CN111368903A - 模型性能优化方法、装置、设备及存储介质 - Google Patents
模型性能优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111368903A CN111368903A CN202010131522.0A CN202010131522A CN111368903A CN 111368903 A CN111368903 A CN 111368903A CN 202010131522 A CN202010131522 A CN 202010131522A CN 111368903 A CN111368903 A CN 111368903A
- Authority
- CN
- China
- Prior art keywords
- model
- training data
- trained
- loss function
- negative
- 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
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
-
- 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 Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种模型性能优化方法、装置、设备及存储介质,所述方法包括:将预设的负例训练数据输入待训练模型得到预测结果;当预测结果表征负例训练数据被预测为负例的概率大于预设阈值时,对负例训练数据对应的损失函数值进行修正,其中,修正后的损失函数值小于修正前的损失函数值;根据修正后的损失函数值调整待训练模型的模型参数,以对待训练模型进行训练得到目标模型。本发明实现了减小错误标记的负例训练数据对模型训练的影响,从而提高了目标模型的预测或分类准确率,提高了模型性能。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种模型性能优化方法、装置、 设备及存储介质。
背景技术
随着机器学习技术的快速发展,机器学习应用的范围也越来越广,对机 器学习模型的训练优化,也成为了整个行业的不断探索方向。现有的机器学 习模型训练过程中,会采用正例和负例来对模型进行训练,例如,对图像目 标检测模型进行训练时,会采用包含目标的图像(正例)和不包含目标的图 像(负例)进行训练。然而,在很多场景中,会存在实际上是正例,但是因 为各种原因导致错误地标注为负例,进而被当作负例进行训练的情况,例如, 训练能够识别遥感卫星图像中养殖场的图像目标检测模型时,会存在养殖主 未及时上报或者瞒报的现象,导致许多负例中也存在养殖场。这种错误标注 负例的情况,会使得最终训练得到的模型预测或分类效果不准确,也即导致 模型性能不佳,例如,导致养殖场检测模型无法全面识别出各种养殖场。
发明内容
本发明的主要目的在于提供一种模型性能优化方法、装置、设备及存储 介质,旨在解决现有因采用错误标注的负例对模型进行训练,导致训练得到 的模型预测或分类效果不准确的问题。
为实现上述目的,本发明提供一种模型性能优化方法,所述模型性能优 化方法包括以下步骤:
将预设的负例训练数据输入待训练模型得到预测结果;
当所述预测结果表征所述负例训练数据被预测为负例的概率大于预设阈 值时,对所述负例训练数据对应的损失函数值进行修正,其中,修正后的损 失函数值小于修正前的损失函数值;
根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待 训练模型进行训练得到目标模型。
可选地,所述预测结果是所述负例训练数据被预测为负例的概率,所述 当所述预测结果表征所述负例训练数据预测为负例的概率大于预设阈值时, 对所述负例训练数据对应的损失函数值进行修正的步骤包括:
当所述预测结果大于所述预设阈值时,获取预设的损失修正系数,其中, 所述损失修正系数是小于1的正数;
将所述损失修正系数乘以所述负例训练数据对应的损失函数值,以对所 述损失函数值进行修正。
可选地,所述当所述预测结果大于所述预设阈值时,获取预设的损失修 正系数的步骤包括:
当所述预测结果大于所述预设阈值时,将所述预测结果代入预设的平滑 下降公式得到所述损失修正系数,其中,所述损失修正系数随着所述预测结 果变大而变小。
可选地,所述将预设的负例训练数据输入待训练模型得到预测结果的步 骤之前,还包括:
基于预设的正例训练数据对初始模型进行初步训练,得到所述待训练模 型;
所述根据修正后的损失函数值调整所述待训练模型的模型参数的步骤包 括:
根据所述正例训练数据对应的损失函数值和修正后的所述负例训练数据 对应的损失函数值,调整所述待训练模型的模型参数。
可选地,所述根据修正后的损失函数值调整所述待训练模型的模型参数, 以对所述待训练模型进行训练得到目标模型的步骤包括:
根据修正后的损失函数值调整所述待训练模型的模型参数;
检测调整模型参数后的待训练模型是否满足预设模型条件;
若检测到调整模型参数后的待训练模型不满足所述预设模型条件,则在 按照预设规则调整所述预设阈值后,基于调整模型参数后的待训练模型,再 执行所述步骤:将预设的负例训练数据输入待训练模型得到预测结果;
若检测到调整模型参数后的待训练模型满足预设模型条件,则将调整模 型参数后的待训练模型作为目标模型。
可选地,所述待训练模型是用于检测遥感卫星图像中养殖场的模型,所 述根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待训 练模型进行训练得到目标模型的步骤之后,还包括:
将待检测卫星图像输入所述目标模型得到所述待检测卫星图像中各个像 素点的分类结果,其中,所述分类结果用于表示对应的像素点是否属于养殖 场;
根据所述分类结果得到所述待检测卫星图像的养殖场检测结果。
可选地,所述将预设的负例训练数据输入待训练模型得到预测结果的步 骤之前,还包括:
对采集到的遥感卫星图像进行数据增广操作得到所述负例训练数据,其 中,所述遥感卫星图像对应的标注是负例标注,所述数据增广操作至少包括 扭曲操作、翻转操作和加噪操作。
为实现上述目的,本发明还提供一种模型性能优化装置,所述模型性能 优化装置包括:
输入模块,用于将预设的负例训练数据输入待训练模型得到预测结果;
修正模块,用于当所述预测结果表征所述负例训练数据被预测为负例的 概率大于预设阈值时,对所述负例训练数据对应的损失函数值进行修正,其 中,修正后的损失函数值小于修正前的损失函数值;
调整模块,用于根据修正后的损失函数值调整所述待训练模型的模型参 数,以对所述待训练模型进行训练得到目标模型。
为实现上述目的,本发明还提供一种模型性能优化设备,所述模型性能 优化设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上 运行的模型性能优化程序,所述模型性能优化程序被所述处理器执行时实现 如上所述的模型性能优化方法的步骤。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述 计算机可读存储介质上存储有模型性能优化程序,所述模型性能优化程序被 处理器执行时实现如上所述的模型性能优化方法的步骤。
本发明中,通过在对待训练模型的训练过程中,将负例训练数据输入待 训练模型得到预测结果,当预测结果表征该负例训练数据预测为负例的概率 大于一个预设阈值时,对该负例训练数据的损失函数值进行修正,使得修正 后的损失函数值小于修正后的损失函数值,根据修正后的损失函数值调整待 训练模型的模型参数得到目标模型,使得实际上是负例的可能性较大的负例 训练数据对损失函数收敛的作用增大,从而对比来看,使得实际上是正例的 可能性比较大的负例训练数据对损失函数收敛的作用减小,进而能够减小错 误标记的负例训练数据对模型训练的影响,从而避免最终得到的目标模型的 预测或分类准确率降低,也即提高了目标模型的预测或分类准确率,提高了 模型性能。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明模型性能优化方法第一实施例的流程示意图;
图3为本发明实施例涉及的一种损失修正系数的取值案例图;
图4本发明模型性能优化装置较佳实施例的功能示意图模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步 说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限 定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的设备结构 示意图。
需要说明的是,本发明实施例模型性能优化设备可以是智能手机、个人 计算机和服务器等设备,在此不做具体限制。
如图1所示,该模型性能优化设备可以包括:处理器1001,例如CPU,网 络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线 1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包 括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接 口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以 是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对模型性能优 化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或 者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系 统、网络通信模块、用户接口模块以及模型性能优化程序。其中,操作系统 是管理和控制设备硬件和软件资源的程序,支持模型性能优化程序以及其它 软件或程序的运行。
在图1所示的设备中,用户接口1003主要用于与客户端进行数据通信; 网络接口1004主要用于与服务器建立通信连接;而处理器1001可以用于调 用存储器1005中存储的模型性能优化程序,并执行以下操作:
将预设的负例训练数据输入待训练模型得到预测结果;
当所述预测结果表征所述负例训练数据被预测为负例的概率大于预设阈 值时,对所述负例训练数据对应的损失函数值进行修正,其中,修正后的损 失函数值小于修正前的损失函数值;
根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待 训练模型进行训练得到目标模型。
进一步地,所述预测结果是所述负例训练数据被预测为负例的概率,所 述当所述预测结果表征所述负例训练数据预测为负例的概率大于预设阈值 时,对所述负例训练数据对应的损失函数值进行修正的步骤包括:
当所述预测结果大于所述预设阈值时,获取预设的损失修正系数,其中, 所述损失修正系数是小于1的正数;
将所述损失修正系数乘以所述负例训练数据对应的损失函数值,以对所 述损失函数值进行修正。
进一步地,所述当所述预测结果大于所述预设阈值时,获取预设的损失 修正系数的步骤包括:
当所述预测结果大于所述预设阈值时,将所述预测结果代入预设的平滑 下降公式得到所述损失修正系数,其中,所述损失修正系数随着所述预测结 果变大而变小。
进一步地,所述将预设的负例训练数据输入待训练模型得到预测结果的 步骤之前,处理器1001还可以用于调用存储器1005中存储的模型性能优化 程序,执行以下操作:
基于预设的正例训练数据对初始模型进行初步训练,得到所述待训练模 型;
所述根据修正后的损失函数值调整所述待训练模型的模型参数的步骤包 括:
根据所述正例训练数据对应的损失函数值和修正后的所述负例训练数据 对应的损失函数值,调整所述待训练模型的模型参数。
进一步地,所述根据修正后的损失函数值调整所述待训练模型的模型参 数,以对所述待训练模型进行训练得到目标模型的步骤包括:
根据修正后的损失函数值调整所述待训练模型的模型参数;
检测调整模型参数后的待训练模型是否满足预设模型条件;
若检测到调整模型参数后的待训练模型不满足所述预设模型条件,则在 按照预设规则调整所述预设阈值后,基于调整模型参数后的待训练模型,再 执行所述步骤:将预设的负例训练数据输入待训练模型得到预测结果;
若检测到调整模型参数后的待训练模型满足预设模型条件,则将调整模 型参数后的待训练模型作为目标模型。
进一步地,所述待训练模型是用于检测遥感卫星图像中养殖场的模型, 所述根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待 训练模型进行训练得到目标模型的步骤之后,处理器1001还可以用于调用存 储器1005中存储的模型性能优化程序,执行以下操作:
将待检测卫星图像输入所述目标模型得到所述待检测卫星图像中各个像 素点的分类结果,其中,所述分类结果用于表示对应的像素点是否属于养殖 场;
根据所述分类结果得到所述待检测卫星图像的养殖场检测结果。
进一步地,所述将预设的负例训练数据输入待训练模型得到预测结果的 步骤之前,处理器1001还可以用于调用存储器1005中存储的模型性能优化 程序,执行以下操作:
对采集到的遥感卫星图像进行数据增广操作得到所述负例训练数据,其 中,所述遥感卫星图像对应的标注是负例标注,所述数据增广操作至少包括 扭曲操作、翻转操作和加噪操作。
基于上述的结构,提出模型性能优化方法的各个实施例。
参照图2,图2为本发明模型性能优化方法第一实施例的流程示意图。
本发明实施例提供了模型性能优化方法的实施例,需要说明的是,虽然 在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序 执行所示出或描述的步骤。本发明模型性能优化方法各个实施例的执行主体 可以是智能手机、个人计算机和服务器等设备,为便于描述,以下各实施例 中省略执行主体进行阐述。在本实施例中,模型性能优化方法包括:
步骤S10,将预设的负例训练数据输入待训练模型得到预测结果;
在本实施例中,对于一个目标任务,如预测任务或分类任务,可以预先 设置一个模型,模型结构可以是采用针对该目标任务所常用的模型结构。例 如,图像目标检测任务即可以采用常用的图像目标检测模型,如可采用语义 图像分割模型DeepLab-v3+。模型的参数需要经过对模型进行训练才能确定, 以下将该预设设置的模型称为待训练模型。
预先可以采集训练数据,用于对待训练模型进行训练,训练数据可包括 正例训练数据和负例训练数据。根据目标任务不同,所采集的训练数据不同, 例如,目标任务是对图像进行目标检测的任务时,所采集的正例训练数据可 以是多张包含目标的图像,负例训练数据可以是多张不包含目标的图像,更 具体地,目标任务是检测图像中的养殖场时,正例训练数据可以是多种包含 养殖场的遥感卫星图片,负例训练数据可以是多张不包含养殖场的遥感卫星 图片。对训练数据可以进行标注,获得每个训练数据对应的标注数据,根据训练数据和目标任务不同,标注数据也不同。例如,目标任务是检测图像中 的养殖场时,标注数据可以是与遥感卫星图片对应的掩膜图,掩膜图中有每 个遥感卫星图片的每个像素点对应的分类类别,如0表示该像素点不属于养 殖场,1表示该像素点属于养殖场,掩膜图可以采用不同的颜色表示不同的类 别,那么负例训练数据对应的掩膜图就是各个像素点都标记为0;此外,正例 训练数据和负例训练数据本身可以带一个标签,例如,正例训练数据是标记 为1,负例训练数据标记为-1。
在训练过程中,训练数据的使用顺序可以多种,例如,可以是先采用正 例训练数据来对待训练模型进行训练,再采用负例训练数据来对待训练模型 进行调整,也可以是采用正例训练数据和负例训练数据一起来对待训练模型 进行训练。
具体地,对训练过程中采用负例训练数据进行训练的部分进行说明:将 负例训练数据分别输入待训练模型,待训练模型输出每个负例训练数据对应 的预测结果。其中,预测结果可以是该负例训练数据被预测为负例的概率, 也可以是该负例训练数据被预测为正例的概率,还可以是其他能够表征负例 训练数据被预测为负例的概率的结果。当目标任务是图像目标检测任务时, 待训练模型的输出结果可以是图像中每个像素点的分类结果,在各个分类结 果的基础上,可以接上一个二分类器,二分类器可采用常用的二分类器,如softmax分类器;经过二分类模型对各个分类结果的处理,可得到一个表示该 负例训练数据预测为负例的概率,该概率即可作为负例训练数据对应的预测 结果。
同样地,若采用正例训练数据进行训练,也将正例训练数据输入待训练 模型,得到预测结果。
步骤S20,当所述预测结果表征所述负例训练数据被预测为负例的概率大 于预设阈值时,对所述负例训练数据对应的损失函数值进行修正,其中,修 正后的损失函数值小于修正前的损失函数值;
在将负例训练数据输入待训练模型得到预测结果后,或将负例训练数据 和正例训练数据输入待训练模型得到预测结果后,可依据预测结果和训练数 据对应的标注数据计算损失函数,待训练模型的损失函数可以是采用针对目 标任务常用的损失函数。损失函数值有负例训练数据对应的损失函数值和正 例训练数据对应的损失函数值。
由于负例训练数据虽然被标注为负例,但是可能是错误标记的负例,也 即,部分负例训练数据可能实际上是正例,那么负例训练数据的标注数据也 可能是错误的,从而导致计算出来的负例训练数据对应的损失函数值是有误 的,而根据错误的损失函数值来计算模型参数的梯度,进而根据梯度来调整 模型参数,会导致最终损失函数收敛时得到的模型参数是偏离的,模型以偏 离的模型参数来进行使用时,会出现预测或分类不准确的现象。
在本实施例中,当检测到一个负例训练数据对应的预测结果表征该负例 训练数据被预测为负例的概率大于预设阈值时,可对该负例训练数据对应的 损失函数值进行修正,并且,修正后的损失函数值小于修正前的损失函数值。 其中,预设阈值是预先设置的一个阈值,该阈值的范围可以是大于零小于1。 也即,当一个负例训练数据被待训练模型预测为负例的概率比较大时,说明 该负例训练数据确实是负例的可能性是比较大的,此时,可以将该负例训练 数据对于的损失函数值变小,使得该负例训练数据对损失函数的收敛做较大 的贡献,即使得损失函数能够快速收敛;对应地,对被预测为负例的概率不 大于预设阈值的负例训练数据,则对该负例训练数据的损失函数不做处理, 可以使得当负例训练数据确实为负例的可能性比较小,也即很可能实际上是 正例时,就让它对损失函数收敛的作用不变;从而使得实际上很可能为正例 的负例训练数据,和实际上很可能为负例的负例训练数据,对比起来看,前 者对损失函数的收敛作用减小,后者对损失函数的收敛作用变大,从而使得 错误标记的负例(实际上很可能为正例的负例训练数据)对模型的影响降低, 反过来就提高了最终获取到的模型的预测准确率或分类准确率,也即提高模 型的性能。也即,在本实施例中,通过负例训练数据被预测为负例的概率是 否大于预设阈值,来表示负例训练数据被错误标记的可能性,当负例训练数 据被预测为负例的概率大于预设阈值时,说明错误标记的可能性小,反之则 说明错误标记的可能性大;从而实现根据负例训练数据被错误标记的可能性 来对损失函数进行修正;当被错误标记的可能性小时,减少损失函数,当被 错误标记的可能性大时,不改变损失函数,使得被错误标记可能性大的负例 训练数据对模型训练的影响相对减少。
需要说明的是,对于被预测为负例的概率不大于预设阈值的负例训练数 据,也可以是对该负例训练数据对应的损失函数值进行增大,从而更加减小 实际上很可能是正例的负例训练数据对损失函数收敛的作用;由于一个负例 训练数据虽然被预测为负例的概率不大于预设阈值,但也仍不能够确定该负 例训练数据就是错误标记的负例,即不能够确定该负例训练数据就是正例, 所以,将该负例训练数据对应的损失函数值不做处理的操作,可以避免错误 地将本是负例的负例训练数据对损失函数收敛的作用减小。
对负例训练数据对应的损失函数值进行修正,使得修正后的损失函数值 小于修正前的损失函数值,具体可以采用的方式有多种,例如,可以将负例 训练数据对应的损失函数值减少一个预设值,也可以是将负例训练数据对应 的损失函数值乘以一个预设的小于1的正数等等。
步骤S30,根据修正后的损失函数值调整所述待训练模型的模型参数,以 对所述待训练模型进行训练得到目标模型。
根据修正后的损失函数值调整待训练模型的模型参数。具体地,根据修 正后的损失函数值计算各个模型参数对应的梯度,根据各个模型参数的梯度 来对应更新各个模型参数,也即调整各个模型参数,此处根据损失函数更新 模型参数的过程与现有的模型参数更新过程类似,在此不做详细赘述。若采 用正例训练数据和负例训练数据一起训练时,就根据正例训练数据对应的损 失函数值和修正后的负例训练数据对应的损失函数值一起计算各个模型参数 对应的梯度。
在调整待训练模型的模型参数后,可以检测损失函数是否收敛;若损失 函数收敛,则可以停止训练,将最终最后一次调整过的模型参数作为最终的 模型参数,即得到目标模型;若损失函数未收敛,则可以在调整后的模型参 数基础上,将训练数据再输入待训练模型得到预测结果,以及修正损失函数 值,计算梯度,调整模型参数;循环调整模型参数,直到检测到损失函数收 敛为止。
在本实施例中,通过在对待训练模型的训练过程中,将负例训练数据输 入待训练模型得到预测结果,当预测结果表征该负例训练数据预测为负例的 概率大于一个预设阈值时,对该负例训练数据的损失函数值进行修正,使得 修正后的损失函数值小于修正后的损失函数值,根据修正后的损失函数值调 整待训练模型的模型参数得到目标模型,使得实际上是负例的可能性较大的 负例训练数据对损失函数收敛的作用增大,从而对比来看,使得实际上是正 例的可能性比较大的负例训练数据对损失函数收敛的作用减小,进而能够减 小错误标记的负例训练数据对模型训练的影响,从而避免最终得到的目标模 型的预测或分类准确率降低,也即提高了目标模型的预测或分类准确率,提 高了模型性能。
进一步地,基于上述第一实施例,提出本发明模型性能优化方法第二实 施例,在本实施例中,所述预测结果是所述负例训练数据被预测为负例的概 率,所述步骤S20包括:
步骤S201,当所述预测结果大于所述预设阈值时,获取预设的损失修正 系数,其中,所述损失修正系数是小于1的正数;
进一步地,在本实施例中,预测结果可以是一个概率,该概率是负例训 练数据被待训练模型预测为负例的概率。在将负例训练数据输入待训练模型 得到预测结果后,将负例训练数据的预测结果与预设阈值进行比较。若预测 结果大于该预设阈值,则获取预设的损失修正系数,该损失修正系数可以是 小于1的正数。
步骤S202,将所述损失修正系数乘以所述负例训练数据对应的损失函数 值,以对所述损失函数值进行修正。
将该损失修正系数乘以该负例训练数据对应的损失函数值,通过这种方 式,对负例训练数据对应的损失函数值进行修正。由于损失修正系数是小于1 的正数,所以修正后的损失函数值是小于修正前的损失函数值的,从而可以 增加实际上是负例的可能性较大的负例训练数据对损失函数收敛的作用。
进一步地,所述S201中当所述预测结果大于所述预设阈值时,获取预设 的损失修正系数的步骤包括:
步骤a,当所述预测结果大于所述预设阈值时,将所述预测结果代入预设 的平滑下降公式得到所述损失修正系数,其中,所述损失修正系数随着所述 预测结果变大而变小。
进一步地,为使得实际上是负例的可能性越大的负例训练数据对损失函 数收敛的作用越大,对于被预测为负例的概率越大的负例训练数据,可将该 负例训练数据的损失函数值减小得越小。此时,可以预先设置一个平滑下降 公式,该平滑下降公式可以使得损失修正系数随着预测结果变大而逐渐平滑 变小,那么当预测结果大于预设阈值时,将预测结果带入该平滑下降公式获 得损失修正系数,可以使得当预测结果越大时,得到的损失修正系数越小, 当预测结果越小时得到的损失修正系数越大。并且,平滑下降公式使得损失修正系数随着预测结果变大而逐渐平滑变小,从而使得训练过程中,不会因 为损失函数的突变,导致错过了收敛点而难以收敛,从而提高模型训练过程 的稳定性,也提高了模型训练的效率。
其中,平滑下降公式可以采用常用的曲线下降公式。如,可以采用 如下公式来计算损失修正系数。
其中,α(p)是损失修正系数,α是预设阈值,p是预测结果,根据该公 式,α(p)、α和p的关系如图3所示,当p大于α时,α(p)取1,当p小于 等于α时,α(p)是小于1的。
需要说明的是,也可以采用其他公式,使得预测结果越大时,损失修正 系数越小,若可采用直线下降公式。
进一步地,基于上述第一和第二实施例,提出本发明模型性能优化方法 第三实施例,在本实施例中,所述待训练模型是用于检测遥感卫星图像中养 殖场的模型,所述步骤S30之后,还包括:
步骤S40,将待检测卫星图像输入所述目标模型得到所述待检测卫星图像 中各个像素点的分类结果,其中,所述分类结果用于表示对应的像素点是否 属于养殖场;
进一步地,目标任务可以是检测遥感卫星图像中的养殖场,那么待训练 模型可以是用于检测遥感卫星图像中养殖场的模型,待训练模型的结构可采 用常用的图像目标检测模型。对待训练模型采用上述步骤S10~S30的训练过 程进行训练得到目标模型后,可使用该目标模型来完成检测遥感卫星图像中 养殖场的任务。具体地,可以将待检测卫星图像输入该目标模型,由目标模 型输出待检测卫星图像中各个像素点的分类结果。分类结果用于表示对于的 像素点是否属于养殖场。
步骤S50,根据所述分类结果得到所述待检测卫星图像的养殖场检测结 果。
在得到待检测卫星图像中各个像素点的分类结果后,即可以根据分类结 果得到待检测卫星图像的养殖场检测结果。具体地,根据分类结果可以得到 一个掩膜图,该掩膜图中,对分类结果不同的像素点,可采用不同的颜色, 例如,属于养殖场的区域是白色,不属于养殖场区域的是黑色,那么就可以 根据掩膜图直观地确定养殖场所在区域。此外,也可以根据分类结果,确定 属于养殖场的像素点,并根据像素点与实际经纬度的对应关系,确定养殖场 所在的经纬度,从而实现从遥感卫星图像中直接确定养殖场的地理位置,从而实现对养殖场的监测和管理。
在我国养殖业发展迅速,健康养殖、福利养殖,特别是精准化养殖等概 念备受社会关注。当前养殖业存在很多问题,如养殖场没有得到规范化管理, 造成严重环境污染以及爆发疫情等。在本实施例中,通过采用步骤S10~S30 的方式训练得到一个检测图像中养殖场的目标模型,使得训练得到的模型能 够准确地检测到遥感卫星图像中的养殖场区域,从而能够实现精细化的养殖 场管理,实现正确及时地了解养殖场的情况,避免由于各地存在养殖主未及 时上报或者瞒报的现象,导致训练得到的模型无法全面识别出各种养殖场的 问题。
进一步地,所述步骤S10之前,还包括:
步骤S60,对采集到的遥感卫星图像进行数据增广操作得到所述负例训练 数据,其中,所述遥感卫星图像对应的标注是负例标注,所述数据增广操作 至少包括扭曲操作、翻转操作和加噪操作。
进一步地,当目标任务是检测遥感卫星图像中的养殖场时,训练数据的 采集可以是:对遥感卫星地图进行裁剪,得到多张遥感卫星图像,然后对多 张遥感卫星图像进行标注,标注出其中的养殖场区域,标注可以采用常用的 标注软件,基于标注还可以生成背景全黑的掩膜图,也即掩膜图中养殖场区 域外的区域是黑色。对于不含养殖场的遥感卫星图片(负例训练数据),对 应的掩膜图是全黑。黑色区域对应的类别是0,表示是背景,白色区域对应的 类别是1,表示是养殖场。
对采集到的遥感卫星图像,还可以进行数据增广操作,数据增广操作可 以是对遥感卫星图像进行扭曲操作、翻转操作和加噪操作等操作,这些操作 与现有的数据增广操作类似,在此不做详细赘述。通过数据增广操作一方面 可以使得在遥感卫星图像数量较少时,增加遥感卫星图像的数量,从而使得 训练数据变多,使得模型得到充分的训练,另一方面,可以使得训练得到的 模型能够识别各种不同的养殖场,也即提高了模型的通用性。需要说明的是, 对于标注为负例的遥感卫星图像,对该遥感卫星图像进行数据增广,就得到多张遥感卫星图像,将多张遥感卫星图像作为负例训练数据。
进一步地,损失函数的计算可以是把一个类别的所有像素作为一个整体 去计算损失的,其本质是计算两个轮廓区域的相似程度。具体的计算公式可 如下:
其中,DL 2是损失函数值,p是待训练模型输出的像素点的分类类别,n 是像素点的编号,N是总像素点个数,r是像素点的标注类别,ε是预设的一 个极小值,用于避免分子分母为零。上述公式中,1减去了两个部分,第一个 部分实际上是目标区域(养殖场区域,也即前景)对应的损失,第二部分实 际上是背景区域对应的损失,这说明损失函数是基于图像仅区分前景和背景 的标注去监督待训练模型的输出,如果标注不够好,会严重影响损失函数的 计算。因此可以考虑引入一些原图的信息作为辅助,丰富损失函数函数,这 种方式称为弱监督。也即,本实施例中通过加入图像整体的标注作为辅助, 用于区分正例训练数据和负例训练数据,对于负例训练数据,则修正其对应 的损失函数值,从而基于弱监督学习,通过优化损失函数的计算方法,有效 地解决了遥感卫星地图中错误标注负例的问题。
进一步地,基于上述第一、第二和第三实施例,提出本发明模型性能优 化方法第四实施例,在本实施例中,所述步骤S10之前,还包括:
步骤S70,基于预设的正例训练数据对初始模型进行初步训练,得到所述 待训练模型;
进一步地,在本实施例中,可以先采用正例训练数据对模型进行训练, 再采用正例训练数据和负例训练数据对模型进行微调,具体地:
可获取预先采集的正例训练数据,采用正例训练数据对初始模型进行初 步训练,其中,初始模型也即预先设置的待训练的模型,此处为了区分后面 的待训练模型,采用初始模型的描述。采用正例训练数据对初始模型进行初 步训练的过程与现有的模型训练过程类似,也即,不进行损失函数值的修正。 初步训练后,初始模型的模型参数得到调整,将调整了模型参数的初始模型 称为待训练模型。
所述步骤S30中的根据修正后的损失函数值调整所述待训练模型的模型 参数的步骤包括:
步骤S301,根据所述正例训练数据对应的损失函数值和修正后的所述负 例训练数据对应的损失函数值,调整所述待训练模型的模型参数。
然后采用负例训练数据和该正例训练数据一起训练待训练模型,此时训 练的过程如上述第一实施例中步骤S10~步骤S30的训练过程。其中,在根据 损失函数值进行调整待训练模型的模型参数时,是根据正例训练数据对应的 损失函数值和修正后的负例训练数据对应的损失函数值一起调整待训练模型 的模型参数的,也即,根据正例训练数据对应的损失函数值和修正后的负例 训练数据对应的损失函数值一起计算各个模型参数的梯度,然后基于梯度来 更新各个模型参数。而正例训练数据对应的损失函数值类似于负例训练数据 的损失函数值的计算过程,也即是正例训练数据输入待训练模型得到预测结 果,然后根据预测结果和正例训练数据的标注数据来计算正例训练数据对应 的损失函数值的。
在本实施例中,通过先采用正例训练数据来对模型进行初步训练,然后 采用正例训练数据和负例训练数据一起来对初步训练后的模型进行微调,也 即通过负例进行纠偏,减少模型的误检。并且,通过将正例训练数据和负例 训练数据一起来对模型进行微调,避免全部采用负例训练数据造成正例训练 数据的训练效果被覆盖。
进一步地,所述步骤S30还可包括:
步骤S302,根据修正后的损失函数值调整所述待训练模型的模型参数;
步骤S303,检测调整模型参数后的待训练模型是否满足预设模型条件;
步骤S304,若检测到调整模型参数后的待训练模型不满足所述预设模型 条件,则在按照预设规则调整所述预设阈值后,基于调整模型参数后的待训 练模型,再执行所述步骤:将预设的负例训练数据输入待训练模型得到预测 结果;
步骤S305,若检测到调整模型参数后的待训练模型满足预设模型条件, 则将调整模型参数后的待训练模型作为目标模型。
进一步地,在一种实施方式中,在根据修正后的损失函数值调整待训练 模型的模型参数后,可检测调整模型参数后的待训练模型是否满足预设模型 条件。其中,预设模型条件可以是预先根据对模型的性能需求设置的条件, 如可以将模型的损失函数收敛作为一个条件,还可以是将常用的检测模型性 能的客观指标作为条件,如准确率、召回率和IOU(Intersection over Union, 交并比)等客观指标。若检测到待训练模型满足预设模型条件,则可将调整 模型参数后的待训练模型作为最终的目标模型,也即停止训练。若检测到待 训练模型不满足预设模型条件,则按照预设规则调整预设阈值,在调整了预 设阈值后,再将负例训练数据输入调整模型参数后的待训练模型得到预测结 果,当预测结果表征负例训练数据大于调整后的预设阈值时,对负例训练数 据对应的损失函数值进行修正,再根据修正后的损失函数值调整待训练模型 的模型参数,再次进行待训练模型是否满足预设模型条件的判断。也即,循 环进行多次的训练,直到检测到待训练模型满足预设模型条件为止。
其中,调整预设阈值的预设规则可以是预先设置的,例如,先采用一个 较大的概率值作为预设阈值,在训练过程中,逐渐减小预设阈值。
在本实施例中,由于负例训练数据中实际上是正例的训练数据所占比例 是未知的,所以初次采用的预设阈值的取值可能是不合适的,通过不断训练, 不断对预设阈值不断地调整,使得模型的损失函数能够收敛,并且能够找到 一个最合适的预设阈值,也即找到一个与实际上是正例的负例训练数据占所 有负例训练数据的比例正合适的预设阈值,从而使得对错误标记的负例对模 型训练的影响减小的操作更加准确。
此外,此外本发明实施例还提出一种模型性能优化装置,参照图4,所述 模型性能优化装置包括:
输入模块10,用于将预设的负例训练数据输入待训练模型得到预测结果;
修正模块20,用于当所述预测结果表征所述负例训练数据被预测为负例 的概率大于预设阈值时,对所述负例训练数据对应的损失函数值进行修正, 其中,修正后的损失函数值小于修正前的损失函数值;
调整模块30,用于根据修正后的损失函数值调整所述待训练模型的模型 参数,以对所述待训练模型进行训练得到目标模型。
进一步地,所述预测结果是所述负例训练数据被预测为负例的概率,所 述修正模块20包括:
获取单元,用于当所述预测结果大于所述预设阈值时,获取预设的损失 修正系数,其中,所述损失修正系数是小于1的正数;
修正单元,用于将所述损失修正系数乘以所述负例训练数据对应的损失 函数值,以对所述损失函数值进行修正。
进一步地,所述获取单元包括:
计算单元,用于当所述预测结果大于所述预设阈值时,将所述预测结果 代入预设的平滑下降公式得到所述损失修正系数,其中,所述损失修正系数 随着所述预测结果变大而变小。
进一步地,所述模型性能优化装置还包括:
初步训练模块,用于基于预设的正例训练数据对初始模型进行初步训练, 得到所述待训练模型;
所述调整模块30包括:
第一调整单元,用于根据所述正例训练数据对应的损失函数值和修正后 的所述负例训练数据对应的损失函数值,调整所述待训练模型的模型参数。
进一步地,所述调整模块30包括:
第二调整单元,用于根据修正后的损失函数值调整所述待训练模型的模 型参数;
检测单元,用于检测调整模型参数后的待训练模型是否满足预设模型条 件;
第三调整单元,用于若检测到调整模型参数后的待训练模型不满足所述 预设模型条件,则在按照预设规则调整所述预设阈值后,基于调整模型参数 后的待训练模型,再执行所述步骤:将预设的负例训练数据输入待训练模型 得到预测结果;
确定单元,用于若检测到调整模型参数后的待训练模型满足预设模型条 件,则将调整模型参数后的待训练模型作为目标模型。。
进一步地,所述待训练模型是用于检测遥感卫星图像中养殖场的模型, 所述模型性能优化装置还包括:
图像输入模块,用于将待检测卫星图像输入所述目标模型得到所述待检 测卫星图像中各个像素点的分类结果,其中,所述分类结果用于表示对应的 像素点是否属于养殖场;
检测模块,用于根据所述分类结果得到所述待检测卫星图像的养殖场检 测结果。
进一步地,所述模型性能优化装置还包括:
增广模块,用于对采集到的遥感卫星图像进行数据增广操作得到所述负 例训练数据,其中,所述遥感卫星图像对应的标注是负例标注,所述数据增 广操作至少包括扭曲操作、翻转操作和加噪操作。
本发明模型性能优化装置的具体实施方式的拓展内容与上述模型性能优 化方法各实施例基本相同,在此不做赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述存储介质上 存储有模型性能优化程序,所述模型性能优化程序被处理器执行时实现如下 所述的模型性能优化方法的步骤。
本发明模型性能优化设备和计算机可读存储介质的各实施例,均可参照 本发明模型性能优化方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在 涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装 置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括 为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下, 由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物 品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的 技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务 器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是 利用本发明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,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种模型性能优化方法,其特征在于,所述模型性能优化方法包括以下步骤:
将预设的负例训练数据输入待训练模型得到预测结果;
当所述预测结果表征所述负例训练数据被预测为负例的概率大于预设阈值时,对所述负例训练数据对应的损失函数值进行修正,其中,修正后的损失函数值小于修正前的损失函数值;
根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待训练模型进行训练得到目标模型。
2.如权利要求1所述的模型性能优化方法,其特征在于,所述预测结果是所述负例训练数据被预测为负例的概率,所述当所述预测结果表征所述负例训练数据预测为负例的概率大于预设阈值时,对所述负例训练数据对应的损失函数值进行修正的步骤包括:
当所述预测结果大于所述预设阈值时,获取预设的损失修正系数,其中,所述损失修正系数是小于1的正数;
将所述损失修正系数乘以所述负例训练数据对应的损失函数值,以对所述损失函数值进行修正。
3.如权利要求2所述的模型性能优化方法,其特征在于,所述当所述预测结果大于所述预设阈值时,获取预设的损失修正系数的步骤包括:
当所述预测结果大于所述预设阈值时,将所述预测结果代入预设的平滑下降公式得到所述损失修正系数,其中,所述损失修正系数随着所述预测结果变大而变小。
4.如权利要求1所述的模型性能优化方法,其特征在于,所述将预设的负例训练数据输入待训练模型得到预测结果的步骤之前,还包括:
基于预设的正例训练数据对初始模型进行初步训练,得到所述待训练模型;
所述根据修正后的损失函数值调整所述待训练模型的模型参数的步骤包括:
根据所述正例训练数据对应的损失函数值和修正后的所述负例训练数据对应的损失函数值,调整所述待训练模型的模型参数。
5.如权利要求1所述的模型性能优化方法,其特征在于,所述根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待训练模型进行训练得到目标模型的步骤包括:
根据修正后的损失函数值调整所述待训练模型的模型参数;
检测调整模型参数后的待训练模型是否满足预设模型条件;
若检测到调整模型参数后的待训练模型不满足所述预设模型条件,则在按照预设规则调整所述预设阈值后,基于调整模型参数后的待训练模型,再执行所述步骤:将预设的负例训练数据输入待训练模型得到预测结果;
若检测到调整模型参数后的待训练模型满足预设模型条件,则将调整模型参数后的待训练模型作为目标模型。
6.如权利要求1至5任一项所述的模型性能优化方法,其特征在于,所述待训练模型是用于检测遥感卫星图像中养殖场的模型,所述根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待训练模型进行训练得到目标模型的步骤之后,还包括:
将待检测卫星图像输入所述目标模型得到所述待检测卫星图像中各个像素点的分类结果,其中,所述分类结果用于表示对应的像素点是否属于养殖场;
根据所述分类结果得到所述待检测卫星图像的养殖场检测结果。
7.如权利要求6所述的模型性能优化方法,其特征在于,所述将预设的负例训练数据输入待训练模型得到预测结果的步骤之前,还包括:
对采集到的遥感卫星图像进行数据增广操作得到所述负例训练数据,其中,所述遥感卫星图像对应的标注是负例标注,所述数据增广操作至少包括扭曲操作、翻转操作和加噪操作。
8.一种模型性能优化装置,其特征在于,所述模型性能优化装置包括:
输入模块,用于将预设的负例训练数据输入待训练模型得到预测结果;
修正模块,用于当所述预测结果表征所述负例训练数据被预测为负例的概率大于预设阈值时,对所述负例训练数据对应的损失函数值进行修正,其中,修正后的损失函数值小于修正前的损失函数值;
调整模块,用于根据修正后的损失函数值调整所述待训练模型的模型参数,以对所述待训练模型进行训练得到目标模型。
9.一种模型性能优化设备,其特征在于,所述模型性能优化设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模型性能优化程序,所述模型性能优化程序被所述处理器执行时实现如权利要求1至7中任一项所述的模型性能优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有模型性能优化程序,所述模型性能优化程序被处理器执行时实现如权利要求1至7中任一项所述的模型性能优化方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131522.0A CN111368903B (zh) | 2020-02-28 | 2020-02-28 | 模型性能优化方法、装置、设备及存储介质 |
PCT/CN2020/134671 WO2021169473A1 (zh) | 2020-02-28 | 2020-12-30 | 模型性能优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131522.0A CN111368903B (zh) | 2020-02-28 | 2020-02-28 | 模型性能优化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368903A true CN111368903A (zh) | 2020-07-03 |
CN111368903B CN111368903B (zh) | 2021-08-27 |
Family
ID=71208338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131522.0A Active CN111368903B (zh) | 2020-02-28 | 2020-02-28 | 模型性能优化方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111368903B (zh) |
WO (1) | WO2021169473A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112732913A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 一种非均衡样本的分类方法、装置、设备及存储介质 |
CN112765354A (zh) * | 2021-01-26 | 2021-05-07 | 深圳追一科技有限公司 | 模型训练方法、模型训练装置、计算机设备和存储介质 |
WO2021169473A1 (zh) * | 2020-02-28 | 2021-09-02 | 深圳前海微众银行股份有限公司 | 模型性能优化方法、装置、设备及存储介质 |
CN113688663A (zh) * | 2021-02-23 | 2021-11-23 | 北京澎思科技有限公司 | 人脸检测方法、装置、电子设备以及可读存储介质 |
CN113723616A (zh) * | 2021-08-17 | 2021-11-30 | 上海智能网联汽车技术中心有限公司 | 一种多传感器信息半自动标注方法、系统及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778339B (zh) * | 2022-04-11 | 2022-11-25 | 江苏鼎盛检测中心有限公司 | 一种基于大数据的可降低误差的高低温耐久测试分析方法 |
CN115328242B (zh) * | 2022-10-11 | 2022-12-27 | 山东华邦农牧机械股份有限公司 | 基于远程控制的养殖环境智能调节系统 |
CN115833843B (zh) * | 2023-02-14 | 2023-05-09 | 临沂云斗电子科技有限公司 | 一种车辆运行监控数据存储优化方法及管理平台 |
CN116645618B (zh) * | 2023-06-05 | 2023-12-08 | 广东省农业科学院设施农业研究所 | 农业数据处理方法、系统和存储介质 |
CN116911902A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 目标推荐方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017079568A1 (en) * | 2015-11-06 | 2017-05-11 | Google Inc. | Regularizing machine learning models |
US20170228871A1 (en) * | 2012-06-22 | 2017-08-10 | Google Inc. | System and method for labelling aerial images |
CN110019685A (zh) * | 2019-04-10 | 2019-07-16 | 北京神州泰岳软件股份有限公司 | 基于排序学习的深度文本匹配方法及装置 |
CN110084271A (zh) * | 2019-03-22 | 2019-08-02 | 同盾控股有限公司 | 一种图片类别的识别方法和装置 |
CN110543898A (zh) * | 2019-08-16 | 2019-12-06 | 上海数禾信息科技有限公司 | 用于噪声标签的监督学习方法、数据分类处理方法以及装置 |
CN110555465A (zh) * | 2019-08-13 | 2019-12-10 | 成都信息工程大学 | 一种基于cnn与多特征融合的天气图像识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110362814B (zh) * | 2018-04-10 | 2023-06-23 | 普天信息技术有限公司 | 一种基于改进损失函数的命名实体识别方法及装置 |
WO2019231105A1 (ko) * | 2018-05-31 | 2019-12-05 | 한국과학기술원 | 트리플릿 기반의 손실함수를 활용한 순서가 있는 분류문제를 위한 딥러닝 모델 학습 방법 및 장치 |
CN109815332B (zh) * | 2019-01-07 | 2023-06-20 | 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 |
CN109977875A (zh) * | 2019-03-28 | 2019-07-05 | 北京易达图灵科技有限公司 | 基于深度学习的手势识别方法及设备 |
CN110490242B (zh) * | 2019-08-12 | 2024-03-29 | 腾讯医疗健康(深圳)有限公司 | 图像分类网络的训练方法、眼底图像分类方法及相关设备 |
CN111368903B (zh) * | 2020-02-28 | 2021-08-27 | 深圳前海微众银行股份有限公司 | 模型性能优化方法、装置、设备及存储介质 |
-
2020
- 2020-02-28 CN CN202010131522.0A patent/CN111368903B/zh active Active
- 2020-12-30 WO PCT/CN2020/134671 patent/WO2021169473A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170228871A1 (en) * | 2012-06-22 | 2017-08-10 | Google Inc. | System and method for labelling aerial images |
WO2017079568A1 (en) * | 2015-11-06 | 2017-05-11 | Google Inc. | Regularizing machine learning models |
CN110084271A (zh) * | 2019-03-22 | 2019-08-02 | 同盾控股有限公司 | 一种图片类别的识别方法和装置 |
CN110019685A (zh) * | 2019-04-10 | 2019-07-16 | 北京神州泰岳软件股份有限公司 | 基于排序学习的深度文本匹配方法及装置 |
CN110555465A (zh) * | 2019-08-13 | 2019-12-10 | 成都信息工程大学 | 一种基于cnn与多特征融合的天气图像识别方法 |
CN110543898A (zh) * | 2019-08-16 | 2019-12-06 | 上海数禾信息科技有限公司 | 用于噪声标签的监督学习方法、数据分类处理方法以及装置 |
Non-Patent Citations (2)
Title |
---|
JONATHAN T. BARRON: "《A General and Adaptive Robust Loss Function》", 《COMPUTER VISION FOUNDATION》 * |
林俊杰 等;: "《基于遥感的龙岩市新罗区畜禽养殖场专题提取》", 《福州大学学报( 自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021169473A1 (zh) * | 2020-02-28 | 2021-09-02 | 深圳前海微众银行股份有限公司 | 模型性能优化方法、装置、设备及存储介质 |
CN112732913A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 一种非均衡样本的分类方法、装置、设备及存储介质 |
CN112732913B (zh) * | 2020-12-30 | 2023-08-22 | 平安科技(深圳)有限公司 | 一种非均衡样本的分类方法、装置、设备及存储介质 |
CN112765354A (zh) * | 2021-01-26 | 2021-05-07 | 深圳追一科技有限公司 | 模型训练方法、模型训练装置、计算机设备和存储介质 |
CN113688663A (zh) * | 2021-02-23 | 2021-11-23 | 北京澎思科技有限公司 | 人脸检测方法、装置、电子设备以及可读存储介质 |
CN113723616A (zh) * | 2021-08-17 | 2021-11-30 | 上海智能网联汽车技术中心有限公司 | 一种多传感器信息半自动标注方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111368903B (zh) | 2021-08-27 |
WO2021169473A1 (zh) | 2021-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368903B (zh) | 模型性能优化方法、装置、设备及存储介质 | |
WO2020248957A1 (zh) | 遮挡的目标物体的检测方法、系统、设备及存储介质 | |
KR102595704B1 (ko) | 영상 검측 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN111160469B (zh) | 一种目标检测系统的主动学习方法 | |
CN109376758B (zh) | 一种基于图形的元器件识别方法、系统、装置和存储介质 | |
WO2023071121A1 (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
US20210406600A1 (en) | Learning device, classification device, learning method, classification method, learning program, and classification program | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
CN111797993B (zh) | 深度学习模型的评价方法、装置、电子设备及存储介质 | |
CN103235950B (zh) | 一种目标检测图像处理方法 | |
CN112634294A (zh) | 用于测量语义分割网络的边界性能的方法 | |
CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
CN110135425B (zh) | 样本标注方法及计算机存储介质 | |
CN113361530A (zh) | 使用交互手段的图像语义精准分割及优化方法 | |
CN114821513B (zh) | 一种基于多层网络的图像处理方法及装置、电子设备 | |
CN116129382A (zh) | 车道线检测模型的训练方法、车道线检测方法及电子设备 | |
CN115658525A (zh) | 用户界面的校验方法、装置、存储介质及计算机设备 | |
CN112949630B (zh) | 基于边框分级筛选的弱监督目标检测方法 | |
CN115730208A (zh) | 训练方法、训练装置、训练设备及计算机可读存储介质 | |
CN112016513A (zh) | 视频语义分割方法、模型训练方法、相关装置及电子设备 | |
EP2573694A1 (en) | Conversion method and system | |
CN117576520B (zh) | 目标检测模型的训练方法、目标检测方法及电子设备 | |
CN113780260B (zh) | 基于计算机视觉的无障碍文字智能检测方法 | |
CN111832370A (zh) | 人脸姿态的识别方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |