CN109697470B - 一种识别模型的训练方法、装置、电子设备及存储介质 - Google Patents
一种识别模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109697470B CN109697470B CN201811614156.3A CN201811614156A CN109697470B CN 109697470 B CN109697470 B CN 109697470B CN 201811614156 A CN201811614156 A CN 201811614156A CN 109697470 B CN109697470 B CN 109697470B
- Authority
- CN
- China
- Prior art keywords
- resolution
- low
- perceptron
- original
- data
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008447 perception Effects 0.000 claims abstract description 105
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001953 sensory effect Effects 0.000 claims 1
- 238000002372 labelling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种识别模型的训练方法、装置、电子设备及存储介质。所述方法包括：控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系；将所述感知数据标签体系传递给低分辨率感知器；控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为所述低分辨率感知器与所述高分辨率感知器基于相同的感知对象采集到的原始感知数据。可以实现对低分辨率感知器对应的识别模型进行训练。
Description
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种识别模型的训练方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术在各个领域取得突破性的进展，越来越多的机器学习任务开始转移到神经网络相关的模型中。神经网络相关的模型需要利用标注后的数据作为训练数据进行机器学习，因此，数据标注的质量高低对模型的性能好坏具有重要影响。
现有的数据标注方法包括以下两种：第一、基于无监督学习的识别模型的训练方法，该方法需要极其海量的样本数据进行模型训练，在很多领域无法有效实施；第二、基于有监督学习的识别模型的训练方法，该方法需要通过大量的人工标注获取标注样本，对于低分辨率感知器采集到各个低分辨率的原始感知数据，人眼可能无法识别，无法进行人工标注，所以实现对低分辨率感知器对应的识别模型进行训练。
发明内容
有鉴于此，本发明实施例提供一种识别模型的训练方法、装置、电子设备及存储介质，可以实现对低分辨率感知器对应的识别模型进行训练。
第一方面，本发明实施例提供了一种识别模型的训练方法，所述方法包括：
控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系；
将所述感知数据标签体系传递给低分辨率感知器；
控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为所述低分辨率感知器与所述高分辨率感知器基于相同的感知对象采集到的原始感知数据。
在上述实施例中，所述控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系，包括：
控制所述高分辨率感知器将各个高分辨率的原始感知数据输入到所述高分辨率感知器对应的识别模型中；
通过所述高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征；
根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出所述感知数据标签体系。
在上述实施例中，所述将所述感知数据标签体系传递给低分辨率感知器，包括：
通过预先确定的有线传输方式将所述感知数据标签体系传递给所述低分辨率感知器；或者，
通过预先确定的无线传输方式将所述感知数据标签体系传递给所述低分辨率感知器。
在上述实施例中，所述控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型，包括：
控制所述低分辨率感知器将各个低分辨率的原始感知数据输入到所述低分辨率感知器对应的识别模型中；
通过所述低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征；
根据各个低分辨率的原始感知数据对应的数据标签特征以及所述感知数据标签体系对所述低分辨率感知器对应的识别模型进行训练。
第二方面，本发明实施例提供了一种识别模型的训练装置，所述装置包括：第一控制模块、传递模块和第二控制模块；其中，
所述第一控制模块，用于控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系；
所述传递模块，用于将所述感知数据标签体系传递给低分辨率感知器；
所述第二控制模块，用于控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为所述低分辨率感知器与所述高分辨率感知器基于相同的感知对象采集到的原始感知数据。
在上述实施例中，所述第一控制模块包括：第一控制子模块、第一获取子模块和确定子模块；其中，
所述第一控制子模块，用于控制所述高分辨率感知器将各个高分辨率的原始感知数据输入到所述高分辨率感知器对应的识别模型中；
所述第一获取子模块，用于通过所述高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征；
所述确定子模块，用于根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出所述感知数据标签体系。
在上述实施例中，所述传递模块，具体用于通过预先确定的有线传输方式将所述感知数据标签体系传递给所述低分辨率感知器；或者，通过预先确定的无线传输方式将所述感知数据标签体系传递给所述低分辨率感知器。
在上述实施例中，所述第二控制模块包括：第二控制子模块、第二获取子模块和训练子模块；其中，
所述第二控制子模块，用于控制所述低分辨率感知器将各个低分辨率的原始感知数据输入到所述低分辨率感知器对应的识别模型中；
所述第二获取子模块，用于通过所述低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征；
所述训练子模块，用于根据各个低分辨率的原始感知数据对应的数据标签特征以及所述感知数据标签体系对所述低分辨率感知器对应的识别模型进行训练。
第三方面，本发明实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的识别模型的训练方法。
第四方面，本发明实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的识别模型的训练方法。
本发明实施例提出了一种识别模型的训练方法、装置、电子设备及存储介质，先控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及高分辨率感知器对应的识别模型确定出感知数据标签体系；然后将感知数据标签体系传递给低分辨率感知器；再控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为低分辨率感知器与高分辨率感知器基于相同的感知对象采集到的原始感知数据。也就是说，在本发明的技术方案中，可以控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型。而在现有的基于无监督学习的识别模型的训练方法中，需要极其海量的样本数据进行模型训练，在很多领域无法有效实施；在现有的基于有监督学习的识别模型的训练方法中，需要通过大量的人工标注获取标注样本，对于低分辨率感知器采集到各个低分辨率的原始感知数据，人眼可能无法识别，无法进行人工标注，所以实现对低分辨率感知器对应的识别模型进行训练。因此，和现有技术相比，本发明实施例提出的识别模型的训练方法、装置、电子设备及存储介质，可以实现对低分辨率感知器对应的识别模型进行训练；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
附图说明
图1为本发明实施例一提供的识别模型的训练方法的流程图；
图2为本发明实施例二提供的识别模型的训练方法的流程图；
图3为本发明实施例三提供的识别模型的训练装置的第一结构示意图；
图4为本发明实施例三提供的识别模型的训练装置的第二结构示意图；
图5为本发明实施例四提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
图1是本发明实施例一提供的识别模型的训练方法的流程图。该方法可以由识别模型的训练装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，识别模型的训练方法可以包括：
S101、控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及高分辨率感知器对应的识别模型确定出感知数据标签体系。
在本发明的具体实施例中，电子设备可以控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及高分辨率感知器对应的识别模型确定出感知数据标签体系。具体地，电子设备可以先控制高分辨率感知器将各个高分辨率的原始感知数据输入到高分辨率感知器对应的识别模型中；通过高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征；然后根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出感知数据标签体系。
S102、将感知数据标签体系传递给低分辨率感知器。
在本发明的具体实施例中，电子设备可以将感知数据标签体系传递给低分辨率感知器。具体地，电子设备可以通过预先确定的有线传输方式将感知数据标签体系传递给低分辨率感知器；或者，电子设备还可以通过预先确定的无线传输方式将感知数据标签体系传递给低分辨率感知器。
S103、控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型。
在本发明的具体实施例中，电子设备可以控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为低分辨率感知器与高分辨率感知器基于相同的感知对象采集到的原始感知数据。具体地，电子设备可以先控制低分辨率感知器将各个低分辨率的原始感知数据输入到低分辨率感知器对应的识别模型中；通过低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征；然后根据各个低分辨率的原始感知数据对应的数据标签特征以及感知数据标签体系对低分辨率感知器对应的识别模型进行训练。
具体地，在本发明的具体实施例中，电子设备可以控制高分辨率感知器采集各个高分辨率的原始感知数据；还可以控制低分辨率感知器采集各个低分辨率的原始感知数据。在自动驾驶的感知器组合应用中或者在人工智能医疗的感知器组合应用中，可以同时配置高分辨率感知器和低分辨率感知器；这样，电子设备可以控制高分辨率感知器采集各个高分辨率的原始感知数据；同时，电子设备还可以控制低分辨率感知器采集各个低分辨率的原始感知数据；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为低分辨率感知器与高分辨率感知器基于相同的感知对象采集到的原始感知数据。在本发明的具体实施例中，电子设备可以控制高分辨率感知器根据各个高分辨率的原始感知数据以及高分辨率感知器对应的识别模型确定出感知数据标签体系；然后控制低分辨率感知器根据各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型。
本发明实施例提出的识别模型的训练方法，先控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及高分辨率感知器对应的识别模型确定出感知数据标签体系；然后将感知数据标签体系传递给低分辨率感知器；再控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为低分辨率感知器与高分辨率感知器基于相同的感知对象采集到的原始感知数据。也就是说，在本发明的技术方案中，可以控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型。而在现有的基于无监督学习的识别模型的训练方法中，需要极其海量的样本数据进行模型训练，在很多领域无法有效实施；在现有的基于有监督学习的识别模型的训练方法中，需要通过大量的人工标注获取标注样本，对于低分辨率感知器采集到各个低分辨率的原始感知数据，人眼可能无法识别，无法进行人工标注，所以实现对低分辨率感知器对应的识别模型进行训练。因此，和现有技术相比，本发明实施例提出的识别模型的训练方法，可以实现对低分辨率感知器对应的识别模型进行训练；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2为本发明实施例二提供的识别模型的训练方法的流程图。如图2所示，识别模型的训练方法可以包括：
S201、控制高分辨率感知器将各个高分辨率的原始感知数据输入到高分辨率感知器对应的识别模型中。
在本发明的具体实施例中，电子设备可以控制高分辨率感知器将各个高分辨率的原始感知数据输入到高分辨率感知器对应的识别模型中。例如，在自动驾驶的感知器组合应用中，可以同时配置高分辨率感知器和低分辨率感知器；这样，电子设备可以控制高分辨率感知器采集各个高分辨率的原始感知数据；同时，电子设备还可以控制低分辨率感知器采集各个低分辨率的原始感知数据；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为低分辨率感知器与高分辨率感知器基于相同的感知对象采集到的原始感知数据。在本步骤中，高分辨率感知器采集到各个高分辨率的原始感知数据之后，电子设备可以控制高分辨率感知器将各个高分辨率的原始感知数据输入到高分辨率感知器对应的识别模型中。
S202、通过高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征。
在本发明的具体实施例中，电子设备可以通过高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征。具体地，假设高分辨率的原始感知数据1对应的数据标签特征为数据标签特征1；高分辨率的原始感知数据2对应的数据标签特征为数据标签特征2；…；高分辨率的原始感知数据N对应的数据标签特征为数据标签特征N；其中，N为大于等于1的自然数。在本步骤中，电子设备可以通过高分辨率感知器对应的识别模型获取到高分辨率的原始感知数据1对应的数据标签特征1；还可以通过高分辨率感知器对应的识别模型获取到高分辨率的原始感知数据2对应的数据标签特征2；…；还可以通过高分辨率感知器对应的识别模型获取到高分辨率的原始感知数据N对应的数据标签特征N。
S203、根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出感知数据标签体系。
在本发明的具体实施例中，电子设备可以根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出感知数据标签体系。具体地，假设高分辨率的原始感知数据1对应的数据标签特征为数据标签特征1；高分辨率的原始感知数据2对应的数据标签特征为数据标签特征2；…；高分辨率的原始感知数据N对应的数据标签特征为数据标签特征N；其中，N为大于等于1的自然数。在本步骤中，电子设备可以根据高分辨率的原始感知数据1对应的数据标签特征1、高分辨率的原始感知数据2对应的数据标签特征2；…；高分辨率的原始感知数据N对应的数据标签特征N确定出感知数据标签体系。
S204、将感知数据标签体系传递给低分辨率感知器。
在本发明的具体实施例中，电子设备可以将感知数据标签体系传递给低分辨率感知器。具体地，电子设备可以通过预先确定的有线传输方式将感知数据标签体系传递给低分辨率感知器；或者，电子设备还可以通过预先确定的无线传输方式将感知数据标签体系传递给低分辨率感知器。
S205、控制低分辨率感知器将各个低分辨率的原始感知数据输入到低分辨率感知器对应的识别模型中。
在本发明的具体实施例中，电子设备可以控制低分辨率感知器将各个低分辨率的原始感知数据输入到低分辨率感知器对应的识别模型中。例如，在自动驾驶的感知器组合应用中，可以同时配置高分辨率感知器和低分辨率感知器；这样，电子设备可以控制高分辨率感知器采集各个高分辨率的原始感知数据；同时，电子设备还可以控制低分辨率感知器采集各个低分辨率的原始感知数据；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为低分辨率感知器与高分辨率感知器基于相同的感知对象采集到的原始感知数据。在本步骤中，低分辨率感知器采集到各个低分辨率的原始感知数据之后，电子设备可以控制低分辨率感知器将各个低分辨率的原始感知数据输入到低分辨率感知器对应的识别模型中。
S206、通过低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征。
在本发明的具体实施例中，电子设备可以通过低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征。具体地，假设低分辨率的原始感知数据1对应的数据标签特征为数据标签特征1；低分辨率的原始感知数据2对应的数据标签特征为数据标签特征2；…；低分辨率的原始感知数据N对应的数据标签特征为数据标签特征M；其中，M为大于等于1的自然数。在本步骤中，电子设备可以通过低分辨率感知器对应的识别模型获取到低分辨率的原始感知数据1对应的数据标签特征1；还可以通过低分辨率感知器对应的识别模型获取到低分辨率的原始感知数据2对应的数据标签特征2；…；还可以通过低分辨率感知器对应的识别模型获取到低分辨率的原始感知数据M对应的数据标签特征M。
S207、根据各个低分辨率的原始感知数据对应的数据标签特征以及感知数据标签体系对低分辨率感知器对应的识别模型进行训练。
在本发明的具体实施例中，电子设备可以根据各个低分辨率的原始感知数据对应的数据标签特征以及感知数据标签体系对低分辨率感知器对应的识别模型进行训练。具体地，假设低分辨率的原始感知数据1对应的数据标签特征为数据标签特征1；低分辨率的原始感知数据2对应的数据标签特征为数据标签特征2；…；低分辨率的原始感知数据M对应的数据标签特征为数据标签特征M；其中，M为大于等于1的自然数。在本步骤中，电子设备可以根据低分辨率的原始感知数据1对应的数据标签特征1、低分辨率的原始感知数据2对应的数据标签特征2；…；低分辨率的原始感知数据M对应的数据标签特征M以及感知数据标签体系对低分辨率感知器对应的识别模型进行训练。
本发明实施例提出的识别模型的训练方法，先控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及高分辨率感知器对应的识别模型确定出感知数据标签体系；然后将感知数据标签体系传递给低分辨率感知器；再控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为低分辨率感知器与高分辨率感知器基于相同的感知对象采集到的原始感知数据。也就是说，在本发明的技术方案中，可以控制低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及感知数据标签体系训练低分辨率感知器对应的识别模型。而在现有的基于无监督学习的识别模型的训练方法中，需要极其海量的样本数据进行模型训练，在很多领域无法有效实施；在现有的基于有监督学习的识别模型的训练方法中，需要通过大量的人工标注获取标注样本，对于低分辨率感知器采集到各个低分辨率的原始感知数据，人眼可能无法识别，无法进行人工标注，所以实现对低分辨率感知器对应的识别模型进行训练。因此，和现有技术相比，本发明实施例提出的识别模型的训练方法，可以实现对低分辨率感知器对应的识别模型进行训练；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3为本发明实施例三提供的识别模型的训练装置的第一结构示意图。如图3所示，本发明实施例所述的识别模型的训练装置包括：第一控制模块301、传递模块302和第二控制模块303；其中，
所述第一控制模块301，用于控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系；
所述传递模块302，用于将所述感知数据标签体系传递给低分辨率感知器；
所述第二控制模块303，用于控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为所述低分辨率感知器与所述高分辨率感知器基于相同的感知对象采集到的原始感知数据。
图4为本发明实施例三提供的识别模型的训练装置的第二结构示意图。如图4所示，所述第一控制模块包括：第一控制子模块3011、第一获取子模块3012和确定子模块3013；其中，
所述第一控制子模块3011，用于控制所述高分辨率感知器将各个高分辨率的原始感知数据输入到所述高分辨率感知器对应的识别模型中；
所述第一获取子模块3012，用于通过所述高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征；
所述确定子模块3013，用于根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出所述感知数据标签体系。
进一步的，所述传递模块302，具体用于通过预先确定的有线传输方式将所述感知数据标签体系传递给所述低分辨率感知器；或者，通过预先确定的无线传输方式将所述感知数据标签体系传递给所述低分辨率感知器。
进一步的，所述第二控制模块303包括：第二控制子模块3031、第二获取子模块3032和训练子模块3033；其中，
所述第二控制子模块3031，用于控制所述低分辨率感知器将各个低分辨率的原始感知数据输入到所述低分辨率感知器对应的识别模型中；
所述第二获取子模块3032，用于通过所述低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征；
所述训练子模块3033，用于根据各个低分辨率的原始感知数据对应的数据标签特征以及所述感知数据标签体系对所述低分辨率感知器对应的识别模型进行训练。
上述识别模型的训练装置可执行本发明任意实施例所提供的识别模型的训练方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的识别模型的训练方法。
实施例四
图5是本发明实施例四提供的电子设备的组成结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的识别模型的训练方法。
实施例五
本发明实施例五提供了一种存储介质。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种识别模型的训练方法，其特征在于，所述方法包括：
控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系；
将所述感知数据标签体系传递给低分辨率感知器；
控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为所述低分辨率感知器与所述高分辨率感知器基于相同的感知对象采集到的原始感知数据，所述低分辨率感知器与所述高分辨率感知器同时配置在自动驾驶的感知器组合或人工智能医疗的感知器组合中。
2.根据权利要求1所述的方法，其特征在于，所述控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系，包括：
控制所述高分辨率感知器将各个高分辨率的原始感知数据输入到所述高分辨率感知器对应的识别模型中；
通过所述高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征；
根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出所述感知数据标签体系。
3.根据权利要求1所述的方法，其特征在于，所述将所述感知数据标签体系传递给低分辨率感知器，包括：
通过预先确定的有线传输方式将所述感知数据标签体系传递给所述低分辨率感知器；或者，
通过预先确定的无线传输方式将所述感知数据标签体系传递给所述低分辨率感知器。
4.根据权利要求1所述的方法，其特征在于，所述控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型，包括：
控制所述低分辨率感知器将各个低分辨率的原始感知数据输入到所述低分辨率感知器对应的识别模型中；
通过所述低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征；
根据各个低分辨率的原始感知数据对应的数据标签特征以及所述感知数据标签体系对所述低分辨率感知器对应的识别模型进行训练。
5.一种识别模型的训练装置，其特征在于，所述装置包括：第一控制模块、传递模块和第二控制模块；其中，
所述第一控制模块，用于控制高分辨率感知器根据预先采集的各个高分辨率的原始感知数据以及所述高分辨率感知器对应的识别模型确定出感知数据标签体系；
所述传递模块，用于将所述感知数据标签体系传递给低分辨率感知器；
所述第二控制模块，用于控制所述低分辨率感知器根据预先采集的各个低分辨率的原始感知数据以及所述感知数据标签体系训练所述低分辨率感知器对应的识别模型；其中，各个低分辨率的原始感知数据与各个高分辨率的原始感知数据分别为所述低分辨率感知器与所述高分辨率感知器基于相同的感知对象采集到的原始感知数据，所述低分辨率感知器与所述高分辨率感知器同时配置在自动驾驶的感知器组合或人工智能医疗的感知器组合中。
6.根据权利要求5所述的装置，其特征在于，所述第一控制模块包括：第一控制子模块、第一获取子模块和确定子模块；其中，
所述第一控制子模块，用于控制所述高分辨率感知器将各个高分辨率的原始感知数据输入到所述高分辨率感知器对应的识别模型中；
所述第一获取子模块，用于通过所述高分辨率感知器对应的识别模型获取到各个高分辨率的原始感知数据对应的数据标签特征；
所述确定子模块，用于根据各个高分辨率的原始感知数据以及各个高分辨率的原始感知数据对应的数据标签特征确定出所述感知数据标签体系。
7.根据权利要求5所述的装置，其特征在于：
所述传递模块，具体用于通过预先确定的有线传输方式将所述感知数据标签体系传递给所述低分辨率感知器；或者，通过预先确定的无线传输方式将所述感知数据标签体系传递给所述低分辨率感知器。
8.根据权利要求5所述的装置，其特征在于，所述第二控制模块包括：第二控制子模块、第二获取子模块和训练子模块；其中，
所述第二控制子模块，用于控制所述低分辨率感知器将各个低分辨率的原始感知数据输入到所述低分辨率感知器对应的识别模型中；
所述第二获取子模块，用于通过所述低分辨率感知器对应的识别模型获取到各个低分辨率的原始感知数据对应的数据标签特征；
所述训练子模块，用于根据各个低分辨率的原始感知数据对应的数据标签特征以及所述感知数据标签体系对所述低分辨率感知器对应的识别模型进行训练。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4中任一项所述的识别模型的训练方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述的识别模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811614156.3A CN109697470B (zh) | 2018-12-27 | 2018-12-27 | 一种识别模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811614156.3A CN109697470B (zh) | 2018-12-27 | 2018-12-27 | 一种识别模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697470A CN109697470A (zh) | 2019-04-30 |
| CN109697470B true CN109697470B (zh) | 2021-02-09 |
Family
ID=66232972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811614156.3A Active CN109697470B (zh) | 2018-12-27 | 2018-12-27 | 一种识别模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109697470B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003032627A1 (en) * | 2001-09-11 | 2003-04-17 | Deltapix Aps | A method and apparatus for producing a high resolution image |
| CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
| CN107633218A (zh) * | 2017-09-08 | 2018-01-26 | 百度在线网络技术（北京）有限公司 | 用于生成图像的方法和装置 |
| CN107767343A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN108875781A (zh) * | 2018-05-07 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 一种标签分类方法、装置、电子设备及存储介质 |
-
2018
- 2018-12-27 CN CN201811614156.3A patent/CN109697470B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003032627A1 (en) * | 2001-09-11 | 2003-04-17 | Deltapix Aps | A method and apparatus for producing a high resolution image |
| CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
| CN107633218A (zh) * | 2017-09-08 | 2018-01-26 | 百度在线网络技术（北京）有限公司 | 用于生成图像的方法和装置 |
| CN107767343A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN108875781A (zh) * | 2018-05-07 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 一种标签分类方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109697470A (zh) | 2019-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10902300B2 (en) | Method and apparatus for training fine-grained image recognition model, fine-grained image recognition method and apparatus, and storage mediums | |
| CN111090987B (zh) | 用于输出信息的方法和装置 | |
| CN109104620B (zh) | 一种短视频推荐方法、装置和可读介质 | |
| US20200279147A1 (en) | Method and apparatus for intelligently recommending object | |
| CN110458107B (zh) | 用于图像识别的方法和装置 | |
| CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
| CN107301248B (zh) | 文本的词向量构建方法和装置、计算机设备、存储介质 | |
| CN110717462B (zh) | 数字仪表读数识别方法、装置、设备和介质 | |
| WO2020147500A1 (zh) | 超声波阵列障碍物检测结果处理方法及系统 | |
| US20210027020A1 (en) | System and method for explaining and compressing deep learning natural language understanding (nlu) models | |
| CN112613306B (zh) | 抽取实体关系的方法、装置、电子设备、及存储介质 | |
| CN113159091A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN107908641A (zh) | 一种获取图片标注数据的方法和系统 | |
| CN109684394B (zh) | 文本生成方法、装置、设备和存储介质 | |
| CN109558604A (zh) | 一种机器翻译方法、装置、电子设备及存储介质 | |
| CN113762454A (zh) | 轨迹异常检测方法及装置 | |
| CN112308077A (zh) | 样本数据获取方法、图像分割方法、装置、设备和介质 | |
| CN112306447A (zh) | 一种界面导航方法、装置、终端和存储介质 | |
| CN113641804A (zh) | 预训练模型获取方法、装置、电子设备及存储介质 | |
| CN111415747A (zh) | 电子病历的构建方法及装置 | |
| CN114710555A (zh) | 一种婴儿监护方法及装置 | |
| CN110162757B (zh) | 一种表格结构提取方法及系统 | |
| CN109697470B (zh) | 一种识别模型的训练方法、装置、电子设备及存储介质 | |
| CN116912187A (zh) | 图像生成模型训练及图像生成方法、装置、设备和介质 | |
| CN112560690A (zh) | 基于多模态特征人物属性标注方法、装置、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |