C的数据集D,即带有标签C的1000张图像。
接着,如前述步骤S220所述的,对应于每个输入数据,在该示例中为对应于每张图像,将带有标签A的该张图像、带有标签B的该张图像以及带有标签C的该张图像进行整合,得到同时包含标签A、标签B和标签C的该张图像,由于是对数据集D的每张图像都这样处理,因此可以形成同时包含标签A、标签B和标签C的1000张图像。
最后,可如前述步骤S230所述的,将同时包含标签A、标签B和标签C的1000张图像作为训练数据来训练一个子模型,得到的子模型即可检测与标签A、B、C所对应的三种目标对象A’、B’和C’,即该子模型所能检测的目标对象为父模型1、2、3能够检测的目标对象的集合。
在另一个示例中,前述的父模型1、父模型2以及父模型3对数据集D中的每一张图像进行处理后,可以不输出带标签的图像数据,而是输出标签的位置。然后,根据三个父模型输出的标签的位置,直接在输入图像上生成三种标签,以生成同时包含上述三种标签的图像。同样地,由于是对数据集中的每一张图像进行这样的处理,因此可形成同时包含上述三种标签的训练数据以用于训练能够检测三种对应的目标对象的子模型。
在前述的示例中,训练子模型所使用的训练数据是同时带有三种标签(A、B和C)的训练数据,该训练数据中自带的三种标签并非人工标注添加的,而是基于已经训练好的父模型生成的,这样可以节省大量的时间,极大地提高现有数据的利用率,无需重新提供训练数据,而是利用先训模型将已有数据库增强,再基于增强的数据训练子模型。
基于上面的描述,根据本发明实施例的模型训练方法利用已经训练好的多个各自能检测一种目标对象并生成一种标签的父模型生成同时包含多种标签的训练数据来训练能够检测多种目标对象的子模型,使得对标签的需求的更改更加方便快捷,极大地提高了现有数据的利用率,减少了模型训练所需的时间。
示例性地,根据本发明实施例的模型训练方法可以在具有存储器和处理器的设备、装置或者系统中实现。
示例性地,根据本发明实施例的模型训练方法可以部署在个人终端处,诸如智能电话、平板电脑、个人计算机等。替代地,根据本发明实施例的模型训练方法还可以部署在服务器端(或云端)。替代地,根据本发明实施例的模型训练方法还可以分布地部署在服务器端(或云端)和个人终端处。替代地,根据本发明实施例的模型训练方法还可以分布地部署在不同的个人终端处。
以上示例性地描述了根据本发明实施例的模型训练方法所包括的示例性步骤流程。
下面结合图4描述本发明另一方面提供的模型训练装置。图4示出了根据本发明实施例的模型训练装置400的示意性框图。
如图4所示,根据本发明实施例的模型训练装置400包括父模型处理模块410、数据整合模块420以及子模型训练模块430。所述各个模块可分别执行上文中结合图2描述的模型训练方法的各个步骤/功能。以下仅对模型训练装置400的各单元的主要功能进行描述,而省略以上已经描述过的细节内容。
父模型处理模块410用于利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签。数据整合模块420用于对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签。子模型训练模块430用于基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。父模型处理模块410、数据整合模块420以及子模型训练模块430均可以由图1所示的电子设备中的处理器102运行存储装置104中存储的程序指令来实现。
在本文的描述中,术语“父模型”指的是已经训练好的模型,或者指可以利用现有的数据库(或称为现有的训练数据集)训练得到的模型。术语“子模型”指的是待训练的模型。将已经训练好的模型称为“父模型”,将待训练的模型称为“子模型”,其目的在于将已经训练好的模型与待训练的模型区分开来,而非限制的目的。在另一个实施例中,也可将已经训练好的模型称为“老师模型”,而将待训练的模型称为“学生模型”。在其他实施例中,也可采用其他的称呼或命名方式,使其区分开来。
在一个实施例中,父模型处理模块410所利用的多个父模型(例如至少两个父模型)可以是已经训练好的父模型,这些父模型的选择是基于待训练的子模型所要检测的目标对象的类型来确定的。例如,对待训练的子模型的需求是该子模型能够检测标签三种目标对象A’、B’和C’(例如目标对象A’为人体的上下身,目标对象B’为包、目标对象C’为伞),这三种目标对象对应的标签例如分别为标签A、标签B和标签C(例如标签A为人体的上下身的分类,标签B为对包的识别,标签C为对伞的分析识别。那么,父模型处理模块410可以相应地选择三个已经训练好的父模型,例如分别为父模型1、父模型2以及父模型3,其中父模型1能够检测目标对象A’并生成标签A,父模型2能够检测目标对象B’并生成标签B,父模型3能够检测目标对象C’并生成标签C。
在另一个实施例中,模型训练装置400还可以包括父模型训练模块(未在图4中示出)。在该实施例中,父模型处理模块410所利用的多个父模型可以是父模型训练模块利用已有的数据库能够分别训练得到的,其中,训练这些父模型所需要的已有数据库的选择是基于待训练的子模型所要检测的目标对象的类型来确定的。例如,对待训练的子模型的需求是该子模型能够检测三种目标对象,分别为目标对象A’,目标对象B’和目标对象C’,其对应的标签分别为标签A、标签B和标签C,那么父模型训练模块可以相应地选择三种已有的数据库,例如分别为数据库a,数据库b以及数据库c,可分别基于这三个数据库训练得到相应的父模型,例如利用数据库a进行模型训练以得到父模型1,利用数据库b进行模型训练以得到父模型2,利用数据库c进行模型训练以得到父模型3,得到的父模型1能够检测目标对象A’并生成标签A,父模型2能够检测目标对象B’并生成标签B,父模型3能够检测目标对象C’并生成标签C。
在一个实施例中,所述多个父模型的训练是并行进行的。例如,在上面的示例中,模型训练装置400可以包括多个父模型训练模块(未在图4中示出),每个父模型训练模块训练一个父模型。这些父模型模块各自利用数据库a/b/c来并行地训练父模型1/2/3,这样可以进一步提高效率,减少时间成本。此外,由于采用多个父模型训练模块,不同父模型的训练完全可以分离,这样能够将复杂问题分成多个部分进行,极大增加了问题的并行度。
可以结合图3的示例来理解图4所示装置的各模块的操作。如图3所示,假定输入数据为包含1000张图像的数据集D(仅为示例性的),假定待训练的子模型所要检测的目标对象的类型包括三种,分别为目标对象A’、目标对象B’和目标对象C’,这三种目标对象分别对应的标签为标签A、标签B和标签C。
基于此,父模型处理模块410可选择训练好的能够分别生成标签A、标签B和标签C的父模型1、父模型2和父模型3,并分别采用父模型1、父模型2以及父模型3对数据集D进行处理,即对数据集D中的每一张图像进行处理。具体地,父模型1经过处理后输出带有标签A的数据集D,即带有标签A的1000张图像;父模型2经过处理后输出带有标签B的数据集D,即带有标签B的1000张图像;父模型3经过处理后输出带有标签C的数据集D,即带有标签C的1000张图像。
数据整合模块420可以对应于每张图像将带有标签A的该张图像、带有标签B的该张图像以及带有标签C的该张图像进行整合,得到同时包含标签A、标签B和标签C的该张图像,由于是对数据集D的每张图像都这样处理,因此可以形成同时包含标签A、标签B和标签C的1000张图像。
子模型训练模块430将同时包含标签A、标签B和标签C的1000张图像作为训练数据来训练一个子模型,得到的子模型即可检测与标签A、B、C所对应的三种目标对象A’、B’和C’,即该子模型所能检测的目标对象为父模型1、2、3能够检测的目标对象的集合。
在另一个示例中,父模型处理模块410利用父模型1、父模型2以及父模型3对数据集D中的每一张图像进行处理后,可以不输出带标签的图像数据,而是输出标签的位置。然后,数据整合模块420根据三个父模型输出的标签的位置,直接在输入图像上生成三种标签,以生成同时包含上述三种标签的图像。同样地,由于是对数据集中的每一张图像进行这样的处理,因此可形成同时包含上述三种标签的训练数据以用于由子模型训练模块430训练能够检测三种对应的目标对象的子模型。
基于上面的描述,根据本发明实施例的模型训练装置利用已经训练好的多个各自能检测一种目标对象并生成一种标签的父模型生成同时包含多种标签的训练数据来训练能够检测多种目标对象的子模型,使得对标签的需求的更改更加方便快捷,极大地提高了现有数据的利用率,减少了模型训练所需的时间。
图5示出了根据本发明实施例的模型训练系统500的示意性框图。模型训练系统500包括存储装置510以及处理器520。
其中,存储装置510存储用于实现根据本发明实施例的模型训练方法中的相应步骤的程序代码。处理器520用于运行存储装置510中存储的程序代码,以执行根据本发明实施例的模型训练方法的相应步骤,并且用于实现根据本发明实施例的模型训练装置中的相应模块。
在一个实施例中,在所述程序代码被处理器520运行时使得模型训练系统500执行以下步骤:利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签;对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签;以及基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。
在一个实施例中,在所述程序代码被处理器520运行时使得模型训练系统500执行的处理输入数据以生成训练数据所利用的多个父模型是利用已有的不同的数据库分别训练得到的。
在一个实施例中,所述数据库的选择是基于待训练的所述子模型所要检测的目标对象的类型来确定的。
在一个实施例中,所述多个父模型的训练是并行进行的。
此外,根据本发明实施例,还提供了一种计算机可读介质,在所述计算机可读介质上存储了程序指令,在所述程序指令被计算机或处理器运行时用于执行本发明实施例的模型训练方法的相应步骤,并且用于实现根据本发明实施例的模型训练装置中的相应模块。所述计算机可读介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合,例如一个计算机可读存储介质包含利用训练好的多个父模型处理输入数据以生成多种带标签的数据的计算机可读的程序代码,另一个计算机可读存储介质包含对应于每个输入数据将所述多种带标签的数据整合以形成训练数据的计算机可读的程序代码,再一个计算机可读存储介质包含基于所述训练数据训练一个子模型的计算机可读的程序代码。
在一个实施例中,所述计算机程序指令在被计算机运行时可以实现根据本发明实施例的模型训练装置的各个功能模块,并且/或者可以执行根据本发明实施例的模型训练方法。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤:利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签;对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签;以及基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时使计算机或处理器执行的处理输入数据以生成训练数据所利用的多个父模型是利用已有的不同的数据库分别训练得到的。
在一个实施例中,所述数据库的选择是基于待训练的所述子模型所要检测的目标对象的类型来确定的。
在一个实施例中,所述多个父模型的训练是并行进行的。
根据本发明实施例的模型训练方法、装置、系统以及计算机可读介质利用已经训练好的多个各自能检测一种目标对象并生成一种标签的父模型生成同时包含多种标签的训练数据来训练能够检测多种目标对象的子模型,使得对标签的需求的更改更加方便快捷,极大地提高了现有数据的利用率,减少了模型训练所需的时间。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者其他合适的处理器来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种模型训练方法,其特征在于,所述模型训练方法包括:
利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签;
对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签;以及
基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。
2.根据权利要求1所述的模型训练方法,其特征在于,所述多个父模型是利用已有的不同的数据库分别训练得到的。
3.根据权利要求2所述的模型训练方法,其特征在于,所述数据库的选择是基于待训练的所述子模型所要检测的目标对象的类型来确定的。
4.根据权利要求2所述的模型训练方法,其特征在于,所述多个父模型的训练是并行进行的。
5.一种模型训练装置,其特征在于,所述模型训练装置包括:
父模型处理模块,用于利用训练好的多个父模型分别处理输入数据以生成多种带标签的数据,所述多个父模型中的每一个能够检测一种目标对象并生成一种标签;
数据整合模块,用于对应于每个输入数据,将所述多种带标签的数据整合以形成训练数据,所述训练数据同时包含多种标签;以及
子模型训练模块,用于基于所述训练数据训练一个子模型,所述子模型能够检测多种目标对象,所述多种目标对象为所述多个父模型能够检测的目标对象的集合。
6.根据权利要求5所述的模型训练装置,其特征在于,所述装置还包括父模型训练模块,所述父模型训练模块利用已有的不同的数据库分别训练得到所述多个父模型。
7.根据权利要求6所述的模型训练装置,其特征在于,所述父模型训练模块基于待训练的所述子模型所要检测的目标对象的类型选择训练所述父模型需要利用的数据库。
8.根据权利要求6所述的模型训练装置,其特征在于,所述装置包括多个父模型训练模块,每个父模型训练模块训练一个父模型,所述多个父模型训练模块并行训练各自的父模型。
9.一种模型训练系统,其特征在于,所述模型训练系统包括存储装置和处理器,所述存储装置上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1-4中的任一项所述的模型训练方法。
10.一种计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机程序,所述计算机程序在运行时执行如权利要求1-4中的任一项所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566938.3A CN108875764A (zh) | 2017-07-12 | 2017-07-12 | 模型训练方法、装置、系统和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566938.3A CN108875764A (zh) | 2017-07-12 | 2017-07-12 | 模型训练方法、装置、系统和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875764A true CN108875764A (zh) | 2018-11-23 |
Family
ID=64325414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710566938.3A Pending CN108875764A (zh) | 2017-07-12 | 2017-07-12 | 模型训练方法、装置、系统和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875764A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711545A (zh) * | 2018-12-13 | 2019-05-03 | 北京旷视科技有限公司 | 网络模型的创建方法、装置、系统和计算机可读介质 |
CN111103799A (zh) * | 2019-12-25 | 2020-05-05 | 创新奇智(南京)科技有限公司 | 基于师生网络在线探索学习的能效优化建模方法 |
CN112258384A (zh) * | 2020-10-22 | 2021-01-22 | 北京中科深智科技有限公司 | 一种实时人物视频去背景的方法和系统 |
CN112801237A (zh) * | 2021-04-15 | 2021-05-14 | 北京远鉴信息技术有限公司 | 暴恐内容识别模型的训练方法、训练装置及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317894A (zh) * | 2014-10-23 | 2015-01-28 | 北京百度网讯科技有限公司 | 样本标注的确定方法和装置 |
CN106529485A (zh) * | 2016-11-16 | 2017-03-22 | 北京旷视科技有限公司 | 用于获取训练数据的方法及装置 |
-
2017
- 2017-07-12 CN CN201710566938.3A patent/CN108875764A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317894A (zh) * | 2014-10-23 | 2015-01-28 | 北京百度网讯科技有限公司 | 样本标注的确定方法和装置 |
CN106529485A (zh) * | 2016-11-16 | 2017-03-22 | 北京旷视科技有限公司 | 用于获取训练数据的方法及装置 |
Non-Patent Citations (3)
Title |
---|
JIWEI HU等: "《An efficient two-stage framework for image annotation》", 《PATTERN RECOGNITION》 * |
彭亮: "《图像与视频自动语义标注方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
曾明明: "《基于图像特征及上下文的图像标注算法研究与实现》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711545A (zh) * | 2018-12-13 | 2019-05-03 | 北京旷视科技有限公司 | 网络模型的创建方法、装置、系统和计算机可读介质 |
CN111103799A (zh) * | 2019-12-25 | 2020-05-05 | 创新奇智(南京)科技有限公司 | 基于师生网络在线探索学习的能效优化建模方法 |
CN111103799B (zh) * | 2019-12-25 | 2022-07-29 | 创新奇智(南京)科技有限公司 | 基于师生网络在线探索学习的能效优化建模方法 |
CN112258384A (zh) * | 2020-10-22 | 2021-01-22 | 北京中科深智科技有限公司 | 一种实时人物视频去背景的方法和系统 |
CN112801237A (zh) * | 2021-04-15 | 2021-05-14 | 北京远鉴信息技术有限公司 | 暴恐内容识别模型的训练方法、训练装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6961011B2 (ja) | データ管理のためのシステム及び方法 | |
CN109146830A (zh) | 用于生成训练数据的方法、装置、系统和存储介质 | |
CN108875932A (zh) | 图像识别方法、装置和系统及存储介质 | |
CN109543663A (zh) | 一种犬只身份识别方法、装置、系统及存储介质 | |
CN108875764A (zh) | 模型训练方法、装置、系统和计算机可读介质 | |
CN109919211A (zh) | 商品识别方法、装置、系统和计算机可读介质 | |
CN106529511A (zh) | 图像结构化方法及装置 | |
CN108875486A (zh) | 目标对象识别方法、装置、系统和计算机可读介质 | |
CN110647920A (zh) | 机器学习中的迁移学习方法及装置、设备与可读介质 | |
CN108875546A (zh) | 人脸身份验证方法、系统及存储介质 | |
CN109117953A (zh) | 网络参数训练方法和系统、服务器、客户端及存储介质 | |
CN108875523A (zh) | 人体关节点检测方法、装置、系统和存储介质 | |
CN109299722A (zh) | 用于神经网络的特征图处理方法、装置和系统及存储介质 | |
CN108876804A (zh) | 抠像模型训练和图像抠像方法、装置和系统及存储介质 | |
CN106447721A (zh) | 图像阴影检测方法和装置 | |
CN108875515A (zh) | 人脸识别方法、装置、系统、存储介质和抓拍机 | |
CN108875723A (zh) | 对象检测方法、装置和系统及存储介质 | |
CN108875778A (zh) | 人脸聚类方法、装置、系统和存储介质 | |
CN108875526A (zh) | 视线检测的方法、装置、系统及计算机存储介质 | |
CN109711545A (zh) | 网络模型的创建方法、装置、系统和计算机可读介质 | |
CN108875519A (zh) | 对象检测方法、装置和系统及存储介质 | |
CN108875483A (zh) | 图像检测方法、装置、系统和计算机可读介质 | |
CN106650743A (zh) | 图像强反光检测方法和装置 | |
CN108875489A (zh) | 人脸检测方法、装置、系统、存储介质和抓拍机 | |
CN108875516A (zh) | 人脸识别方法、装置、系统、存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |