CN110443280A - 图像检测模型的训练方法、装置及存储介质 - Google Patents
图像检测模型的训练方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110443280A CN110443280A CN201910603697.4A CN201910603697A CN110443280A CN 110443280 A CN110443280 A CN 110443280A CN 201910603697 A CN201910603697 A CN 201910603697A CN 110443280 A CN110443280 A CN 110443280A
- Authority
- CN
- China
- Prior art keywords
- sample
- sample image
- object module
- classification
- model
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种图像检测模型的训练方法、装置及存储介质，所述方法，包括：获取用以训练目标模型的样本图像集合；根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。解决了在样本不均衡的情况下，训练任务比较难收敛，训练得到的模型的准确率和召回率不高的技术问题。取得了提高样本数量少的样本类别的收敛速度，增加训练得到的模型的准确率和召回率的有益效果。
Description
技术领域
本公开涉及机器学习技术领域，尤其涉及一种图像检测模型的训练方法、装置及存储介质。
背景技术
随着人工智能迅速发展，网络模型的应用范围也越多越广。例如，可以通过模型进行图片识别、文字识别，等等。而且，在将模型应用到不同的场景中时，需要相应地训练模型在当前应用场景中的模型参数。
相关技术中，传统的图像检测模型训练过程中会给每个样本图像赋予相同的权重，因此，在训练样本图像不均衡的情况下，训练任务比较难收敛，即使能收敛，训练得到的模型的准确率和召回率也不高。以OCR(Optical Character Recognition，光学字符识别)为例，由于某些少数民族语言的样本图像较少，容易被淹没在样本图像较多的中英文样本图像中，导致训练得到的OCR模型对少数民族语言的检测准确性较差。
发明内容
本公开提供一种图像检测模型的训练方法、装置及系统，以至少解决相关技术中在样本不均衡的情况下，训练任务比较难收敛，训练得到的模型用于图像检测时准确率不高的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种图像检测模型的训练方法，包括：
获取用以训练目标模型的样本图像集合；
根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；
针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
可选地，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数的步骤，包括：
根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；
根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；
根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
可选地，在所述目标模型为两段式模型的情况下，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子的步骤，包括：
根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
和/或，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
可选地，所述根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子的步骤，包括：
根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；
和/或，根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；
其中，每个分段模型中的自适应预测因子与预测概率成反比。
可选地，在所述目标模型为两段式faster rcnn模型的情况下，所述针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数的步骤，包括：
提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；
调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；
调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归。
可选地，所述调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框的步骤，包括：
调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；
对所述初始检测框进行非最大值抑制，得到所述建议检测框。
可选地，在所述目标模型为一段式模型的情况下，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子的步骤，包括：
根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
或者，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
根据本公开实施例的第二方面，提供一种图像检测模型的训练装置，其特征在于，包括：
样本图像集合获取模块，被配置为执行获取用以训练目标模型的样本图像集合；
类别回归损失函数确定模块，被配置为执行根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；
模型训练模块，被配置为执行针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
可选地，所述类别回归损失函数确定模块，包括：
样本平衡因子获取子模块，被配置为执行根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；
自适应预测因子获取子模块，被配置为执行根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；
类别回归损失函数确定子模块，被配置为执行根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
可选地，在所述目标模型为两段式模型的情况下，所述样本平衡因子获取子模块，包括：
第一样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
和/或，第二样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
可选地，所述自适应预测因子获取子模块，包括：
第一自适应预测因子获取单元，被配置为执行根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；
和/或，第二自适应预测因子获取单元，被配置为执行根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；
其中，每个分段模型中的自适应预测因子与预测概率成反比。
可选地，在所述目标模型为两段式faster rcnn模型的情况下，所述模型训练模块，包括：
特征提取子模块，被配置为执行提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；
建议检测框获取子模块，被配置为执行调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；
模型训练子模块，被配置为执行调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归，并对所述目标模型进行训练。
可选地，所述建议检测框获取子模块，包括：
初始检测框获取单元，被配置为执行调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；
非最大值抑制单元，被配置为执行对所述初始检测框进行非最大值抑制，得到所述建议检测框。
可选地，在所述目标模型为一段式模型的情况下，所述样本平衡因子获取子模块，包括：
第三样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
或者，第四样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
根据本公开实施例的第三方面，提供一种图像检测模型的训练装置，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如前述的任意一种图像检测模型的训练方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由图像检测模型的训练装置的处理器执行时，使得图像检测模型的训练装置能够执行如前述的任意一种图像检测模型的训练方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品由图像检测模型的训练装置的处理器执行时，使得图像检测模型的训练装置能够执行如前述的任意一种图像检测模型的训练方法。
本公开的实施例提供的技术方案至少带来以下有益效果：本公开实施例通过获取用以训练目标模型的样本图像集合；根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。取得了提高样本数量少的样本类别的收敛速度，增加训练得到的模型用于图像检测时的准确率的有益效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像检测模型的训练方法的流程图。
图2是根据一示例性实施例示出的一种图像检测模型的训练方法的流程图。
图3是根据一示例性实施例示出的一种图像检测模型的训练装置的框图。
图4是根据一示例性实施例示出的一种图像检测模型的训练装置的框图。
图5是根据一示例性实施例示出的一种图像检测模型的训练装置的框图。
图6是根据一示例性实施例示出的一种图像检测模型的训练装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像检测模型的训练方法的流程图，如图1所示，图像检测模型的训练方法可以用于计算机、服务器等终端中，包括以下步骤。
在步骤S11中，获取用以训练目标模型的样本图像集合。
其中，样本图像集合中包含的样本图像可以根据当前的训练需求，和/或样本获取条件等进行预先设置，对此本公开实施例不加以限定。
例如，如果当前的训练需求是训练得到一个用于进行OCR检测的图像检测模型，那么构建的样本图像集合中可以包括含有字符内容的样本图片，等等。
在步骤S12中，根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数。
如前述，在训练OCR检测模型时，由于某些少数民族语言采样困难，可能导致部分少数民族语言的样本图像较少，使得在构建得到的样本图像集合中，样本数量较少的少数民族语言的样本图像容易被淹没在样本数量较多的中英文样本图像中，从而容易导致训练得到的图像检测模型对少数民族语言的检测准确性较差。
因此，在本公开实施例中，为了提高在图像检测模型训练过程中的样本均衡性，在通过当前输入目标模型的目标样本图像训练目标模型中的模型参数之前，可以先根据样本图像集合中包含的不同样本类别对应的样本数量，以及目标模型针对当前输入的目标样本图像的预测概率，确定目标模型针对当前输入的目标样本图像的类别回归损失函数。
其中，样本类别具体的分类方式可以根据需求进行预先设置，对此本公开实施例不加以限定。例如，可以将样本图像集合中的各个样本图像划分为正样本和负样本两类，那么此时的样本类别即包括正样本类别和负样本类别；或者，样本图像集合中包括少数民族语言A对应的样本图像、少数民族语言B对应的样本图像、汉字对应的样本图像以及英文对应的样本图像，那么此时可以将样本图像集合中的样本图像划分为少数民族语言A、少数民族语言B、汉字和英文四类，或者可以将样本图像集合中的样本图像划分为少数民族语言A正样本、少数民族语言A负样本、少数民族语言B正样本、少数民族语言B负样本、汉字正样本、汉字负样本、英文正样本和英文负样本等类别；等等。具体的样本类别的划分方式可以根据需求进行预先设置，对此本公开实施例不加以限定。
而且，类别回归损失函数所采用的具体函数类型也可以根据需求进行预先设置，对此本公开实施例不加以限定。例如，如果目标模型为Faster R-CNN(Faster Regionswith CNN/Faster Region CNN)，则可以设置目标模型的类别回归损失函数为交叉熵损失函数，而且此时则可以根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定作为当前的类别回归损失函数的交叉熵损失函数中各个部分的权重，从而得到目标模型针对当前的目标样本图像的类别回归损失函数。
具体的可以根据需求调整或设置样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，与类别回归损失函数中各个权重的对应关系，对此本公开实施例不加以限定。
其中，预测概率也可以称为分类得分，是目标样本图像经目标模型被预测为其实际所属类别的置信度；理论上，某一样本类别的样本图像数量多，该样本类别的置信度就比较高，比较准确；而由于样本图像数量少，容易导致相应样本类别的分类得分较低，因此在本公开实施例中，引入分类得分作为参数调整类别回归损失函数，使得在类别回归损失函数中，对于分类得分较低的样本类别下各个样本图像具有更高的权重，而分类得分较高，也即预测较好的样本类别下各个样本图像，可以相应设置权重更低，从而可以能够提高样本图像数量较少的样本类别的收敛速度，增加准确率、召回率，以解决训练样本不平衡问题。
在步骤S13中，针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
在确定了目标模型中的类别回归损失函数之后，则可以进一步针对样本图像集合中的每个样本图像，调整目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
而且，在本公开实施例中，可以先针对样本图像集合中包含的全部样本图像都确定了类别回归损失函数之后，再针对所述样本图像集合中的每个样本图像，依次调整所述目标模型的类别回归损失函数，并通过与当前设置的类别回归损失函数对应的样本图像训练目标模型中的模型参数；或者，也可以针对所述样本图像集合中的每个样本图像，按照一定的顺序，在每次确定目标模型针对一个样本图像的类别回归损失函数之后，即设置所述目标模型的类别回归损失函数，并通过相应的样本图像训练所述目标模型中的模型参数；等等。
而且，在目标模型中可能还涉及除类别回归损失函数之外的其他损失函数，但是由于影响目标模型训练准确性的主要因素在于类别回归效果。因此在本公开实施例中，可以不基于样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，针对当前输入的目标样本图像对其他损失函数进行调整，当然如果有需求，也可以基于样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，针对当前输入的目标样本图像对其他损失函数进行调整，对此本公开实施例不加以限定。
本公开实施例通过获取用以训练目标模型的样本图像集合；根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。取得了提高样本数量少的样本类别的收敛速度，增加训练得到的模型的准确率和召回率的有益效果。
参照图2，在本公开实施例中，所述步骤S12进一步可以包括：
步骤S121，根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子。
如前述，在现有相关技术中，如果样本图像集合中不同样本类别的样本图像数量差别较大，容易导致训练得到的目标模型对样本数量较少的样本类别的识别准确性较低。因此，在本公开实施例中，为了提高样本图像均衡性，可以根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子。
其中，样本图像集合中包含的不同样本类别对应的样本数量，与目标模型的样本平衡因子之间的对应关系可以根据需求进行预先设置，对此本公开实施例不加以限定。
例如，可以设置样本平衡因子为N1/N2，其中N1为样本图像更多的样本类别的样本数量，N2为样本图像更少的样本类别的样本数量；或者，也可以设置样本平衡因子为等等。
步骤S122，根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子。
在实际应用中，预先构建的样本图像集合中每个样本图像所属样本类别是已知且明确的，但是对于目标模型而言，其在接收到当前输入的目标样本图像之后，可以根据当前的模型参数对目标样本图像进行类别预测，从而预测得到目标样本图像属于与之对应的样本类别的概率，也即预测概率。而且，对于目标模型而言，如果某一样本类别下的样本图像数量较少，也会容易导致目标模型针对相应样本类别下的样本图像的预测概率的准确性较低，因此通过预测概率也可以在一定程度上反映样本图像的均衡程度。
因此，在本公开实施例中，还可以根据目标模型针对当前输入的目标样本图像的预测概率，获取目标模型针对当前输入的目标样本图像的自适应预测因子。其中，预测概率与自适应预测因子之间的对应关系可以根据需求进行预先设置，对此本公开实施例不加以限定。
例如，由于预测概率S是一个概率值，取值范围可以设置为[0，1]，那么可以设置自适应预测因子为1-S，等等。
步骤S123，根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
在获取得到样本平衡因子和自适应预测因子之后，则可以根据当前的样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
在实际应用中，确定当前需要训练的目标模型之后，则可以初步确定目标模型的损失函数类型。但是传统的模型一般会给每个样本图像赋予相同的权重，在设计损失函数时，会固定每个分支任务的权重系数，不能平衡不同样本类别的训练效果。
而且，在实际应用中，各个正例也即正样本之间可能存在差别，例如同一样本图像集合中可能存在前述的少数名族语言正样本、汉字正样本、英文正样本等不同类别的正样本，和/或清晰度不一致的正样本，等等；而对于负例也即负样本而言，一般可以有效识别出来，对于目标模型而言不同类别的负例都是统一的负例，并不会进行详细区分，因此可以不对损失函数中负例部分的参数进行调整，仅调整正例部分的参数即可达到平衡样本图像的目的。
因此，在本公开实施例中，可以根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，从而得到目标模型针对当前的目标样本图像的类别回归损失函数。其中，样本平衡因子和自适应预测因子与当前的附加参数之间的对应关系可以根据需求进行预先设置，对此本公开实施例不加以限定。
例如，如果目标模型为前述的faster rcnn模型，使用交叉熵损失函数作为初始类别回归损失函数：Tr＝-ylgs–(1-y)lg(1-s)，其中y表示样本类别，正例为1，负例为0，s为预测概率，0<＝s<＝1。由于s是表征目标模型预测当前输入的样本图像为与之对应的样本类别的概率，因此可以认定初始类别回归损失函数中的-ylgs为正例部分，–(1-y)lg(1-s)为负例概率。假设当前的样本平衡因子为T1、自适应预测因子为T2，那么则可以得到当前调整后的类别回归损失函数为：Tr_new＝-T1*y*T2*lgs–(1-y)*lg(1-s)。此时样本平衡因子和自适应预测因子与当前的附加参数之间的对应关系为：附加参数＝T1*T2。
可选地，在本公开实施例中，在所述目标模型为两段式模型的情况下，所述步骤S121进一步可以包括：
步骤A1211，根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
和/或，步骤A1212，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
在本公开实施例中，如果目标模型为faster rcnn、rfcn、cascade rcnn等两段式模型，两段式模型中的每个分段模型的处理过程以及处理目的可能并不完全一致，那么在对不同分段模型中的损失函数进行调整时，所参照的样本平衡因子可能并不完全一致。例如，对于直接接收样本图像输入的第一分段模型可能更倾向于区分正负样本，而对于第二分段模型则可能更倾向于将正样本划分为不同类别。
因此，在本公开实施例中，对于两段式的目标模型，则可以分别确定每个分段模型针对当前的目标样本图像的样本平衡因子，或者也可以只优化其中一个分段模型的类别回归损失函数，那么此时则可以仅获取需要优化的分段模型针对当前的目标样本图像的样本平衡因子。
对于第一分段模型，则可以根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子。而且，在本公开实施例中，为了提高样本较少的样本类别的权重，可以设置正样本数量和负样本数量中的较大值与样本平衡因子成正比，较小值与样本平衡因子成反比。
例如，可以设置第一分段模型的样本平衡因子为其中N1为正样本数量和负样本数量中的较大值，N2为正样本数量和负样本数量中的较小值。
而对于第二分段模型，则可以根据样本图像集合中包含的不同类别正样本数量，获取目标模型中的第二分段模型针对目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
例如，对于上述的OCR检测模型的样本图像集合，假设样本图像集合中包含少数名族语言A的正样本M1个、少数名族语言B的正样本M2个、汉字的正样本M3个、英文的正样本M4个，且M1<M2<M3＝M4，那么此时样本图像集合中包含四种类别正样本。
假设第二分段模型的样本平衡因子与第一分段模型的样本平衡因子的形式一致，那么此时第二分段模型的样本平衡因子为或者
如前述，在本公开实施例中，也可以只重新定义其中一个分段模型的类别回归损失函数。而且由于处于目标模型前端的第一分段模型中的anchor(锚)更多，更容易处于失衡状态，因此优选地可以仅重新定义第一分段模型的类别回归损失函数，也即可以优选地只执行上述的步骤A1211，获取第一分段模型针对所述目标样本图像的样本平衡因子。
可选地，在本公开实施例中，在所述目标模型为两段式模型的情况下，所述步骤S122进一步可以包括：
步骤S1221，根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子。
和/或，步骤S1222，根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；其中，每个分段模型中的自适应预测因子与预测概率成反比。
相应地，由于不同分段模型的预测原则可能并不一致，因此不同分段模型对同一样本图像的预测概率也可能并不一致。因此，在本公开实施例中，可以分别根据每个分段模型对目标样本图像的预测概率，获取相应分段模型对相应目标样本图像的自适应预测因子。
具体的，可以根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子，和/或根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子。
而且，如果预测概率的值较低，则可以间接说明相应目标样本图像所属样本类别的样本图像数量相对于较少，那么则需要相应调高相应目标样本图像的权重。因此，在本公开实施例中，则可以设置每个分段模型中的自适应预测因子与相应分段模型的预测概率成反比。
例如，假设分段模型中预测概率为s，则可以设置其自适应预测因子为1-s，等等。
而且，在本公开实施例中，如果仅重新定义其中一个分段模型中的类别回归损失函数，那么则可以分别执行上述的步骤A1211和步骤S1221，或者是分别执行上述的步骤A1212和步骤S1222，以便对得到同一分段模型中的样本平衡因子和自适应预测因子。
可选地，在本公开实施例中，在所述目标模型为两段式faster rcnn模型的情况下，所述步骤S13进一步可以包括：
步骤S131，提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图。
步骤S132，调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框。
步骤S133，调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归。
以两段式faster rcnn模型为例，此时可以设置样本图像为样本图片，那么为了基于各个样本图片训练目标模型，则可以先提取当前输入的目标样本图像的特征，得到目标样本图像的特征图。其中，可以通过任何可用方式提取目标样本图像的特征，对此本公开实施例不加以限定。
例如，可以通过VGG(Visual Geometry Group)16、InceptionV1、InceptionV2、resnet(Residual Neural Network，残余神经网络)、Inception-resnet等特征提取网络，提取目标样本图像的特征，得到目标样本图像的特征图。
在得到目标样本图像的特征图之后，为了提高目标模型训练过程中的样本均衡性，在利用当前的目标样本图像的特征图训练目标模型之前，可以先调整目标模型中区域生成网络(Region Proposal Network，RPN)的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框。
进而则可以调整目标模型中池化(roi pooling)层的类别回归损失函数，并将从特征图中截取的与建议检测框对应的特征区域输入调整后的池化层，以对特征区域进行类别回归和检测框回归。
其中，区域生成网络可以理解为属于两段式faster rcnn模型中的第一分段模型，那么则可以根据第一分段模型针对当前的目标样本图像的样本平衡因子和自适应预测因子，设置区域生成网络的原始类别回归损失函数中正例部分的附加参数，得到区域生成网络针对目标样本图像的类别回归损失函数。池化层可以理解为属于两段式faster rcnn模型中的第二分段模型，那么则可以根据第二分段模型针对当前的目标样本图像的样本平衡因子和自适应预测因子，设置池化层的原始类别回归损失函数中正例部分的附加参数，得到池化层针对目标样本图像的类别回归损失函数。当然，也可以只调整其中任意一个分层模型中的类别回归损失函数，而维持另一分层模型中的类别回归损失函数为初始类别回归损失函数，对此本公开实施例不加以限定。
可选地，在本公开实施例中，所述步骤S132，进一步，可以包括：
步骤S1321，调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框。
步骤S1322，对所述初始检测框进行非最大值抑制，得到所述建议检测框。
另外，在实际应用中，基于RPN进行的类别回归和检测框回归后得到的建议检测框中可能包含一些并不准确的检测框，从而影响模型训练效果。因此，在本公开实施例中，为了进一步提高模型训练效果，可以通过调整后的区域生成网络进行类别回归和检测框回归得到的初始检测框进行非最大值抑制(Non-Maximum Suppression，NMS)，进而获取得到最终的建议检测框。
可选地，在本公开实施例中，在所述目标模型为一段式模型的情况下，所述步骤S121，进一步可以包括：
步骤B1211，根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比。
或者，步骤B1212，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
在本公开实施例中，如果待训练的目标模型为一段式模型，那么则可以根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比。或者，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。具体的过程与前述类似，在此不加以赘述。
在本公开实施例中，通过根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。从而可以提高类别回归损失函数的准确性，进而提高训练得到的模型的准确率和召回率。
并且，在所述目标模型为两段式模型的情况下，根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；和/或，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；和/或，根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；其中，每个分段模型中的自适应预测因子与预测概率成反比。在所述目标模型为一段式模型的情况下，根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；或者，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。针对需要训练的模型结构不同，分别确定每个分段部分的自适应预测因子和样本平衡因子，从而提高自适应预测因子和样本平衡因子的准确性。
在所述样本图像为样本图片，所述目标模型为两段式faster rcnn模型的情况下，提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归。并且，调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；对所述初始检测框进行非最大值抑制，得到所述建议检测框。从而提高训练得到的两段式faster rcnn模型的准确率和召回率。
图3是根据一示例性实施例示出的一种模型训练装置框图。参照图3，该装置包括样本图像集合获取模块21，类别回归损失函数确定模块22和模型训练模块23。
样本图像集合获取模块21，被配置为获取用以训练目标模型的样本图像集合；
类别回归损失函数确定模块22，被配置为根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；
模型训练模块23，被配置为针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
本公开实施例通过获取用以训练目标模型的样本图像集合；根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。取得了提高样本数量少的样本类别的收敛速度，增加训练得到的模型的准确率和召回率的有益效果。
参照图4，在本公开实施例中，所述类别回归损失函数确定模块22，包括：
样本平衡因子获取子模块221，被配置为根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；
自适应预测因子获取子模块222，被配置为根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；
类别回归损失函数确定子模块223，被配置为根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
可选地，在本公开实施例中，在所述目标模型为两段式模型的情况下，所述样本平衡因子获取子模块221，进一步可以包括：
第一样本平衡因子获取单元，被配置为根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
和/或，第二样本平衡因子获取单元，被配置为根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
所述自适应预测因子获取子模块222，进一步可以包括：
第一自适应预测因子获取单元，被配置为根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；
和/或，第二自适应预测因子获取单元，被配置为根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；其中，每个分段模型中的自适应预测因子与预测概率成反比。
可选地，在本公开实施例中，在所述样本图像为样本图片，所述目标模型为两段式faster rcnn模型的情况下，所述模型训练模块23，包括：
特征提取子模块，被配置为提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；
建议检测框获取子模块，被配置为调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；
模型训练子模块，被配置为调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归，并对所述目标模型进行训练。
可选地，在本公开实施例中，所述建议检测框获取子模块，进一步可以包括：
初始检测框获取单元，被配置为调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；
非最大值抑制单元，被配置为对所述初始检测框进行非最大值抑制，得到所述建议检测框。
可选地，在本公开实施例中，在所述目标模型为一段式模型的情况下，所述样本平衡因子获取子模块221，进一步可以包括：
第三样本平衡因子获取单元，被配置为根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
或者，第四样本平衡因子获取单元，被配置为根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
在本公开实施例中，通过根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。从而可以提高类别回归损失函数的准确性，进而提高训练得到的模型的准确率和召回率。
并且，在所述目标模型为两段式模型的情况下，根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；和/或，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；和/或，根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；其中，每个分段模型中的自适应预测因子与预测概率成反比。在所述目标模型为一段式模型的情况下，根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；或者，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。针对需要训练的模型结构不同，分别确定每个分段部分的自适应预测因子和样本平衡因子，从而提高自适应预测因子和样本平衡因子的准确性。
在所述样本图像为样本图片，所述目标模型为两段式faster rcnn模型的情况下，提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归。并且，调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；对所述初始检测框进行非最大值抑制，得到所述建议检测框。从而提高训练得到的两段式faster rcnn模型的准确率和召回率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种用于模型训练的装置300的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，装置300可以包括以下一个或多个组件：处理组件302，存储器304，电力组件306，多媒体组件308，音频组件310，输入/输出(I/O)的接口312，传感器组件314，以及通信组件316。
处理组件302通常控制装置300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件302可以包括一个或多个模块，便于处理组件302和其他组件之间的交互。例如，处理组件302可以包括多媒体模块，以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在设备300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件306为装置300的各种组件提供电力。电源组件306可以包括电源管理系统，一个或多个电源，及其他与为装置300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件308包括一个前置摄像头和/或后置摄像头。当设备300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如，音频组件310包括一个麦克风(MIC)，当装置300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中，音频组件310还包括一个扬声器，用于输出音频信号。
I/O接口312为处理组件302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器，用于为装置300提供各个方面的状态评估。例如，传感器组件314可以检测到设备300的打开/关闭状态，组件的相对定位，例如所述组件为装置300的显示器和小键盘，传感器组件314还可以检测装置300或装置300一个组件的位置改变，用户与装置300接触的存在或不存在，装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器304，上述指令可由装置300的处理器320执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种图像检测模型的训练装置，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如前述的任意一种图像检测模型的训练方法。
在示例性实施例中，还提供了一种计算机程序产品，当所述计算机程序产品由图像检测模型的训练装置的处理器执行时，使得图像检测模型的训练装置能够执行如前述的任意一种图像检测模型的训练方法。
图6是根据一示例性实施例示出的一种用于模型训练的装置400的框图。例如，装置400可以被提供为一服务器。参照图4，装置400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器432所代表的存储器资源，用于存储可由处理组件422的执行的指令，例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件422被配置为执行指令，以执行上述方法……
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理，一个有线或无线网络接口450被配置为将装置400连接到网络，和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM，FreeBSDTM等等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
A1.一种图像检测模型的训练方法，包括：
获取用以训练目标模型的样本图像集合；
根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；
针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
A2.如A1所述的图像检测模型的训练方法，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数的步骤，包括：
根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；
根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；
根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
A3.如A2所述的图像检测模型的训练方法，在所述目标模型为两段式模型的情况下，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子的步骤，包括：
根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
和/或，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
A4.如A3所述的方法，所述根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子的步骤，包括：
根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；
和/或，根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；
其中，每个分段模型中的自适应预测因子与预测概率成反比。
A5.如A1-A4中任一项所述的方法，在所述目标模型为两段式faster rcnn模型的情况下，所述针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数的步骤，包括：
提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；
调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；
调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归。
A6.如A5所述的方法，所述调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框的步骤，包括：
调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；
对所述初始检测框进行非最大值抑制，得到所述建议检测框。
A7.如A2所述的图像检测模型的训练方法，在所述目标模型为一段式模型的情况下，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子的步骤，包括：
根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
或者，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
B8.一种图像检测模型的训练装置，包括：
样本图像集合获取模块，被配置为执行获取用以训练目标模型的样本图像集合；
类别回归损失函数确定模块，被配置为执行根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；
模型训练模块，被配置为执行针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
B9.如B8所述的图像检测模型的训练装置，所述类别回归损失函数确定模块，包括：
样本平衡因子获取子模块，被配置为执行根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；
自适应预测因子获取子模块，被配置为执行根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；
类别回归损失函数确定子模块，被配置为执行根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
B10.如B9所述的图像检测模型的训练装置，在所述目标模型为两段式模型的情况下，所述样本平衡因子获取子模块，包括：
第一样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
和/或，第二样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
B11.如B10所述的装置，所述自适应预测因子获取子模块，包括：
第一自适应预测因子获取单元，被配置为执行根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；
和/或，第二自适应预测因子获取单元，被配置为执行根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；
其中，每个分段模型中的自适应预测因子与预测概率成反比。
B12.如B8-B11中任一项所述的装置，在所述目标模型为两段式faster rcnn模型的情况下，所述模型训练模块，包括：
特征提取子模块，被配置为执行提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；
建议检测框获取子模块，被配置为执行调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；
模型训练子模块，被配置为执行调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归，并对所述目标模型进行训练。
B13.如B12所述的装置，所述建议检测框获取子模块，包括：
初始检测框获取单元，被配置为执行调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；
非最大值抑制单元，被配置为执行对所述初始检测框进行非最大值抑制，得到所述建议检测框。
B14.如B9所述的图像检测模型的训练装置，在所述目标模型为一段式模型的情况下，所述样本平衡因子获取子模块，包括：
第三样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
或者，第四样本平衡因子获取单元，被配置为执行根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
C15.一种图像检测模型的训练装置，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的图像检测模型的训练方法。
D16.一种存储介质，当所述存储介质中的指令由图像检测模型的训练装置的处理器执行时，使得图像检测模型的训练装置能够执行如权利要求1至7中任一项所述的图像检测模型的训练方法。
Claims (10)
1.一种图像检测模型的训练方法，其特征在于，包括：
获取用以训练目标模型的样本图像集合；
根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；
针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
2.根据权利要求1所述的图像检测模型的训练方法，其特征在于，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数的步骤，包括：
根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子；
根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子；
根据所述样本平衡因子和所述自适应预测因子，设置所述目标模型的原始类别回归损失函数中正例部分的附加参数，得到所述目标模型针对所述目标样本图像的类别回归损失函数。
3.根据权利要求2所述的图像检测模型的训练方法，其特征在于，在所述目标模型为两段式模型的情况下，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子的步骤，包括：
根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型中的第一分段模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
和/或，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型中的第二分段模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标模型针对当前输入的目标样本图像的预测概率，获取所述目标模型针对所述目标样本图像的自适应预测因子的步骤，包括：
根据所述第一分段模型针对当前输入的目标样本图像的预测概率，获取所述第一分段模型针对所述目标样本图像的自适应预测因子；
和/或，根据所述第二分段模型针对当前输入的目标样本图像的预测概率，获取所述第二分段模型针对所述目标样本图像的自适应预测因子；
其中，每个分段模型中的自适应预测因子与预测概率成反比。
5.根据权利要求1-4中任一项所述的方法，其特征在于，在所述目标模型为两段式faster rcnn模型的情况下，所述针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数的步骤，包括：
提取当前输入的目标样本图像的特征，得到所述目标样本图像的特征图；
调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框；
调整所述目标模型中池化层的类别回归损失函数，并将从所述特征图中截取的与所述建议检测框对应的特征区域输入调整后的池化层，以对所述特征区域进行类别回归和检测框回归。
6.根据权利要求5所述的方法，其特征在于，所述调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到建议检测框的步骤，包括：
调整所述目标模型中区域生成网络的类别回归损失函数，并将所述特征图输入调整后的区域生成网络，以对所述特征图进行类别回归和检测框回归，得到初始检测框；
对所述初始检测框进行非最大值抑制，得到所述建议检测框。
7.根据权利要求2所述的图像检测模型的训练方法，其特征在于，在所述目标模型为一段式模型的情况下，所述根据所述样本图像集合中包含的不同样本类别对应的样本数量，获取所述目标模型的样本平衡因子的步骤，包括：
根据所述样本图像集合中包含的正样本数量和负样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且所述正样本数量和所述负样本数量中的较大值与所述样本平衡因子成正比，较小值与所述样本平衡因子成反比；
或者，根据所述样本图像集合中包含的不同类别正样本数量，获取所述目标模型针对所述目标样本图像的样本平衡因子，且正样本最多的类别的正样本数量与所述样本平衡因子成正比，正样本最少的类别的正样本数量与所述样本平衡因子成反比。
8.一种图像检测模型的训练装置，其特征在于，包括：
样本图像集合获取模块，被配置为执行获取用以训练目标模型的样本图像集合；
类别回归损失函数确定模块，被配置为执行根据所述样本图像集合中包含的不同样本类别对应的样本数量，以及所述目标模型针对当前输入的目标样本图像的预测概率，确定所述目标模型针对所述目标样本图像的类别回归损失函数；
模型训练模块，被配置为执行针对所述样本图像集合中的每个样本图像，调整所述目标模型的类别回归损失函数，并通过所述样本图像训练所述目标模型中的模型参数。
9.一种图像检测模型的训练装置，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的图像检测模型的训练方法。
10.一种存储介质，当所述存储介质中的指令由图像检测模型的训练装置的处理器执行时，使得图像检测模型的训练装置能够执行如权利要求1至7中任一项所述的图像检测模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910603697.4A CN110443280B (zh) | 2019-07-05 | 2019-07-05 | 图像检测模型的训练方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910603697.4A CN110443280B (zh) | 2019-07-05 | 2019-07-05 | 图像检测模型的训练方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110443280A true CN110443280A (zh) | 2019-11-12 |
| CN110443280B CN110443280B (zh) | 2022-06-03 |
Family
ID=68429427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910603697.4A Active CN110443280B (zh) | 2019-07-05 | 2019-07-05 | 图像检测模型的训练方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443280B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
| CN110968718A (zh) * | 2019-11-19 | 2020-04-07 | 北京百度网讯科技有限公司 | 目标检测模型负样本挖掘方法、装置及电子设备 |
| CN111079841A (zh) * | 2019-12-17 | 2020-04-28 | 深圳奇迹智慧网络有限公司 | 目标识别的训练方法、装置、计算机设备和存储介质 |
| CN111126252A (zh) * | 2019-12-20 | 2020-05-08 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
| CN111160411A (zh) * | 2019-12-11 | 2020-05-15 | 东软集团股份有限公司 | 分类模型训练方法、图像处理方法、装置、介质及设备 |
| CN111241969A (zh) * | 2020-01-06 | 2020-06-05 | 北京三快在线科技有限公司 | 目标检测方法、装置及相应模型训练方法、装置 |
| CN111260665A (zh) * | 2020-01-17 | 2020-06-09 | 北京达佳互联信息技术有限公司 | 图像分割模型训练方法和装置 |
| CN111292329A (zh) * | 2020-01-15 | 2020-06-16 | 北京字节跳动网络技术有限公司 | 视频分割网络的训练方法、装置及电子设备 |
| CN111310814A (zh) * | 2020-02-07 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 利用不平衡正负样本对业务预测模型训练的方法及装置 |
| CN111461304A (zh) * | 2020-03-31 | 2020-07-28 | 北京小米松果电子有限公司 | 分类神经网络的训练方法、文本分类方法、装置及设备 |
| CN111653103A (zh) * | 2020-05-07 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种目标对象的识别方法及装置 |
| CN111860568A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 数据样本的均衡分布方法、装置及存储介质 |
| CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置，电子设备及存储介质 |
| CN111967492A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 分类模型的训练方法、装置、电子设备以及存储介质 |
| CN112270653A (zh) * | 2020-10-27 | 2021-01-26 | 中国计量大学 | 一种针对图像样本不平衡的数据增强方法 |
| US11972571B2 (en) | 2020-07-30 | 2024-04-30 | Infervision Medical Technology Co., Ltd. | Method for image segmentation, method for training image segmentation model |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016357A (zh) * | 2017-03-23 | 2017-08-04 | 北京工业大学 | 一种基于时间域卷积神经网络的视频行人检测方法 |
| CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
| US9858496B2 (en) * | 2016-01-20 | 2018-01-02 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
| US20180314943A1 (en) * | 2017-04-27 | 2018-11-01 | Jianming Liang | Systems, methods, and/or media, for selecting candidates for annotation for use in training a classifier |
| CN108875819A (zh) * | 2018-06-08 | 2018-11-23 | 浙江大学 | 一种基于长短期记忆网络的物体和部件联合检测方法 |
| CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
| US10198671B1 (en) * | 2016-11-10 | 2019-02-05 | Snap Inc. | Dense captioning with joint interference and visual context |
| CN109376736A (zh) * | 2018-09-03 | 2019-02-22 | 浙江工商大学 | 一种基于深度卷积神经网络的视频小目标检测方法 |
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN109711401A (zh) * | 2018-12-03 | 2019-05-03 | 广东工业大学 | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 |
| CN109815332A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技（深圳）有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
| CN109871896A (zh) * | 2019-02-26 | 2019-06-11 | 北京达佳互联信息技术有限公司 | 数据分类方法、装置、电子设备及存储介质 |
-
2019
- 2019-07-05 CN CN201910603697.4A patent/CN110443280B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9858496B2 (en) * | 2016-01-20 | 2018-01-02 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
| US10198671B1 (en) * | 2016-11-10 | 2019-02-05 | Snap Inc. | Dense captioning with joint interference and visual context |
| CN107016357A (zh) * | 2017-03-23 | 2017-08-04 | 北京工业大学 | 一种基于时间域卷积神经网络的视频行人检测方法 |
| US20180314943A1 (en) * | 2017-04-27 | 2018-11-01 | Jianming Liang | Systems, methods, and/or media, for selecting candidates for annotation for use in training a classifier |
| CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
| CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
| CN108875819A (zh) * | 2018-06-08 | 2018-11-23 | 浙江大学 | 一种基于长短期记忆网络的物体和部件联合检测方法 |
| CN109376736A (zh) * | 2018-09-03 | 2019-02-22 | 浙江工商大学 | 一种基于深度卷积神经网络的视频小目标检测方法 |
| CN109711401A (zh) * | 2018-12-03 | 2019-05-03 | 广东工业大学 | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 |
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN109815332A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技（深圳）有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
| CN109871896A (zh) * | 2019-02-26 | 2019-06-11 | 北京达佳互联信息技术有限公司 | 数据分类方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| RAVINDER AHUJA等: "Predicting the Probability of Student’s Degree Completion by Using Different Data Mining Techniques", 《2017 FOURTH INTERNATIONAL CONFERENCE ON IMAGE INFORMATION PROCESSING (ICIIP)》 * |
| 彭明: "朴素贝叶斯分类算法在降雨预测中的研究与应用", 《中国优秀硕士学位论文全文数据库（基础科学辑）》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110968718B (zh) * | 2019-11-19 | 2023-07-14 | 北京百度网讯科技有限公司 | 目标检测模型负样本挖掘方法、装置及电子设备 |
| CN110968718A (zh) * | 2019-11-19 | 2020-04-07 | 北京百度网讯科技有限公司 | 目标检测模型负样本挖掘方法、装置及电子设备 |
| CN111160411A (zh) * | 2019-12-11 | 2020-05-15 | 东软集团股份有限公司 | 分类模型训练方法、图像处理方法、装置、介质及设备 |
| CN111160411B (zh) * | 2019-12-11 | 2023-09-29 | 东软集团股份有限公司 | 分类模型训练方法、图像处理方法、装置、介质及设备 |
| CN111079841A (zh) * | 2019-12-17 | 2020-04-28 | 深圳奇迹智慧网络有限公司 | 目标识别的训练方法、装置、计算机设备和存储介质 |
| CN111126252A (zh) * | 2019-12-20 | 2020-05-08 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
| CN111126252B (zh) * | 2019-12-20 | 2023-08-18 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
| CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
| CN110942072B (zh) * | 2019-12-31 | 2024-02-02 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
| CN111241969A (zh) * | 2020-01-06 | 2020-06-05 | 北京三快在线科技有限公司 | 目标检测方法、装置及相应模型训练方法、装置 |
| CN111292329A (zh) * | 2020-01-15 | 2020-06-16 | 北京字节跳动网络技术有限公司 | 视频分割网络的训练方法、装置及电子设备 |
| CN111260665A (zh) * | 2020-01-17 | 2020-06-09 | 北京达佳互联信息技术有限公司 | 图像分割模型训练方法和装置 |
| CN111260665B (zh) * | 2020-01-17 | 2022-01-21 | 北京达佳互联信息技术有限公司 | 图像分割模型训练方法和装置 |
| CN111310814A (zh) * | 2020-02-07 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 利用不平衡正负样本对业务预测模型训练的方法及装置 |
| CN111461304B (zh) * | 2020-03-31 | 2023-09-15 | 北京小米松果电子有限公司 | 分类神经网络的训练方法、文本分类方法、装置及设备 |
| CN111461304A (zh) * | 2020-03-31 | 2020-07-28 | 北京小米松果电子有限公司 | 分类神经网络的训练方法、文本分类方法、装置及设备 |
| CN111653103A (zh) * | 2020-05-07 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种目标对象的识别方法及装置 |
| CN111860568B (zh) * | 2020-05-13 | 2022-02-08 | 北京嘀嘀无限科技发展有限公司 | 数据样本的均衡分布方法、装置及存储介质 |
| CN111860568A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 数据样本的均衡分布方法、装置及存储介质 |
| CN111967492A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 分类模型的训练方法、装置、电子设备以及存储介质 |
| CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置，电子设备及存储介质 |
| CN111899245B (zh) * | 2020-07-30 | 2021-03-09 | 推想医疗科技股份有限公司 | 图像分割、模型的训练方法及装置，电子设备及存储介质 |
| US11972571B2 (en) | 2020-07-30 | 2024-04-30 | Infervision Medical Technology Co., Ltd. | Method for image segmentation, method for training image segmentation model |
| CN112270653A (zh) * | 2020-10-27 | 2021-01-26 | 中国计量大学 | 一种针对图像样本不平衡的数据增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110443280B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443280A (zh) | 图像检测模型的训练方法、装置及存储介质 | |
| CN108399409B (zh) | 图像分类方法、装置及终端 | |
| TWI759722B (zh) | 神經網路訓練方法及裝置、圖像處理方法及裝置、電子設備和計算機可讀存儲介質 | |
| CN109117862B (zh) | 图像标签识别方法、装置及服务器 | |
| CN109871896B (zh) | 数据分类方法、装置、电子设备及存储介质 | |
| CN104700353B (zh) | 图像滤镜生成方法及装置 | |
| CN109670397A (zh) | 人体骨骼关键点的检测方法、装置、电子设备及存储介质 | |
| CN107992812A (zh) | 一种唇语识别方法及装置 | |
| CN110619350B (zh) | 图像检测方法、装置及存储介质 | |
| CN106204435A (zh) | 图像处理方法及装置 | |
| CN106774970A (zh) | 对输入法的候选项进行排序的方法和装置 | |
| CN104063865B (zh) | 分类模型创建方法、图像分割方法及相关装置 | |
| CN104243814B (zh) | 图像中物体布局的分析方法、图像拍摄提示方法及装置 | |
| CN111506758B (zh) | 物品名称确定方法、装置、计算机设备及存储介质 | |
| CN107527053A (zh) | 目标检测方法及装置 | |
| CN109871843A (zh) | 字符识别方法和装置、用于字符识别的装置 | |
| CN106548468A (zh) | 图像清晰度的判别方法及装置 | |
| JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
| CN109360197A (zh) | 图像的处理方法、装置、电子设备及存储介质 | |
| CN107766820A (zh) | 图像分类方法及装置 | |
| CN109819288A (zh) | 广告投放视频的确定方法、装置、电子设备及存储介质 | |
| CN106991641A (zh) | 植入图片的方法及装置 | |
| CN108009990A (zh) | 倾斜对象处理方法及装置 | |
| CN110889489A (zh) | 神经网络的训练方法、图像识别方法及其装置 | |
| CN110276418A (zh) | 基于图片的字体识别方法、装置、电子设备及存储介质 |
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 |