CN110928889A - 训练模型更新方法、设备以及计算机存储介质 - Google Patents

训练模型更新方法、设备以及计算机存储介质 Download PDF

Info

Publication number
CN110928889A
CN110928889A CN201911013143.5A CN201911013143A CN110928889A CN 110928889 A CN110928889 A CN 110928889A CN 201911013143 A CN201911013143 A CN 201911013143A CN 110928889 A CN110928889 A CN 110928889A
Authority
CN
China
Prior art keywords
training
training model
initial
model
parameters
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
Application number
CN201911013143.5A
Other languages
English (en)
Inventor
祁春超
周华明
黄雄伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhongtou Huaxun Terahertz Technology Co ltd
Original Assignee
China Communication Technology Co Ltd
Shenzhen CCT THZ Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Communication Technology Co Ltd, Shenzhen CCT THZ Technology Co Ltd filed Critical China Communication Technology Co Ltd
Priority to CN201911013143.5A priority Critical patent/CN110928889A/zh
Publication of CN110928889A publication Critical patent/CN110928889A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating

Abstract

本申请提供了一种训练模型更新方法、设备以及计算机存储介质。该训练模型更新方法包括：获取初始训练模型以及待训练的训练样本集合；采用初始训练模型对训练样本集合进行训练，以提取训练样本集合中训练样本的特征数据；接收用户指令，并根据用户指令和特征数据获取初始训练模型的训练参数；基于训练参数，对初始训练模型进行更新。本申请训练模型更新方法能够实现训练模型自动升级和提升图像数据检测的准确率的效果。

Description

训练模型更新方法、设备以及计算机存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种训练模型更新方法、设备以及计算机存储介质。
背景技术
在安检领域中，安检系统主要通过训练模型来检测每天大量的图像数据，从而快速输出安检的检测结果。目前的安检训练模型需要工作人员配置模型的具体升级参数，从而使得安检训练模型能够不断升级，配置过程复杂且耗时长。而且，目前的训练模型升级后会覆盖之前的训练模型，导致工作人员不能根据应用场景随时切换不同的训练模型，降低工作效率和工作精度。
发明内容
本申请提供了一种训练模型更新方法、设备以及计算机存储介质，主要解决的技术问题是如何实现训练模型自动升级和提升图像数据检测的准确率。
为解决上述技术问题，本申请提供了一种训练模型更新方法，所述训练模型更新方法包括：
获取初始训练模型以及待训练的训练样本集合；
采用所述初始训练模型对所述训练样本集合进行训练，以提取所述训练样本集合中训练样本的特征数据；
接收用户指令，并根据所述用户指令和所述特征数据获取所述初始训练模型的训练参数；
基于所述训练参数，对所述初始训练模型进行更新。
其中，所述根据所述用户指令和所述特征数据获取所述初始训练模型的训练参数的步骤，包括：
根据所述特征数据获取所述训练样本集合中的漏检训练样本；
采用深度学习算法学习所述漏检训练样本的漏检场景，以获得漏检数据；
根据所述用户指令和所述漏检数据获取所述初始训练模型的训练参数。
其中，所述基于所述训练参数，对所述初始训练模型进行更新的步骤，包括：
获取其他初始训练模型的训练参数；
基于所述训练参数和其他初始训练模型的训练参数对所述初始训练模型进行更新。
其中，所述基于所述训练参数和其他初始训练模型的训练参数对所述初始训练模型进行更新的步骤，包括：
设置第一权重和第二权重，其中，所述第一权重大于所述第二权重；
基于所述第一权重的训练参数以及所述第二权重的其他初始训练模型的训练参数对所述初始训练模型进行更新。
其中，所述根据所述用户指令和所述特征数据获取所述初始训练模型的训练参数的步骤之后，所述更新方法包括：
将所述训练参数发送给其他初始训练模型。
其中，所述基于所述训练参数，对所述初始训练模型进行更新的步骤之后，所述更新方法还包括：
采用所述更新后的初始训练模型对所述训练样本集合进行训练，以获得更新后的初始训练模型的漏检数据；
判断所述更新后的初始训练模型的漏检数据是否符合预设条件；
若是，则保存所述更新后的初始训练模型；
若否，则基于所述更新后的初始训练模型对所述训练样本集合进行训练。
其中，所述判断所述更新后的初始训练模型的漏检数据是否符合预设条件的步骤，包括：
根据所述更新后的初始训练模型的漏检数据计算所述训练样本集合的漏检率；
判断所述漏检率是否小于或等于所述预设漏检率；
若是，则保存所述更新后的初始训练模型；
若否，则基于所述更新后的初始训练模型对所述训练样本集合进行训练。
其中，所述保存所述更新后的初始训练模型的步骤之后，包括：
提示用户获得所述更新后的初始训练模型，并提供选择所述初始训练模型或者所述更新后的初始训练模型的选择接口。
为解决上述技术问题，本申请还提供了一种训练模型更新设备，所述训练模型更新设备包括存储器和处理器，其中，所述存储器与所述处理器耦接；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的训练模型更新方法。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的训练模型更新方法。
与现有技术相比，本申请的有益效果是：训练模型更新设备获取初始训练模型以及待训练的训练样本集合；采用初始训练模型对训练样本集合进行训练，以提取训练样本集合中训练样本的特征数据；接收用户指令，并根据用户指令和特征数据获取初始训练模型的训练参数；基于训练参数，对初始训练模型进行更新。本申请训练模型更新方法能够实现训练模型自动升级和提升图像数据检测的准确率的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的训练模型更新方法第一实施例的流程示意图；
图2是本申请提供的训练模型更新方法第二实施例的流程示意图；
图3是本申请提供的训练模型更新方法第三实施例的流程示意图；
图4是本申请提供的训练模型更新设备一实施例的结构示意图；
图5是本申请提供的训练模型更新设备另一实施例的结构示意图；
图6是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为解决上述技术问题，本申请提出了一种训练模型更新方法，具体请参阅图1，图1是本申请提供的训练模型更新方法第一实施例的流程视图。其中，本申请的训练模型更新方法应用与一种训练模型更新设备，其中，训练模型更新设备可以为服务器，也可以为终端设备，还可以由服务器和终端设备相互配合的系统。相应地，训练模型更新设备包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
需要说明的是，在本申请的训练模型更新方法描述中，统一以更新设备作为执行主体。
如图1所示，本实施例的训练模型更新方法具体包括以下步骤：
S101：获取初始训练模型以及待训练的训练样本集合。
其中，更新设备获取初始训练模型，初始训练模型可以为安检设备出厂设置中默认的训练模型，也可以是当前安检设备正在使用的训练模型。
训练模型更新方法的执行主体，即更新设备可以通过有线连接方式或者无线连接方式从其他电子设备、网络云或者本地获取待训练的训练样本集合。
S102：采用初始训练模型对训练样本集合进行训练，以提取训练样本集合中训练样本的特征数据。
其中，更新设备将训练样本集合输入初始训练模型中，以提取训练样本集合中训练样本的特征数据。
具体地，更新设备采用初始训练模型中的特征提取层提取训练样本集合中所有训练样本的特征数据，具体地，可以采用但不限于如下方式来提取训练样本集合中的训练样本的特征数据：LBP(Local Binary Patterns，局部二值模式)特征提取算法、方向梯度直方图(Histogram of Oriented Gradient,HOG)特征提取算法、LoG(Laplacian of Gaussian)特征提取算法、SIFT(Scale-invariant feature transform，尺度不变特征变换)特征提取算子、SURF(Speeded Up Robust Features)特征提取算法。
在上述步骤中，更新设备首先采用待训练的训练样本集合来训练模型，然后，采用训练得到的模型包括的特征提取层来提取待训练的训练样本集合中的训练样本的特征数据，以实现数据训练。在完成数据训练之后，更新设备还可以采用训练后的训练样本集合来重新训练模型。由此，实现了自动化地进行数据训练，节省了人力成本，以及一定程度上减少了人为因素导致的数据训练操作上的错误。
其中，更新设备对所得到的特征数据进行聚类处理，可以采用但不限于如下方式：K—Means(K均值)聚类算法、K—MEDOIDS(K—中心点)算法、基于随机选择的聚类算法等等。
具体地，更新设备在对所得到的特征数据进行聚类处理后，可以得到多个聚类簇。每个聚类簇可以包括多个训练样本的特征数据。属于同一个聚类簇的训练样本的特征数据对应的类别相同。位于每个聚类簇的中心的训练样本的特征数据通常被称为聚类簇中心。
其中，上述距离可以用于表征两个特征数据间的相似度。由此，通过计算两个特征数据案的相似度，可以得到两个特征数据分别对应的两个训练样本之间的相似度，从而有助于确定两个训练样本是否属于同一个类别，即具有相同的标签，以及是否为无效数据。上述距离可以是两个特征数据间的欧几里得距离(Euclidean distance)、马氏距离(Mahalanobis distance)、闵可夫斯基距离(Minkowsk distance)、汉明距离(Hammingdistance)、皮尔逊相关系数(Pearson correlation coefficient)、余弦相似度(cosinesimilarity)等等。
由此，处理得到的每个聚类分类中的两两训练样本之间的距离小于预设距离，即两两训练样本之间的相似度较高。
S103：接收用户指令，并根据用户指令和特征数据获取初始训练模型的训练参数。
其中，更新设备根据聚类的结果显示训练样本集合中训练样本的特征数据。以安检领域为例，更新设备显示多帧安检图像经过聚类分类后特征数据的情况。
进一步地，更新设备可以根据特征数据，计算出多帧安检图像的训练情况，训练情况可以表征为多帧安检图像的误报率和/或检出率等。
在本实施例中，更新设备还可以根据特征数据，获得训练样本集合中的漏检训练样本。例如，用户通过观察更新设备显示的多帧安检图像的特征数据，获悉并标注没有被检出的物品，从而向更新设备输入相关的用户指令。更新设备根据用户输入的用户指令以及对应的特征数据分析出初始训练模型的训练参数。具体地，更新设备可以采用深度学习算法学习上述漏检训练样本的漏检场景，以获得具体的漏检数据。更新设备进一步根据用户指令以及对应的漏检数据获取初始训练模型的训练参数。
在本实施例的另一种实现方式中，用户指令还可以包括激活指令。其中，激活指令用于激活更新设备的动态训练功能，当更新设备开启动态训练功能后，更新设备才能对初始训练模型进行更新。
S104：基于训练参数，对初始训练模型进行更新。
其中，更新设备自动根据训练参数配置初始训练模型的参数，以更新初始训练模型，使得更新后的初始训练模型能够适应多种应用场景，如不同的漏检场景等。
在本实施例中，训练模型更新设备获取初始训练模型以及待训练的训练样本集合；采用初始训练模型对训练样本集合进行训练，以提取训练样本集合中训练样本的特征数据；接收用户指令，并根据用户指令和特征数据获取初始训练模型的训练参数；基于训练参数，对初始训练模型进行更新。本实施例的训练模型更新方法能够实现训练模型自动升级和提升图像数据检测的准确率的效果。
在本实施例中，对于图1所示实施例中的步骤S104，本申请进一步提出了另一种具体的方法。具体请参阅图2，图2是本申请提供的训练模型更新方法第二实施例的流程示意图。
如图2所示，本实施例的训练模型更新方法具体包括以下步骤：
S201：获取其他初始训练模型的训练参数。
其中，更新设备可以通过有线连接方式或者无线连接方式从其他电子设备、网络云或者本地获取其他初始训练模型的训练参数。上述训练参数对应本实施例的初始训练模型类型，在实际情况中，相同的初始训练模型在输入不同的训练样本集合时，初始训练模型会输出不同的训练参数。获取其他初始训练模型的训练参数，能够让本实施例的初始训练模型配置不同应用场景下的训练得到的训练参数。
S202：设置第一权重和第二权重，其中，第一权重大于第二权重。
其中，更新设备设置第一权重和第二权重，且第一权重大于第二权重，例如，第一权重可以为80％，第二权重可以为20％。在其他实施例中，更新设备可以设置不同比例的第一权重和第二权重，在此不再赘述。
S203：基于第一权重的训练参数以及第二权重的其他初始训练模型的训练参数对初始训练模型进行更新。
其中，更新设备配置第一权重和第二权重，以使初始训练模型以第一权重和第二权重的比例将两组训练参数配置到初始训练模型，从而获得更新后的初始训练模型。
进一步地，更新设备还可以将该设备的初始训练模型训练得到的训练参数发送给其他电子设备，以共享训练参数。
对于图1所示实施例中的步骤S104之后，本申请进一步提出了另一种具体的方法。具体请参阅图3，图3是本申请提供的训练模型更新方法第三实施例的流程示意图。
如图3所示，本实施例的训练模型更新方法具体包括以下步骤：
S301：采用更新后的初始训练模型对训练样本集合进行训练，以获得更新后的初始训练模型的漏检数据。
S302：根据更新后的初始训练模型的漏检数据计算训练样本集合的漏检率。
其中，完成初始训练模型的更新后，更新设备还可以对更新后的初始训练模型的功能进行检验。更新设备将训练样本集合输入更新后的初始训练模型，以获得训练样本集合的特征数据。
例如，以安检领域为例，更新设备从更新后的初始训练模型获得多帧安检图像的漏检样本以及检出样本，从而计算出训练样本集合的漏检率。
S303：判断漏检率是否小于或等于预设漏检率。
其中，更新设备判断S302的漏检率是否小于或等于预设漏检率，若是，则说明更新后的初始训练模型能够应用于该漏检场景，进入S304；若否，则说明更新后的初始训练模型应对漏检场景的能力不足，需要重新进行训练，进入S305。
S304：保存更新后的初始训练模型。
其中，更新设备保存更新后的初始训练模型后提示用户获得所述更新后的初始训练模型，并提供选择所述初始训练模型或者所述更新后的初始训练模型的选择接口。
进一步地，更新设备以更新后的初始训练模型为优先训练模型，同时将其他历史训练模型同时兼容在更新设备的系统中，便于用户根据安检需求切换目前所使用的训练模型，即可以在更新后的初始训练模型和其他历史训练模型之间切换。
S305：基于更新后的初始训练模型对训练样本集合进行训练。
为实现上述实施例的训练模型更新方法，本申请还提出了一种训练模型更新设备，具体请参阅图4，图4是本申请提供的训练模型更新设备一实施例的结构示意图。
训练模型更新设备500至少包括获取模块51、训练模块52以及更新模块53。
其中，获取模块51，用于获取初始训练模型以及待训练的训练样本集合。
训练模块52，用于采用初始训练模型对训练样本集合进行训练，以提取训练样本集合中训练样本的特征数据。
训练模块52，还用于接收用户指令，并根据用户指令和特征数据获取初始训练模型的训练参数。
更新模块53，用于基于训练参数，对初始训练模型进行更新。
为实现上述实施例的模型训练更新方法，本申请还提出了另一种模型训练更新设备，具体请参阅图5，图5是本申请提供的模型训练更新设备另一实施例的结构示意图。
模型训练更新设备600包括存储器61和处理器62，其中，存储器61和处理器62耦接。
存储器61用于存储程序数据，处理器62用于执行程序数据以实现上述实施例的训练模型更新方法。
在本实施例中，处理器62还可以称为CPU(Central Processing Unit，中央处理单元)。处理器62可能是一种集成电路芯片，具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器62也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图6所示，计算机存储介质700用于存储程序数据，程序数据在被处理器执行时，用以实现如本申请方法实施例中所述的模型训练更新方法。
本申请模型训练更新方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种训练模型更新方法，其特征在于，所述训练模型更新方法包括：
获取初始训练模型以及待训练的训练样本集合；
采用所述初始训练模型对所述训练样本集合进行训练，以提取所述训练样本集合中训练样本的特征数据；
接收用户指令，并根据所述用户指令和所述特征数据获取所述初始训练模型的训练参数；
基于所述训练参数，对所述初始训练模型进行更新。
2.根据权利要求1所述的训练模型更新方法，其特征在于，
所述根据所述用户指令和所述特征数据获取所述初始训练模型的训练参数的步骤，包括：
根据所述特征数据获取所述训练样本集合中的漏检训练样本；
采用深度学习算法学习所述漏检训练样本的漏检场景，以获得漏检数据；
根据所述用户指令和所述漏检数据获取所述初始训练模型的训练参数。
3.根据权利要求2所述的训练模型更新方法，其特征在于，
所述基于所述训练参数，对所述初始训练模型进行更新的步骤，包括：
获取其他初始训练模型的训练参数；
基于所述训练参数和其他初始训练模型的训练参数对所述初始训练模型进行更新。
4.根据权利要求3所述的训练模型更新方法，其特征在于，
所述基于所述训练参数和其他初始训练模型的训练参数对所述初始训练模型进行更新的步骤，包括：
设置第一权重和第二权重，其中，所述第一权重大于所述第二权重；
基于所述第一权重的训练参数以及所述第二权重的其他初始训练模型的训练参数对所述初始训练模型进行更新。
5.根据权利要求2所述的训练模型更新方法，其特征在于，
所述根据所述用户指令和所述特征数据获取所述初始训练模型的训练参数的步骤之后，所述更新方法包括：
将所述训练参数发送给其他初始训练模型。
6.根据权利要求2所述的训练模型更新方法，其特征在于，
所述基于所述训练参数，对所述初始训练模型进行更新的步骤之后，所述更新方法还包括：
采用所述更新后的初始训练模型对所述训练样本集合进行训练，以获得更新后的初始训练模型的漏检数据；
判断所述更新后的初始训练模型的漏检数据是否符合预设条件；
若是，则保存所述更新后的初始训练模型；
若否，则基于所述更新后的初始训练模型对所述训练样本集合进行训练。
7.根据权利要求6所述的训练模型更新方法，其特征在于，
所述判断所述更新后的初始训练模型的漏检数据是否符合预设条件的步骤，包括：
根据所述更新后的初始训练模型的漏检数据计算所述训练样本集合的漏检率；
判断所述漏检率是否小于或等于所述预设漏检率；
若是，则保存所述更新后的初始训练模型；
若否，则基于所述更新后的初始训练模型对所述训练样本集合进行训练。
8.根据权利要求6所述的训练模型更新方法，其特征在于，
所述保存所述更新后的初始训练模型的步骤之后，包括：
提示用户获得所述更新后的初始训练模型，并提供选择所述初始训练模型或者所述更新后的初始训练模型的选择接口。
9.一种训练模型更新设备，其特征在于，所述训练模型更新设备包括存储器和处理器，其中，所述存储器与所述处理器耦接；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～8中任一项所述的训练模型更新方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～8中任一项所述的训练模型更新方法。
CN201911013143.5A 2019-10-23 2019-10-23 训练模型更新方法、设备以及计算机存储介质 Pending CN110928889A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911013143.5A CN110928889A (zh) 2019-10-23 2019-10-23 训练模型更新方法、设备以及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911013143.5A CN110928889A (zh) 2019-10-23 2019-10-23 训练模型更新方法、设备以及计算机存储介质

Publications (1)

Publication Number Publication Date
CN110928889A true CN110928889A (zh) 2020-03-27

Family

ID=69849265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911013143.5A Pending CN110928889A (zh) 2019-10-23 2019-10-23 训练模型更新方法、设备以及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110928889A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626434A (zh) * 2020-05-15 2020-09-04 浪潮电子信息产业股份有限公司 一种分布式训练参数更新方法、装置、设备及存储介质
CN113705648A (zh) * 2021-08-19 2021-11-26 杭州海康威视数字技术股份有限公司 一种数据处理方法、装置及设备
WO2022252432A1 (zh) * 2021-06-03 2022-12-08 华为技术有限公司 特征提取方法及装置、模型训练方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107910020A (zh) * 2017-10-24 2018-04-13 深圳和而泰智能控制股份有限公司 鼾声检测方法、装置、设备及存储介质
CN108846384A (zh) * 2018-07-09 2018-11-20 北京邮电大学 融合视频感知的多任务协同识别方法及系统
CN109101946A (zh) * 2018-08-27 2018-12-28 Oppo广东移动通信有限公司 一种图像特征的提取方法、终端设备及存储介质
CN109359793A (zh) * 2018-08-03 2019-02-19 阿里巴巴集团控股有限公司 一种针对新场景的预测模型训练方法及装置
CN109754012A (zh) * 2018-12-29 2019-05-14 新华三大数据技术有限公司 实体语义关系分类方法、模型训练方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107910020A (zh) * 2017-10-24 2018-04-13 深圳和而泰智能控制股份有限公司 鼾声检测方法、装置、设备及存储介质
CN108846384A (zh) * 2018-07-09 2018-11-20 北京邮电大学 融合视频感知的多任务协同识别方法及系统
CN109359793A (zh) * 2018-08-03 2019-02-19 阿里巴巴集团控股有限公司 一种针对新场景的预测模型训练方法及装置
CN109101946A (zh) * 2018-08-27 2018-12-28 Oppo广东移动通信有限公司 一种图像特征的提取方法、终端设备及存储介质
CN109754012A (zh) * 2018-12-29 2019-05-14 新华三大数据技术有限公司 实体语义关系分类方法、模型训练方法、装置及电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626434A (zh) * 2020-05-15 2020-09-04 浪潮电子信息产业股份有限公司 一种分布式训练参数更新方法、装置、设备及存储介质
CN111626434B (zh) * 2020-05-15 2022-06-07 浪潮电子信息产业股份有限公司 一种分布式训练参数更新方法、装置、设备及存储介质
WO2022252432A1 (zh) * 2021-06-03 2022-12-08 华为技术有限公司 特征提取方法及装置、模型训练方法及装置
CN113705648A (zh) * 2021-08-19 2021-11-26 杭州海康威视数字技术股份有限公司 一种数据处理方法、装置及设备
CN113705648B (zh) * 2021-08-19 2024-03-01 杭州海康威视数字技术股份有限公司 一种数据处理方法、装置及设备

Similar Documents

Publication Publication Date Title
CN108090497B (zh) 视频分类方法、装置、存储介质及电子设备
KR20210110823A (ko) 이미지 인식 방법, 인식 모델의 트레이닝 방법 및 관련 장치, 기기
CN110928889A (zh) 训练模型更新方法、设备以及计算机存储介质
CN109993020B (zh) 人脸布控报警方法及装置
CN113128536A (zh) 无监督学习方法、系统、计算机设备及可读存储介质
CN110826372A (zh) 人脸特征点检测方法及装置
US20210166058A1 (en) Image generation method and computing device
CN108520263B (zh) 一种全景图像的识别方法、系统及计算机存储介质
CN111666905A (zh) 模型训练方法、行人属性识别方法和相关装置
CN113205047A (zh) 药名识别方法、装置、计算机设备和存储介质
CN115358914B (zh) 用于视觉检测的数据处理方法、装置、计算机设备及介质
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
US20230021551A1 (en) Using training images and scaled training images to train an image segmentation model
CN110765917A (zh) 适用于人脸识别模型训练的主动学习方法、装置、终端、介质
CN110738267A (zh) 图像分类方法、装置、电子设备及存储介质
CN113591865B (zh) 一种回环检测方法、装置以及电子设备
CN112561793B (zh) 一种平面设计空间转换方法及系统
CN113537248A (zh) 图像识别方法和装置、电子设备和存储介质
CN113807407A (zh) 目标检测模型训练方法、模型性能检测方法及装置
CN110738260A (zh) 一种零售门店太空箱摆放检测方法、装置和设备
CN114998906B (zh) 文本检测方法、模型的训练方法、装置、电子设备及介质
CN116563883A (zh) 姿态获取方法、模型训练方法、终端、介质及程序产品
CN115393249A (zh) 图像检测方法、装置、系统及电子设备
CN113487369A (zh) 用户类型识别方法、装置及数据处理设备
CN113239941A (zh) 模型输入最优尺寸的方法、装置、设备及可读存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd.

Applicant after: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd.

Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN CCT THZ TECHNOLOGY Co.,Ltd.

Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230602

Address after: 518000 Shenzhen, Baoan District, Xixiang, Guangdong Xixiang street, thirty-seventh fields, 430 estate.

Applicant after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd.

Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd.

Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd.