CN111368748A - 网络训练方法及装置、图像识别方法及装置 - Google Patents
网络训练方法及装置、图像识别方法及装置 Download PDFInfo
- Publication number
- CN111368748A CN111368748A CN202010151916.2A CN202010151916A CN111368748A CN 111368748 A CN111368748 A CN 111368748A CN 202010151916 A CN202010151916 A CN 202010151916A CN 111368748 A CN111368748 A CN 111368748A
- Authority
- CN
- China
- Prior art keywords
- gradient
- tasks
- task
- scene
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 title claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 claims abstract description 147
- 238000012545 processing Methods 0.000 claims abstract description 129
- 238000002372 labelling Methods 0.000 claims abstract description 64
- 238000003860 storage Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 23
- 238000005457 optimization Methods 0.000 description 14
- 230000002829 reductive effect Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 101150095761 nthA gene Proteins 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种网络训练方法及装置、图像识别方法及装置,该网络训练方法包括:将第n个任务的多个第一样本图像输入第n‑1个任务训练后的神经网络处理,得到多个第一处理结果;将前n‑1个任务的n‑1组第二样本图像输入神经网络中处理,得到n‑1组第二处理结果;根据多个第一样本图像的标注结果及第一处理结果,n‑1组第二样本图像的标注结果及第二处理结果,确定神经网络针对第n个任务的第一梯度、前n‑1个任务的共享梯度及前n‑1个任务中每个任务的场景梯度;根据第一梯度、共享梯度及场景梯度确定第n个任务的目标梯度;根据目标梯度,训练神经网络。本公开实施例可提高神经网络的训练效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种网络训练方法及装置、图像识别方法及装置。
背景技术
在计算机视觉等领域,经常需要对图像中的目标(例如人脸)进行识别。例如,在智能视频监控系统中,可通过对图像中的目标样本与候选样本之间的相似性进行度量,从大量候选样本中找出目标样本。随着监控设备的快速发展,每天会产生大量的目标(例如人脸)数据,利用这些数据来进行持续训练模型成为业界的紧迫需求。然而在相关技术中,通常利用大量数据进行一次性的多任务模型训练,训练时效性较差,无法满足精度需求。
发明内容
本公开提出了一种网络训练及图像识别技术方案。
根据本公开的一方面,提供了一种网络训练方法,包括:将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;根据所述第n个任务的第一目标梯度,训练所述神经网络。
在一种可能的实现方式中,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度,包括:根据所述多个第一样本图像的标注结果及所述多个第一处理结果,确定所述神经网络针对所述第n个任务的第一梯度;根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定所述神经网络针对所述前n-1个任务的第二梯度;根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度。
在一种可能的实现方式中,根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度,包括:根据所述前n-1个任务的第二梯度的平均值,确定所述前n-1个任务的第一共享梯度;根据所述前n-1个任务中各个所述任务的第二梯度与所述第一共享梯度之间的差值,确定各个所述任务的第一场景梯度。
在一种可能的实现方式中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述前n-1个任务的第一场景梯度正交。
在一种可能的实现方式中,根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度,包括:对所述前n-1个任务的第一场景梯度进行主成分分析,从所述前n-1个任务的第一场景梯度中确定出q个第一场景梯度,q为正整数且q<n-1;根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述q个第一场景梯度,确定所述第n个任务的第一目标梯度,其中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述q个第一场景梯度正交。
在一种可能的实现方式中,所述神经网络包括多个网络层,所述方法还包括:根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度;根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度;根据各个所述网络层针对所述第n个任务的第二目标梯度,训练所述神经网络的各个所述网络层。
在一种可能的实现方式中,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度,包括:根据所述多个第一样本图像的标注结果及所述多个第一处理结果,分别确定所述神经网络的各个网络层针对所述第n个任务的第三梯度;根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络的各个网络层针对所述前n-1个任务的第四梯度;根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度。
在一种可能的实现方式中,根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度,包括:将各个所述网络层针对所述前n-1个任务的第四梯度的平均值,确定为各个所述网络层针对所述前n-1个任务的第二共享梯度;将各个所述网络层针对所述前n-1个任务中各个任务的第四梯度与所述第二共享梯度之间的差值,确定为各个所述网络层针对各个所述任务的第二场景梯度。
在一种可能的实现方式中,各个所述网络层的所述第二目标梯度与所述第二共享梯度的方向相同,且各个所述网络层的所述第二目标梯度与所述前n-1个任务的第二场景梯度正交。
在一种可能的实现方式中,根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度,包括:对任一网络层针对所述前n-1个任务的第二场景梯度进行主成分分析,从所述前n-1个任务的第二场景梯度中确定出r个第二场景梯度,r为正整数且r<n-1;根据所述网络层针对所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述r个第二场景梯度,确定所述网络层针对所述第n个任务的第二目标梯度,其中,所述第二目标梯度与所述第二共享梯度的方向相同,且所述第二目标梯度与所述r个第二场景梯度正交。
根据本公开的一方面,提供了一种图像识别方法,包括:将待处理图像输入神经网络中处理,得到所述待处理图像的图像识别结果,所述神经网络是根据上述的网络训练方法训练得到的。
根据本公开的一方面,提供了一种网络训练装置,包括:第一处理模块,用于将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;第二处理模块,用于将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;第一梯度确定模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;第一目标梯度确定模块,用于根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;第一训练模块,用于根据所述第n个任务的第一目标梯度,训练所述神经网络。
在一种可能的实现方式中,所述第一梯度确定模块包括:第一梯度确定子模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,确定所述神经网络针对所述第n个任务的第一梯度;第二梯度确定子模块,用于根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定所述神经网络针对所述前n-1个任务的第二梯度;第一共享及场景梯度确定子模块,用于根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度。
在一种可能的实现方式中,所述第一共享及场景梯度确定子模块用于:根据所述前n-1个任务的第二梯度的平均值,确定所述前n-1个任务的第一共享梯度;根据所述前n-1个任务中各个所述任务的第二梯度与所述第一共享梯度之间的差值,确定各个所述任务的第一场景梯度。
在一种可能的实现方式中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述前n-1个任务的第一场景梯度正交。
在一种可能的实现方式中,所述第一目标梯度确定模块用于:对所述前n-1个任务的第一场景梯度进行主成分分析,从所述前n-1个任务的第一场景梯度中确定出q个第一场景梯度,q为正整数且q<n-1;根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述q个第一场景梯度,确定所述第n个任务的第一目标梯度,其中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述q个第一场景梯度正交。
在一种可能的实现方式中,所述神经网络包括多个网络层,所述装置还包括:第二梯度确定模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度;第二目标梯度确定模块,用于根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度;第二训练模块,用于根据各个所述网络层针对所述第n个任务的第二目标梯度,训练所述神经网络的各个所述网络层。
在一种可能的实现方式中,所述第二梯度确定模块包括:第三梯度确定子模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,分别确定所述神经网络的各个网络层针对所述第n个任务的第三梯度;第四梯度确定子模块,用于根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络的各个网络层针对所述前n-1个任务的第四梯度;第二共享及场景梯度确定子模块,用于根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度。
在一种可能的实现方式中,所述第二共享及场景梯度确定子模块用于:将各个所述网络层针对所述前n-1个任务的第四梯度的平均值,确定为各个所述网络层针对所述前n-1个任务的第二共享梯度;将各个所述网络层针对所述前n-1个任务中各个任务的第四梯度与所述第二共享梯度之间的差值,确定为各个所述网络层针对各个所述任务的第二场景梯度。
在一种可能的实现方式中,各个所述网络层的所述第二目标梯度与所述第二共享梯度的方向相同,且各个所述网络层的所述第二目标梯度与所述前n-1个任务的第二场景梯度正交。
在一种可能的实现方式中,所述第二目标梯度确定模块用于:对任一网络层针对所述前n-1个任务的第二场景梯度进行主成分分析,从所述前n-1个任务的第二场景梯度中确定出r个第二场景梯度,r为正整数且r<n-1;根据所述网络层针对所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述r个第二场景梯度,确定所述网络层针对所述第n个任务的第二目标梯度,其中,所述第二目标梯度与所述第二共享梯度的方向相同,且所述第二目标梯度与所述r个第二场景梯度正交。
根据本公开的一方面,提供了一种图像识别装置,包括:图像识别模块,用于将待处理图像输入神经网络中处理,得到所述待处理图像的图像识别结果,所述神经网络是根据上述的网络训练装置训练得到的。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,能够将新任务的样本图像及旧任务的样本图像输入神经网络中得到处理结果;根据处理结果及图像的标注结果,确定神经网络针对新任务的梯度、针对旧任务的共享梯度及各旧任务的场景梯度,进而确定用于更新神经网络的目标梯度,根据目标梯度训练神经网络,使得神经网络在学习新任务的同时,在旧任务上的效果不下降,从而提高神经网络的训练效果。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的网络训练方法的流程图。
图2示出根据本公开实施例的梯度分解的示意图。
图3a和图3b示出根据本公开实施例的目标梯度的示意图。
图4示出根据本公开实施例的网络训练方法的分层梯度优化过程的示意图。
图5示出根据本公开实施例的网络训练装置的框图。
图6示出根据本公开实施例的一种电子设备的框图。
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的网络训练方法的流程图,如图1所示,所述方法包括:
在步骤S11中,将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;
在步骤S12中,将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;
在步骤S13中,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;
在步骤S14中,根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;
在步骤S15中,根据所述第n个任务的第一目标梯度,训练所述神经网络。
在一种可能的实现方式中,所述网络训练方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
在一种可能的实现方式中,用于训练神经网络的样本集中可包括一定数量的样本图像,这些样本图像可能按批次进行更新,每次更新一部分的样本图像。例如,图像采集设备可以按时间采集图像或视频,从而以一定的时间间隔(例如每天)更新图像库中的图像,可将每次更新后的图像库作为样本集。待训练的神经网络可例如为卷积神经网络,本公开对神经网络的具体类型及网络结构不作限制。
在一种可能的实现方式中,可根据每次更新后的样本集训练神经网络,每次训练可称为一个训练任务,从而可设定有N个任务{T1、T2、…、TN},N为正整数。其中,所训练的神经网络可例如为卷积神经网络,本公开对神经网络的具体类型以及具体的训练任务数N不作限制。
在实际应用中,神经网络会遇到“灾难性遗忘”的问题,“灾难性遗忘”是指:当新的数据被送入模型训练之后,神经网络会快速学习新的知识,但与此同时会快速遗忘掉之前学到的知识。
也就是说,在完成N个任务中的第n个任务训练后,神经网络会学习到第n个任务的样本集中的图像信息,而会丢失之前的n-1个任务的样本集中的图像信息,导致对前n-1个任务的样本集中的图像和/或其他历史图像的识别效果变差。因此,在训练新任务(也即第n个任务Tn)时,可采用新任务的图像数据和旧任务(也即之前的n-1个任务T1、T2、…、Tn-1)的图像数据同时参与训练,n为正整数且1<n≤N。
在一种可能的实现方式中,设未训练的神经网络为M0,在训练第1个任务时,可通过第1个任务的样本集直接进行训练,得到第1个任务训练后的神经网络M1。
在一种可能的实现方式中,在训练第n个任务Tn时,在步骤S11中,可将第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络Mn-1中处理,得到多个第一处理结果。其中,多个第一样本图像为第n个任务的样本集中的全部或部分样本图像,每个样本图像具有标注结果(例如人脸图像中人脸的身份信息)。第n个任务的样本集中包括一部分新增样本图像以及前n-1个任务的样本集中的一部分样本图像。
在一种可能的实现方式中,在步骤S12中,可将前n-1个任务的n-1组第二样本图像输入神经网络Mn-1中处理,得到n-1组第二处理结果。其中,n-1组第二样本图像分别为前n-1个任务的样本集中的部分样本图像,例如为各样本集中样本图像数量的1/N,其中,第一样本图像的数量大于第二样本图像。类似地,每个第二样本图像具有标注结果(例如人脸图像中人脸的身份信息)。本公开对每组第二样本图像的数量不作限制。
在一种可能的实现方式中,在步骤S13中,可根据多个第一样本图像的标注结果及多个第一处理结果,确定神经网络Mn-1针对第n个任务Tn的网络损失;根据该网络损失确定神经网络Mn-1针对第n个任务Tn的第一梯度gnn。同时,可根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定神经网络Mn-1针对前n-1个任务{T1、T2、…、Tn-1}的网络损失;根据该网络损失确定神经网络Mn-1针对前n-1个任务{T1、T2、…、Tn-1}的梯度{g1n,g2n,…,gnn-1};对梯度{g1n,g2n,…,gnn-1}进行分解,可得到前n-1个任务{T1、T2、…、Tn-1}的通用梯度(可称为第一共享梯度)和前n-1个任务中每个任务的场景梯度(可称为第一场景梯度)。
其中,通用梯度可表示所有前n-1个任务{T1、T2、…、Tn-1}的总体损失,场景梯度可表示前n-1个任务中每个任务的场景损失。通过约束通用梯度,可使得所有旧任务的总体损失不会上升;通过约束场景梯度,可使得每个旧任务的场景损失不会上升,从而能够保证训练后的神经网络在各个旧任务上的精度不会下降。
在一种可能的实现方式中,在步骤S14中,根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度。该第一目标梯度即为用于更新神经网络的参数的梯度。
在一种可能的实现方式中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述前n-1个任务的第一场景梯度正交。
也就是说,可通过梯度之间的条件约束来限定第一目标梯度的范围。该第一目标梯度与第一共享梯度的方向相同,可表示该第一目标梯度与第一共享梯度的优化方向一致,从而保证所有旧任务的总体损失不上升;第一目标梯度与所述前n-1个任务中全部任务的第一场景梯度正交,可表示第一目标梯度不影响各个旧任务的损失,从而保证训练后的神经网络在各个旧任务上的精度不下降。
在一种可能的实现方式中,在步骤S15中,根据所述第n个任务的第一目标梯度,训练所述神经网络。也即,根据第一目标梯度反向调整神经网络的网络参数,经过多轮迭代,在满足训练条件(例如网络收敛)的情况下,得到第n个任务训练后的神经网络Mn。
根据本公开的实施例,能够将新任务的样本图像及旧任务的样本图像输入神经网络中得到处理结果;根据处理结果及图像的标注结果,确定神经网络针对新任务的梯度、针对旧任务的共享梯度及各旧任务的场景梯度,进而确定用于更新神经网络的目标梯度,根据目标梯度训练神经网络,使得神经网络在学习新任务的同时,在旧任务上的效果不下降,从而提高神经网络的训练效果。
在一种可能的实现方式中,在训练第n个任务Tn时,根据步骤S11和S12中得到的多个第一处理结果以及n-1组第二处理结果,可在步骤S13中获取梯度信息。其中,步骤S13可包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,确定所述神经网络针对所述第n个任务的第一梯度;
根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定所述神经网络针对所述前n-1个任务的第二梯度;
根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度。
举例来说,根据多个第一样本图像的标注结果及第一处理结果之间的差异,可确定神经网络Mn-1针对第n个任务的网络损失;对网络损失求导,得到神经网络Mn-1针对第n个任务的第一梯度。本公开对第n个任务的网络损失的具体类型不作限制。
在一种可能的实现方式中,根据n-1组第二样本图像的标注结果及第二处理结果之间的差异,可分别确定神经网络Mn-1针对前n-1个任务的网络损失;分别对各个网络损失求导,得到神经网络Mn-1针对前n-1个任务的第二梯度。本公开对前n-1个任务的网络损失的具体类型不作限制。
在一种可能的实现方式中,根据所述前n-1个任务的第二梯度,和确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度。该步骤可包括:
根据所述前n-1个任务的第二梯度的平均值,确定所述前n-1个任务的第一共享梯度;
根据所述前n-1个任务中各个所述任务的第二梯度与所述第一共享梯度之间的差值,确定各个所述任务的第一场景梯度。
也就是说,可将前n-1个任务的第二梯度的平均值确定为前n-1个任务的第一共享梯度:
在一种可能的实现方式中,可将前n-1个任务中各个任务的第二梯度与所述第一共享梯度之间的差值,确定为各个所述任务的第一场景梯度:
图2示出根据本公开实施例的梯度分解的示意图。如图2所示,在特定任务空间中,21表示前n-1个任务的中各个任务的第二梯度22表示前n-1个任务的第一共享梯度23表示前n-1个任务的中各个任务的第一场景梯度可见,每个第二梯度21被分解为第一共享梯度22和第一场景梯度23。
通过这种方式,可以将梯度分解为通用梯度与场景梯度,实现梯度的语义分解,以便在后续步骤中进行梯度优化,提高网络训练效果。
在一种可能的实现方式中,根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度w。该第一目标梯度w即为用于更新神经网络的参数的梯度。
在学习新任务Tn同时,不能忘记其他旧任务{T1、T2、…、Tn-1}的知识。在形式定义上,以上目标可以通过约束损失来实现,即保证模型在每个旧任务{T1、T2、…、Tn-1}的损失都不能上升。以上目标可以转化为梯度之间的约束:
在公式(3)中,表示的转置,BT表示B的转置,表示第一目标梯度与第一共享梯度的方向相同,该第一目标梯度与第一共享梯度的优化方向一致,从而保证所有旧任务的总体损失不上升。BTw=0,表示第一目标梯度与前n-1个任务的正交化后的第一场景梯度B正交,第一目标梯度不影响各个旧任务的损失,从而保证训练后的神经网络在各个旧任务上的精度不下降。
在一种可能的实现方式中,例如通过经典的凸优化求解方式,求解公式(3),可得到公式(3)的解为:
在公式(4)中,P用于简化公式的形式,I为恒等矩阵。
图3a和图3b示出根据本公开实施例的目标梯度的示意图。如图3a和图3b所示,X和Y表示坐标轴,G1表示相互正交的各个第一场景梯度,31表示第n个任务的第一梯度则第一共享梯度和第一目标梯度w可处于坐标平面XY上。如图3a所示,如果第一共享梯度与第一梯度在坐标平面XY上的投影之间的夹角β小于π/2(也即),则第一目标梯度w即为第一梯度在坐标平面XY上的投影。如图3b所示,如果第一共享梯度与第一梯度在坐标平面XY上的投影32之间的夹角β大于或等于π/2(也即),则第一目标梯度w可与表各个第一场景梯度G1和第一共享梯度正交。
通过公式(4)得到的第一目标梯度w对神经网络进行训练,可在有效优化新任务的基础上防止忘记旧任务的知识,提高网络训练效果。
在一种可能的实现方式中,步骤S14可包括:对所述前n-1个任务的第一场景梯度进行主成分分析,从所述前n-1个任务的第一场景梯度中确定出q个第一场景梯度,q为正整数且q<n-1;
根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述q个第一场景梯度,确定所述第n个任务的第一目标梯度,
其中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述q个第一场景梯度正交。
举例来说,公式(3)的约束可能过多,阻碍神经网络学习新任务,导致网络训练困难。因此,可对公式(3)中的约束进行松弛,减少约束的数量。
在一种可能的实现方式中,可对约束BTw=0进行松弛。例如对正交化后的第一场景梯度B做主成分分析(PCA,Principal Component Analysis),然后只取出前q个主方向的向量来组成一个新的梯度B′,然后用梯度B′来构建出优化条件。其中,梯度B′中的向量数量q小于梯度B中的向量数量n-1。可得到:
在公式(5)中,B′Tw′=0可表示第一目标梯度w′与q个第一场景梯度正交,表示第一目标梯度不影响主要的q个旧任务的损失,从而保证训练后的神经网络在主要的q个旧任务上的精度不下降。本公开对q的具体取值不作限制。
类似地,求解公式(5),可得到:
在公式(6)中,P′用于简化公式的形式,I为恒等矩阵。本公开对主方向的具体选取方式不作限制。
通过公式(6)得到的第一目标梯度w′对神经网络进行训练,可在有效优化新任务的基础上防止忘记旧任务的知识,提高网络训练效果;同时,进行了约束松弛,减少了约束条件,使得网络更容易训练,提高了网络训练速度。
在一种可能的实现方式中,神经网络包括多个网络层,所述方法还包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度;
根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度;
根据各个所述网络层针对所述第n个任务的第二目标梯度,训练所述神经网络的各个所述网络层。
举例来说,神经网络可包括多个网络层,多个网络层可例如包括卷积层、池化层、全连接层等,本公开对网络层的类型及数量不作限制。在训练第n个任务Tn时,可对第n-1个任务训练后的神经网络Mn-1的各个网络层分别进行优化。
在一种可能的实现方式中,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度。该步骤可包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,分别确定所述神经网络的各个网络层针对所述第n个任务的第三梯度;
根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络的各个网络层针对所述前n-1个任务的第四梯度;
根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度。
在一种可能的实现方式中,根据多个第一样本图像的标注结果及多个第一处理结果,可确定神经网络Mn-1针对第n个任务Tn的网络损失;根据该网络损失,可分别确定各个网络层针对第n个任务Tn的梯度(可称为第三梯度)。设网络层为L层,则可得到L个第三梯度。本公开对确定各个网络层的梯度的具体方式不作限制。
在一种可能的实现方式中,根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定各个网络层针对前n-1个任务{T1、T2、…、Tn-1}的网络损失;根据该网络损失,可分别确定各个网络层针对前n-1个任务{T1、T2、…、Tn-1}的梯度(可称为第四梯度)。在网络层为L层时,可得到(n-1)*L个第四梯度。本公开对确定各个网络层的梯度的具体方式不作限制。
在一种可能的实现方式中,根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度,包括:
将各个所述网络层针对所述前n-1个任务的第四梯度的平均值,确定为各个所述网络层针对所述前n-1个任务的第二共享梯度;
将各个所述网络层针对所述前n-1个任务中各个任务的第四梯度与所述第二共享梯度之间的差值,确定为各个所述网络层针对各个所述任务的第二场景梯度。
在一种可能的实现方式中,对各个网络层的第四梯度进行分解,可得到各个网络层针对前n-1个任务的通用梯度(可称为第二共享梯度)和前n-1个任务中每个任务的场景梯度(可称为第二场景梯度)。其中,可将任一网络层的第四梯度的平均值确定为该网络层的第二共享梯度;可将该网络层针对前n-1个任务中各个任务的第四梯度与该网络层的第二共享梯度之间的差值,确定为各个任务的第二场景梯度。这样,可实现各个网络层的梯度分解。
通过约束通用梯度,可使得所有旧任务在各个网络层上的总体损失不会上升;通过约束场景梯度,可使得每个旧任务在各个网络层上的场景损失不会上升,从而能够保证训练后的神经网络的各个网络层在各个旧任务上的精度不会下降。
在一种可能的实现方式中,根据第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,可通过条件约束确定各个所述网络层针对所述第n个任务的第二目标梯度,也即用于更新各个网络层的梯度。
在一种可能的实现方式中,各个所述网络层的所述第二目标梯度与所述第二共享梯度的方向相同,且各个所述网络层的所述第二目标梯度与所述前n-1个任务的第二场景梯度正交。
也就是说,可通过梯度之间的条件约束来限定第二目标梯度的范围。各个网络层的第二目标梯度与第二共享梯度的方向相同,可表示各个网络层的第二目标梯度与第二共享梯度的优化方向一致,从而保证所有旧任务的总体损失不上升。各个网络层的第二目标梯度与所述前n-1个任务的第二场景梯度正交,可表示第二目标梯度不影响各个旧任务的损失,从而保证训练后的各个网络层在各个旧任务上的精度不下降。
在一种可能的实现方式中,设神经网络Mn-1包括L个网络层,对于L个网络层中的第l个网络层(1≤l≤L),第l个网络层的第n个任务的第三梯度为gl,前n-1个任务的第二共享梯度为前n-1个任务的第二场景梯度Bl(包括n-1个正交的第二场景梯度),可通过条件约束确定第l个网络层的第二目标梯度wl:
在公式(7)中,表示的转置,表示Bl的转置,表示第二目标梯度与第二共享梯度的方向相同,该第二目标梯度与第二共享梯度的优化方向一致,从而保证第l个网络层的所有旧任务的总体损失不上升。表示第二目标梯度与前n-1个任务的第二场景梯度Bl正交,第二目标梯度不影响第l个网络层的各个旧任务的损失,从而保证训练后的第l个网络层在各个旧任务上的精度不下降。
在一种可能的实现方式中,例如通过经典的凸优化求解方式,求解公式(7),得到第l个网络层的第二目标梯度wl的解,此处对具体的求解过程不再重复描述。这样,可分别确定神经网络Mn-1的L个网络层的第二目标梯度。
在一种可能的实现方式中,根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度,包括:
对任一网络层针对所述前n-1个任务的第二场景梯度进行主成分分析,从所述前n-1个任务的第二场景梯度中确定出r个第二场景梯度,r为正整数且r<n-1;
根据所述网络层针对所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述r个第二场景梯度,确定所述网络层针对所述第n个任务的第二目标梯度,
其中,所述第二目标梯度与所述第二共享梯度的方向相同,且所述第二目标梯度与所述r个第二场景梯度正交。
举例来说,与前面的约束条件松弛方式类似,也可对公式(7)中的约束条件进行松弛。也即,对任一网络层(例如第l层)的正交化后的第二场景梯度Bl做主成分分析PCA,然后只取出前r个主方向的向量来组成一个新的梯度,然后用该新的梯度来构建出优化条件。其中,该新的梯度中的向量数量r小于梯度B中的向量数量n-1。本公开对r的具体取值不作限制。
通过对各个网络层分别进行约束条件松弛,可使得训练后的各个网络层在主要的r个旧任务上的精度不下降,降低网络的训练难度。
在一种可能的实现方式中,根据各个网络层的第二目标梯度,可分别训练所述神经网络的各个网络层。也即,根据各个网络层的第二目标梯度反向调整各个网络层的网络参数,经过多轮迭代,在满足训练条件(例如网络收敛)的情况下,得到第n个任务训练后的神经网络Mn。
图4示出根据本公开实施例的网络训练方法的分层梯度优化过程的示意图。如图4所示,可将第n个任务的多个样本图像Dn和前n-1个任务的n-1组样本图像D1,…Dn-1分别输入神经网络Mn-1(图4中仅示出了神经网络Mn-1的网络层l-1,l和l+1,其他网络层未示出)中处理,得到多个第一处理结果以及n-1组第二处理结果(未示出);根据多个第一样本图像的标注结果及多个第一处理结果,可确定神经网络Mn-1针对第n个任务Tn的网络损失根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定神经网络Mn-1针对前n-1个任务的网络损失
在该示例中,可对各个网络层的第四梯度分别进行梯度分解和梯度优化,例如图4中对第l-1个网络层的第四梯度进行梯度分解,得到第l-1个网络层的第二共享梯度以及n-1个第二场景梯度;根据第l-1个网络层的第二共享梯度以及n-1个第二场景梯度,对第l-1个网络层的第三梯度进行优化,得到第l-1个网络层的第二目标梯度;通过第二目标梯度更新第l-1个网络层的参数。对第l个网络层、第l+1个网络层以及其他各个网络层分别进行同样的处理,可实现神经网络的所有网络层的参数调整。经过多次迭代后,可得到第n个任务训练后的神经网络Mn。
通过这种方式,可实现神经网络的层层优化,能够让神经网络获得更大的旧知识保留能力,进一步提高神经网络的训练效果。
根据本公开的实施例,还提供了一种图像识别方法,该方法包括:将待处理图像输入神经网络中处理,得到所述待处理图像的图像识别结果,所述神经网络是根据上述的网络训练方法训练得到的。也就是说,通过上述网络训练方法训练得到的神经网络,可用于待处理图像进行图像识别,得到图像识别结果。例如,待处理图像为人脸图像时,图像识别结果可为人脸对应的人物身份。
根据本公开的实施例的网络训练方法,能够实现神经网络的持续学习,利用按时间持续获得的图像数据持续提升神经网络的精度,使得神经网络在学习新任务的同时,在旧任务上的效果不下降。
该方法将神经网络的梯度进行语义分解,分解成各场景人脸通用的共享梯度和针对各场景的场景梯度,并分别进行优化,能够在保证通用场景上模型精度的基础上,在各个场景中均得到较好的效果。
该方法的梯度优化过程具体表现为,让新任务的梯度和共享梯度的点乘大于零,同时限制新任务的梯度和每个旧任务或重要的部分旧任务的场景梯度垂直。通过尽可能优化新任务,得到持续学习的目标梯度以更新神经网络的参数。
该方法还提出了基于持续学习的层层优化架构,为神经网络的每个网络层的梯度进行分解及优化,得到每个网络层的目标梯度以更新各个网络层的参数,从而使神经网络获得更大的旧知识保留能力。
根据本公开的实施例的网络训练方法,能够应用于人脸识别等领域,根据一段时间间隔(例如每天)采集到的新的人脸图像,对神经网络进行持续训练,持续提升神经网络的精度,使得神经网络针对之前采集的旧的人脸图像和新的人脸图像均能够实现较好的识别效果。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了网络训练装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种网络训练方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出根据本公开实施例的网络训练装置的框图,如图5所示,所述装置包括:
第一处理模块51,用于将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;
第二处理模块52,用于将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;
第一梯度确定模块53,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;
第一目标梯度确定模块54,用于根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;
第一训练模块55,用于根据所述第n个任务的第一目标梯度,训练所述神经网络。
在一种可能的实现方式中,所述第一梯度确定模块包括:第一梯度确定子模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,确定所述神经网络针对所述第n个任务的第一梯度;第二梯度确定子模块,用于根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定所述神经网络针对所述前n-1个任务的第二梯度;第一共享及场景梯度确定子模块,用于根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度。
在一种可能的实现方式中,所述第一共享及场景梯度确定子模块用于:根据所述前n-1个任务的第二梯度的平均值,确定所述前n-1个任务的第一共享梯度;根据所述前n-1个任务中各个所述任务的第二梯度与所述第一共享梯度之间的差值,确定各个所述任务的第一场景梯度。
在一种可能的实现方式中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述前n-1个任务的第一场景梯度正交。
在一种可能的实现方式中,所述第一目标梯度确定模块用于:对所述前n-1个任务的第一场景梯度进行主成分分析,从所述前n-1个任务的第一场景梯度中确定出q个第一场景梯度,q为正整数且q<n-1;根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述q个第一场景梯度,确定所述第n个任务的第一目标梯度,其中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述q个第一场景梯度正交。
在一种可能的实现方式中,所述神经网络包括多个网络层,所述装置还包括:第二梯度确定模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度;第二目标梯度确定模块,用于根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度;第二训练模块,用于根据各个所述网络层针对所述第n个任务的第二目标梯度,训练所述神经网络的各个所述网络层。
在一种可能的实现方式中,所述第二梯度确定模块包括:第三梯度确定子模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,分别确定所述神经网络的各个网络层针对所述第n个任务的第三梯度;第四梯度确定子模块,用于根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络的各个网络层针对所述前n-1个任务的第四梯度;第二共享及场景梯度确定子模块,用于根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度。
在一种可能的实现方式中,所述第二共享及场景梯度确定子模块用于:将各个所述网络层针对所述前n-1个任务的第四梯度的平均值,确定为各个所述网络层针对所述前n-1个任务的第二共享梯度;将各个所述网络层针对所述前n-1个任务中各个任务的第四梯度与所述第二共享梯度之间的差值,确定为各个所述网络层针对各个所述任务的第二场景梯度。
在一种可能的实现方式中,各个所述网络层的所述第二目标梯度与所述第二共享梯度的方向相同,且各个所述网络层的所述第二目标梯度与所述前n-1个任务的第二场景梯度正交。
在一种可能的实现方式中,所述第二目标梯度确定模块用于:对任一网络层针对所述前n-1个任务的第二场景梯度进行主成分分析,从所述前n-1个任务的第二场景梯度中确定出r个第二场景梯度,r为正整数且r<n-1;根据所述网络层针对所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述r个第二场景梯度,确定所述网络层针对所述第n个任务的第二目标梯度,其中,所述第二目标梯度与所述第二共享梯度的方向相同,且所述第二目标梯度与所述r个第二场景梯度正交。
根据本公开的一方面,提供了一种图像识别装置,包括:图像识别模块,用于将待处理图像输入神经网络中处理,得到所述待处理图像的图像识别结果,所述神经网络是根据上述的网络训练装置训练得到的。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的网络训练方法和/或图像识别方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的网络训练方法和/或图像识别方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如,电子设备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,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800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802可以包括一个或多个处理器820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802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816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816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,电子设备800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,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932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1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种网络训练方法,其特征在于,包括:
将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;
将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;
根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;
根据所述第n个任务的第一目标梯度,训练所述神经网络。
2.根据权利要求1所述的方法,其特征在于,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度,包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,确定所述神经网络针对所述第n个任务的第一梯度;
根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定所述神经网络针对所述前n-1个任务的第二梯度;
根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度。
3.根据权利要求2所述的方法,其特征在于,根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度,包括:
根据所述前n-1个任务的第二梯度的平均值,确定所述前n-1个任务的第一共享梯度;
根据所述前n-1个任务中各个所述任务的第二梯度与所述第一共享梯度之间的差值,确定各个所述任务的第一场景梯度。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述前n-1个任务的第一场景梯度正交。
5.根据权利要求1-3中任意一项所述的方法,其特征在于,根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度,包括:
对所述前n-1个任务的第一场景梯度进行主成分分析,从所述前n-1个任务的第一场景梯度中确定出q个第一场景梯度,q为正整数且q<n-1;
根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述q个第一场景梯度,确定所述第n个任务的第一目标梯度,
其中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述q个第一场景梯度正交。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述神经网络包括多个网络层,所述方法还包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度;
根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度;
根据各个所述网络层针对所述第n个任务的第二目标梯度,训练所述神经网络的各个所述网络层。
7.根据权利要求6所述的方法,其特征在于,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度,包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,分别确定所述神经网络的各个网络层针对所述第n个任务的第三梯度;
根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络的各个网络层针对所述前n-1个任务的第四梯度;
根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度。
8.根据权利要求7所述的方法,其特征在于,根据所述前n-1个任务的第四梯度,分别确定各个所述网络层针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度,包括:
将各个所述网络层针对所述前n-1个任务的第四梯度的平均值,确定为各个所述网络层针对所述前n-1个任务的第二共享梯度;
将各个所述网络层针对所述前n-1个任务中各个任务的第四梯度与所述第二共享梯度之间的差值,确定为各个所述网络层针对各个所述任务的第二场景梯度。
9.根据权利要求6-8中任意一项所述的方法,其特征在于,各个所述网络层的所述第二目标梯度与所述第二共享梯度的方向相同,且各个所述网络层的所述第二目标梯度与所述前n-1个任务的第二场景梯度正交。
10.根据权利要求6-8中任意一项所述的方法,其特征在于,根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度,包括:
对任一网络层针对所述前n-1个任务的第二场景梯度进行主成分分析,从所述前n-1个任务的第二场景梯度中确定出r个第二场景梯度,r为正整数且r<n-1;
根据所述网络层针对所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述r个第二场景梯度,确定所述网络层针对所述第n个任务的第二目标梯度,
其中,所述第二目标梯度与所述第二共享梯度的方向相同,且所述第二目标梯度与所述r个第二场景梯度正交。
11.一种图像识别方法,其特征在于,包括:
将待处理图像输入神经网络中处理,得到所述待处理图像的图像识别结果,所述神经网络是根据权利要求1-10中任意一项所述的网络训练方法训练得到的。
12.一种网络训练装置,其特征在于,包括:
第一处理模块,用于将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;
第二处理模块,用于将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;
第一梯度确定模块,用于根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;
第一目标梯度确定模块,用于根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;
第一训练模块,用于根据所述第n个任务的第一目标梯度,训练所述神经网络。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至11中任意一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151916.2A CN111368748B (zh) | 2020-03-06 | 2020-03-06 | 网络训练方法及装置、图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151916.2A CN111368748B (zh) | 2020-03-06 | 2020-03-06 | 网络训练方法及装置、图像识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368748A true CN111368748A (zh) | 2020-07-03 |
CN111368748B CN111368748B (zh) | 2023-12-01 |
Family
ID=71211186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010151916.2A Active CN111368748B (zh) | 2020-03-06 | 2020-03-06 | 网络训练方法及装置、图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368748B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447259A (zh) * | 2018-09-21 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 多任务处理及多任务处理模型训练方法、装置和硬件装置 |
CN109725531A (zh) * | 2018-12-13 | 2019-05-07 | 中南大学 | 一种基于门控制机制的连续学习方法 |
DE202019103924U1 (de) * | 2019-07-16 | 2019-08-06 | Albert-Ludwigs-Universität Freiburg | Vorrichtung für die Verarbeitung digitaler Sensordaten |
US20200051549A1 (en) * | 2017-11-24 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Speech signal processing model training method, electronic device and storage medium |
CN110796166A (zh) * | 2019-09-25 | 2020-02-14 | 浙江大学 | 一种基于注意力机制的多任务图像处理方法 |
-
2020
- 2020-03-06 CN CN202010151916.2A patent/CN111368748B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200051549A1 (en) * | 2017-11-24 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Speech signal processing model training method, electronic device and storage medium |
CN109447259A (zh) * | 2018-09-21 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 多任务处理及多任务处理模型训练方法、装置和硬件装置 |
CN109725531A (zh) * | 2018-12-13 | 2019-05-07 | 中南大学 | 一种基于门控制机制的连续学习方法 |
DE202019103924U1 (de) * | 2019-07-16 | 2019-08-06 | Albert-Ludwigs-Universität Freiburg | Vorrichtung für die Verarbeitung digitaler Sensordaten |
CN110796166A (zh) * | 2019-09-25 | 2020-02-14 | 浙江大学 | 一种基于注意力机制的多任务图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111368748B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN109614876B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111462268B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN109658352B (zh) | 图像信息的优化方法及装置、电子设备和存储介质 | |
CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110798630B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN111581488A (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN111612070A (zh) | 基于场景图的图像描述生成方法及装置 | |
CN112668707B (zh) | 运算方法、装置及相关产品 | |
CN110569777A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 | |
CN111694571B (zh) | 编译方法及装置 |
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 |