CN111523597B - 目标识别模型训练方法、装置、设备以及存储介质 - Google Patents

目标识别模型训练方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN111523597B
CN111523597B CN202010327806.7A CN202010327806A CN111523597B CN 111523597 B CN111523597 B CN 111523597B CN 202010327806 A CN202010327806 A CN 202010327806A CN 111523597 B CN111523597 B CN 111523597B
Authority
CN
China
Prior art keywords
disturbance
neural network
convolutional neural
sample image
post
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010327806.7A
Other languages
English (en)
Other versions
CN111523597A (zh
Inventor
余席宇
张刚
韩钧宇
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010327806.7A priority Critical patent/CN111523597B/zh
Publication of CN111523597A publication Critical patent/CN111523597A/zh
Application granted granted Critical
Publication of CN111523597B publication Critical patent/CN111523597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了目标识别模型训练方法、装置、设备以及存储介质，涉及人工智能技术领域。该方法的一具体实施方式包括：构建扰动前的深度卷积神经网络；获取样本图像集，其中，样本图像集中包括已标注目标样本图像和未标注目标样本图像；利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。该实施方式提供了一种半监督目标识别技术，能够充分利用闭集样本和开集样本进行半监督学习，有效地降低了目标识别中的样本标注成本。

Description

目标识别模型训练方法、装置、设备以及存储介质
技术领域
本申请实施例涉及计算机技术领域，具体涉及人工智能技术领域。
背景技术
目标识别技术是指从图像或视频中识别或者比对出目标的技术。随着人工智能的发展，目标识别是计算机视觉和数字图像处理的一个热门方向，广泛应用于金融、安防、自动驾驶、机器人导航、智能视频监控等诸多领域，极大地方便了人们的生活。
当前主流的目标识别技术是全监督学习方法。全监督学习方法主要包括以下三种：其一，基于度量学习的损失函数的全监督学习方法，包括比对损失函数(contrastiveloss)、三元组损失函数(triplet loss)等；其二，基于softmax与交叉熵损失函数以及其变种的全监督学习方法，包括AM-softmax、L2-softmax、sphereface、arcface等；其三，前两种方法的混合。这类全监督学习方法需要大量(千万甚至亿级别)的人工标注样本。
发明内容
本申请实施例提出了目标识别模型训练方法、装置、设备以及存储介质。
第一方面，本申请实施例提出了一种目标识别模型训练方法，包括：构建扰动前的深度卷积神经网络；获取样本图像集，其中，样本图像集中包括已标注目标样本图像和未标注目标样本图像；利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。
第二方面，本申请实施例提出了一种目标识别模型训练装置，包括：构建模块，被配置成构建扰动前的深度卷积神经网络；获取模块，被配置成获取样本图像集，其中，样本图像集中包括已标注目标样本图像和未标注目标样本图像；训练模块，被配置成利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。
第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的目标识别模型训练方法、装置、设备以及存储介质，首先构建扰动前的深度卷积神经网络；然后获取包括已标注目标样本图像和未标注目标样本图像的样本图像集；最后利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。提供了一种半监督人脸识别技术，能够充分利用闭集样本和开集样本进行半监督学习，有效地降低了目标识别中的样本标注成本。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的目标识别模型训练方法的一个实施例的流程图；
图3是根据本申请的目标识别模型训练方法的又一个实施例的流程图；
图4是根据本申请的目标识别模型训练方法的另一个实施例的流程图；
图5是可以实现本申请实施例的目标识别模型训练方法的场景图；
图6是根据本申请的目标识别模型训练装置的一个实施例的结构示意图；
图7是用来实现本申请实施例的目标识别模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的目标识别模型训练方法或目标识别模型训练装置的实施例的示例性系统架构100。
如图1所示，系统架构100中可以包括存储设备101、网络102和服务器103。网络102用以在存储设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
存储设备101可以通过网络102与服务器103交互。存储设备101中可以提供样本图像集，包括但不限于数据库、用户终端等等。
服务器103可以是具有模型计算能力的独立服务器，也可以是具有计算能力的处理模块。例如，服务器103可以是模型服务器。模型服务器可以对从存储设备101获取到的样本图像集等数据进行分析等处理，并生成处理结果(例如目标识别模型)。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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)，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，本申请实施例所提供的目标识别模型训练方法一般由服务器103执行，相应地，目标识别模型训练装置一般设置于服务器103中。
应该理解，图1中的存储设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的存储设备、网络和服务器。在服务器103中存储有样本图像集的情况下，系统架构100可以不设置存储设备101和网络102。
继续参考图2，其示出了根据本申请的目标识别模型训练方法的一个实施例的流程200。该目标识别模型训练方法包括以下步骤：
步骤201，构建扰动前的深度卷积神经网络。
在本实施例中，目标识别模型训练方法的执行主体(例如图1所示的服务器103)可以构建扰动前的深度卷积神经网络。其中，扰动前的深度卷积神经网络可以是普通的深度卷积神经网络。深度卷积神经网络可以是包含卷积计算且具有深度结构的神经网络，包括但不限于ResNet、DenseNet、AlexNet和VGGNet等等。
步骤202，获取样本图像集。
在本实施例中，上述执行主体可以获取样本图像集。其中，样本图像集中可以包括大量存在目标的样本图像。这些样本图像既可以包括已标注目标样本图像又可以包括未标注目标样本图像。已标注目标样本图像可以是经过目标标注的样本图像。通常情况下，对样本图像中的目标进行人工标注即可得到已标注目标样本图像。所有已标注目标样本图像均是闭集样本，即所有已标注目标样本图像中的目标是确定的、固定的。未标注目标样本图像可以是未经目标标注的样本图像。未标注目标样本图像可以是开集样本，即未标注目标样本图像中的目标可以不在已标注目标样本图像中的目标之内。
步骤203，利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。
在本实施例中，上述执行主体可以利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。通常，利用样本图像集中的已标注目标样本图像可以对深度卷积神经网络进行全监督训练，利用样本图像集中的未标注目标样本图像可以对深度卷积神经网络进行无监督训练，从而能够充分利用闭集样本和开集样本进行半监督训练，以得到目标识别模型。
需要说明的是，扰动后的深度卷积神经网络是在扰动前的深度卷积神经网络中加入扰动所得到的。通常，为了保证扰动后的深度卷积神经网络的输出特征不会发生较大的改变，在深度卷积神经网络中加入的是随机的小扰动。在训练过程中，扰动后的深度卷积神经网络时刻复制扰动前的深度卷积神经网络的模型参数。也就是说，除了加入的扰动，扰动后的深度卷积神经网络的模型参数与扰动前的深度卷积神经网络模型参数同步更新。
通常，通过对扰动前的深度卷积神经网络的输出特征扰动或模型参数扰动，能够得到扰动后的深度卷积神经网络。例如，通过在扰动前的深度卷积神经网络的中间层加入dropout可以实现对输出特征的扰动。又例如，对卷积的权重矩阵进行SVD(Singular valuedecomposition，奇异值分解)操作，能够得到特征值和特征向量。通过对特征值扰动可以实现对模型参数的扰动。另外，通过对模型参数的窗口滑动也能够实现对深度卷积神经网络的扰动。
本申请实施例提供的目标识别模型训练方法，首先构建扰动前的深度卷积神经网络；然后获取包括已标注目标样本图像和未标注目标样本图像的样本图像集；最后利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。提供了一种半监督人脸识别技术，能够充分利用闭集样本和开集样本进行半监督学习，有效地降低了目标识别中的样本标注成本。
此外，当本申请的技术方案应用人脸识别场景下，能够应用于人脸识别领域的人证、考勤、门禁、安防、金融支付等诸多场景，极大地方便了人们的生活，也保证了人们生活的社会环境的安全性。
进一步参考图3，其示出了根据本申请的目标识别模型训练方法的又一个实施例的流程300。该目标识别模型训练方法包括以下步骤：
步骤301，构建扰动前的深度卷积神经网络。
步骤302，获取样本图像集。
在本实施例中，步骤301-302具体操作已在图2所示的实施例中步骤201-202进行了详细的介绍，在此不再赘述。
步骤303，将样本图像集输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，计算分类损失和一致性损失。
在本实施例中，目标识别模型训练方法的执行主体(例如图1所示的服务器103)可以将样本图像集输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，计算分类损失和一致性损失。
分类损失可以是通过扰动前的深度卷积神经网络对已标注目标样本图像处理得到的。通常，对于已标注目标样本图像，扰动前的深度卷积神经网络可以连接各种分类损失函数来计算分类损失。扰动前的深度卷积神经网络连接各种分类损失函数，能够充分利用闭集样本进行学习。其中，分类损失函数可以是基于softmax与交叉熵的损失函数及其变种，包括但不限于AM-softmax、L2-softmax、sphereface、arcface等。
一致性损失可以是通过扰动前的深度卷积神经网络和扰动后的深度卷积神经网络对样本图像集处理得到的。无论是已标注样本图像还是未标注样本图像，基于扰动前的深度卷积神经网络和扰动后的深度卷积神经网络提取的图像特征，能够通过一致性损失函数来计算一致性损失。一致性损失计算过程中能够充分利用开集样本进行学习。其中，一致性损失函数可以是L2损失函数。
下面提供一种一致性损失的计算方法。具体地，对于样本图像集中的样本图像，首先将该样本图像分别输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，提取扰动前图像特征和扰动后图像特征；然后基于扰动前图像特征和扰动后图像特征，计算一致性损失。通常，相同样本图像经过扰动前的深度卷积神经网络和扰动后的深度卷积神经网络提取图像特征，扰动前图像特征和扰动后图像特征应当具有一致性。利用这种一致性，一方面使得模型学习的特征在不同的扰动下具有鲁棒性，另一方面能够利用丰富的样本图像进行自学习、自教学，使得学习的模型具有泛化性。
通常，通过计算扰动前图像特征和扰动后图像特征的图像特征相似度能够确定一致性损失。我们期望的目标是扰动前图像特征和扰动后图像特征完全一致。因此，扰动前图像特征和扰动后图像特征的图像特征相似度与一致性损失存在负相关关系。
步骤304，结合分类损失和一致性损失更新扰动前的卷积神经网络的参数，得到目标识别模型。
在本实施例中，上述执行主体可以结合分类损失和一致性损失更新扰动前的卷积神经网络的参数，得到目标识别模型。例如，先对分类损失与一致性损失求和，再通过梯度反转更新扰动前的卷积神经网络的模型参数，使得分类损失与一致性损失的和最小。此时，扰动前的卷积神经网络即被训练成为目标识别模型。
从图3中可以看出，与图2对应的实施例相比，本实施例中的目标识别模型训练方法的流程300突出了训练步骤。由此，在本实施例描述的方案中，通过向扰动前的深度卷积神经网络和扰动后的深度卷积神经网络输入闭集样本和开集样本，能够计算分类损失和一致性损失，结合分类损失和一致性损失更新扰动前的卷积神经网络的模型参数，实现了对目标识别模型的半监督训练。
进一步参考图4，其示出了根据本申请的目标识别模型训练方法的另一个实施例的流程400。该目标识别模型训练方法包括以下步骤：
步骤401，构建扰动前的深度卷积神经网络。
步骤402，获取样本图像集。
在本实施例中，步骤401-402具体操作已在图3所示的实施例中步骤301-302进行了详细的介绍，在此不再赘述。
步骤403，对于样本图像集中的样本图像，将该样本图像中的目标划分为多区域，得到多区域样本图像。
在本实施例中，对于样本图像集合中的样本图像，目标识别模型训练方法的执行主体(例如图1所示的服务器103)可以将该样本图像中的目标划分为多区域，得到多区域样本图像。其中，样本图像集合中既可以包括已标注目标样本图像又可以包括未标注目标样本图像。当对已标注目标样本图像中的目标划分多区域时，能够得到已标注目标多区域样本图像。当对未标注目标样本图像中的目标划分多区域时，能够得到未标注目标多区域样本图像。
步骤404，将已标注目标多区域样本图像输入至扰动前的卷积神经网络，输出预测目标类别。
在本实施例中，上述执行主体(例如图1所示的服务器103)可以将已标注目标多区域样本图像输入至扰动前的卷积神经网络，输出预测目标类别。通常，已标注目标多区域样本图像可以从扰动前的卷积神经网络的输入层输入，经过中间层的处理，从输出层输出预测目标类别。
步骤405，将预测目标类别和已标注目标样本图像的真实目标类别输入至分类损失函数，得到分类损失。
在本实施例中，对于已标注目标多区域样本图像，扰动前的深度卷积神经网络可以连接各种分类损失函数。将预测目标类别和已标注目标样本图像的真实目标类别输入至分类损失函数，能够得到分类损失。
步骤406，将多区域样本图像分别输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，提取扰动前多区域图像特征和扰动前多区域图像特征。
在本实施例中，上述执行主体可以将多区域样本图像分别输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，提取扰动前多区域图像特征和扰动前多区域图像特征。通常，多区域样本图像可以分别从扰动前的卷积神经网络和扰动后的深度卷积神经网络的输入层输入，经过中间层处理后，提取扰动前多区域图像特征和扰动前多区域图像特征。
步骤407，计算扰动前多区域图像特征和扰动后多区域图像特征的特征相似度。
在本实施例中，上述执行主体可以计算扰动前多区域图像特征和扰动后多区域图像特征的特征相似度。
通常，特征相似度可以包括扰动前图像特征和扰动后图像特征的图像特征相似度和不同区域的区域特征相似度。为了使得学习的目标识别模型的鲁棒性更高，并利用好开集样本使得学习的目标识别模型的泛化性更好，这里考虑两种一致性。第一，将同一样本图像划分为多区域输入到扰动前的深度卷积神经网络和扰动后的深度卷积神经网络中，保证不同区域输出的特征具有一致性。第二，对深度卷积神经网络进行随机扰动，使得相同样本图像经过扰动前的深度卷积神经网络和扰动后的深度卷积神经网络提取图像特征，保证扰动前图像特征和扰动后图像特征具有一致性。利用这两种一致性，一方面使得模型学习的特征在不同的目标区域、在不同的扰动下具有鲁棒性，另一方面能够利用丰富的样本图像进行自学习、自教学，使得学习的模型更加具有泛化性。
对于不同区域的区域特征相似度，通过对不同区域输出的特征进行正交化操作，能够让不同的特征对应学习到目标的不同区域。同时对于不同区域输出的特征的相似度进行度量，使其相似度最大化。
步骤408，基于特征相似度，计算一致性损失。
在本实施例中，上述执行主体可以基于特征相似度，计算一致性损失。
通常，通过计算不同区域的区域特征相似度与扰动前图像特征和扰动后图像特征的图像特征相似度，能够确定一致性损失。我们期望的目标是不同区域的区域特征完全一致，扰动前图像特征和扰动后图像特征完全一致。因此，同区域的区域特征相似度与扰动前图像特征和扰动后图像特征的图像特征相似度的加权和与一致性损失存在负相关关系。
步骤409，结合分类损失和一致性损失更新扰动前的卷积神经网络的参数，得到目标识别模型。
在本实施例中，步骤409具体操作已在图3所示的实施例中步骤304进行了详细的介绍，在此不再赘述。
从图4中可以看出，与图3对应的实施例相比，本实施例中的目标识别模型训练方法的流程400突出了训练步骤。由此，本实施例描述的方案考虑两种一致性。第一，不同区域输出的特征具有一致性。第二，扰动前图像特征和扰动后图像特征具有一致性。利用这两种一致性，一方面使得模型学习的特征在不同的目标区域、在不同的扰动下具有鲁棒性，另一方面能够利用丰富的样本图像进行自学习、自教学，使得学习的模型更加具有泛化性。
此外，随着样本图像集的增加，能够提升该方法训练出的目标识别模型的目标识别效果，显著提升目标识别模型的性能。
为了便于理解，下面提供可以实现本申请实施例的目标识别模型训练方法的场景。如图5所示，输入是样本人脸图像x。其中，样本人脸图像x中的人脸被划分为第一区域x1和第二区域x2。右下方是构建的扰动前的深度卷积神经网络。右上方是对扰动前的深度卷积神经网络进行扰动后，得到的扰动后的深度卷积神经网络。其中，在扰动前的深度卷积神经网络与扰动后的深度卷积神经网络之间，细箭头连线表示扰动区域。扰动的可以是输出特征，也可以是模型参数。粗箭头连线表示一致性要求，期望输出特征一致，利用L2损失进行约束。符号f表示特征提取函数，f(x1)表示扰动前的深度卷积神经网络从第一区域x1提取的特征，f(x2)表示扰动后的深度卷积神经网络从第二区域x2提取的特征，||f(x1)-f(x2)||表示所有样本人脸图像的L2损失。arcface损失表示已标注样本人脸图像的分类损失。结合arcface损失和L2损失更新扰动前的卷积神经网络的参数，能够得到人脸识别模型。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种目标识别模型训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的目标识别模型训练装置600可以包括：构建模块601、获取模块602和训练模块603。其中，构建模块601，被配置成构建扰动前的深度卷积神经网络；获取模块602，被配置成获取样本图像集，其中，样本图像集中包括已标注目标样本图像和未标注目标样本图像；训练模块603，被配置成利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。
在本实施例中，目标识别模型训练装置600中：构建模块601、获取模块602和训练模块603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，训练模块603包括：计算子模块(图中未示出)，被配置成将样本图像集输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，计算分类损失和一致性损失，其中，分类损失是通过扰动前的深度卷积神经网络对已标注目标样本图像处理得到的，一致性损失是通过扰动前的深度卷积神经网络和扰动后的深度卷积神经网络对样本图像集处理得到的；更新子模块(图中未示出)，被配置成结合分类损失和一致性损失更新扰动前的卷积神经网络的参数，得到目标识别模型。
在本实施例的一些可选的实现方式中，计算子模块包括：输出单元(图中未示出)，被配置成将已标注目标样本图像输入至扰动前的卷积神经网络，输出预测目标类别；第一计算单元(图中未示出)，被配置成将预测目标类别和已标注目标样本图像的真实目标类别输入至分类损失函数，得到分类损失。
在本实施例的一些可选的实现方式中，计算子模块还包括：提取单元(图中未示出)，被配置成对于样本图像集中的样本图像，将该样本图像分别输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，提取扰动前图像特征和扰动后图像特征；第二计算单元(图中未示出)，被配置成基于扰动前图像特征和扰动后图像特征，计算一致性损失。
在本实施例的一些可选的实现方式中，第二计算单元进一步被配置成成：计算扰动前图像特征和扰动后图像特征的图像特征相似度；基于图像特征相似度，计算一致性损失。
在本实施例的一些可选的实现方式中，提取单元进一步被配置成：将该样本图像中的目标划分为多区域，得到多区域样本图像；将多区域样本图像分别输入至扰动前的深度卷积神经网络和扰动后的深度卷积神经网络，提取扰动前多区域图像特征和扰动前多区域图像特征；以及第二计算单元进一步被配置成成：计算扰动前多区域图像特征和扰动后多区域图像特征的特征相似度；基于特征相似度，计算一致性损失。
在本实施例的一些可选的实现方式中，特征相似度包括扰动前图像特征和扰动后图像特征的图像特征相似度和不同区域的区域特征相似度。
在本实施例的一些可选的实现方式中，通过对扰动前的深度卷积神经网络的输出特征扰动或模型参数扰动，得到扰动后的深度卷积神经网络。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例目标识别模型训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的目标识别模型训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的目标识别模型训练方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的目标识别模型训练方法对应的程序指令/模块(例如，附图6所示的构建模块601、获取模块602和训练模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的目标识别模型训练方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据目标识别模型训练方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至目标识别模型训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
目标识别模型训练方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与目标识别模型训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案，首先构建扰动前的深度卷积神经网络；然后获取包括已标注目标样本图像和未标注目标样本图像的样本图像集；最后利用样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型。提供了一种半监督人脸识别技术，能够充分利用闭集样本和开集样本进行半监督学习，有效地降低了目标识别中的样本标注成本。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种目标识别模型训练方法，包括：
构建扰动前的深度卷积神经网络；
获取样本图像集，其中，所述样本图像集中包括已标注目标样本图像和未标注目标样本图像；
利用所述样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型，其中，所述目标识别模型的损失函数包括一致性损失，对于所述样本图像集中的样本图像，将该样本图像中的目标划分为多区域，得到多区域样本图像，将所述多区域样本图像分别输入至所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络，提取扰动前多区域图像特征和扰动后多区域图像特征，计算所述扰动前多区域图像特征和所述扰动后多区域图像特征的特征相似度，所述特征相似度包括所述扰动前图像特征和所述扰动后图像特征的图像特征相似度和不同区域的区域特征相似度，基于所述特征相似度，计算所述一致性损失。
2.根据权利要求1所述的方法，其中，所述利用所述样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型，包括：
将所述样本图像集输入至所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络，计算分类损失和一致性损失，其中，所述分类损失是通过所述扰动前的深度卷积神经网络对所述已标注目标样本图像处理得到的，所述一致性损失是通过所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络对所述样本图像集处理得到的；
结合所述分类损失和所述一致性损失更新所述扰动前的卷积神经网络的参数，得到所述目标识别模型。
3.根据权利要求2所述的方法，其中，所述将所述样本图像集输入至扰动前的卷积神经网络和扰动后的卷积神经网络，得到分类损失和一致性损失，包括：
将所述已标注目标样本图像输入至所述扰动前的卷积神经网络，输出预测目标类别；
将所述预测目标类别和所述已标注目标样本图像的真实目标类别输入至分类损失函数，得到所述分类损失。
4.根据权利要求3所述的方法，其中，所述将所述样本图像集输入至扰动前的卷积神经网络和扰动后的卷积神经网络，得到分类损失和一致性损失，还包括：
对于所述样本图像集中的样本图像，将该样本图像分别输入至所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络，提取扰动前图像特征和扰动后图像特征；
基于所述扰动前图像特征和所述扰动后图像特征，计算所述一致性损失。
5.根据权利要求4所述的方法，其中，所述基于所述扰动前图像特征和所述扰动后图像特征，计算所述一致性损失，包括：
计算所述扰动前图像特征和所述扰动后图像特征的图像特征相似度；
基于所述图像特征相似度，计算所述一致性损失。
6.根据权利要求1-5之一所述的方法，其中，通过对所述扰动前的深度卷积神经网络的输出特征扰动或模型参数扰动，得到所述扰动后的深度卷积神经网络。
7.一种目标识别模型训练装置，包括：
构建模块，被配置成构建扰动前的深度卷积神经网络；
获取模块，被配置成获取样本图像集，其中，所述样本图像集中包括已标注目标样本图像和未标注目标样本图像；
训练模块，被配置成利用所述样本图像集对扰动前的深度卷积神经网络和扰动后的深度卷积神经网络进行半监督训练，得到目标识别模型，其中，所述目标识别模型的损失函数包括一致性损失，对于所述样本图像集中的样本图像，将该样本图像中的目标划分为多区域，得到多区域样本图像，将所述多区域样本图像分别输入至所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络，提取扰动前多区域图像特征和扰动后多区域图像特征，计算所述扰动前多区域图像特征和所述扰动后多区域图像特征的特征相似度，所述特征相似度包括所述扰动前图像特征和所述扰动后图像特征的图像特征相似度和不同区域的区域特征相似度，基于所述特征相似度，计算所述一致性损失。
8.根据权利要求7所述的装置，其中，所述训练模块包括：
计算子模块，被配置成将所述样本图像集输入至所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络，计算分类损失和一致性损失，其中，所述分类损失是通过所述扰动前的深度卷积神经网络对所述已标注目标样本图像处理得到的，所述一致性损失是通过所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络对所述样本图像集处理得到的；
更新子模块，被配置成结合所述分类损失和所述一致性损失更新所述扰动前的卷积神经网络的参数，得到所述目标识别模型。
9.根据权利要求8所述的装置，其中，所述计算子模块包括：
输出单元，被配置成将所述已标注目标样本图像输入至所述扰动前的卷积神经网络，输出预测目标类别；
第一计算单元，被配置成将所述预测目标类别和所述已标注目标样本图像的真实目标类别输入至分类损失函数，得到所述分类损失。
10.根据权利要求9所述的装置，其中，所述计算子模块还包括：
提取单元，被配置成对于所述样本图像集中的样本图像，将该样本图像分别输入至所述扰动前的深度卷积神经网络和所述扰动后的深度卷积神经网络，提取扰动前图像特征和扰动后图像特征；
第二计算单元，被配置成基于所述扰动前图像特征和所述扰动后图像特征，计算所述一致性损失。
11.根据权利要求10所述的装置，其中，所述第二计算单元进一步被配置成成：
计算所述扰动前图像特征和所述扰动后图像特征的图像特征相似度；
基于所述图像特征相似度，计算所述一致性损失。
12.根据权利要求7-11之一所述的装置，其中，通过对所述扰动前的深度卷积神经网络的输出特征扰动或模型参数扰动，得到所述扰动后的深度卷积神经网络。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
CN202010327806.7A 2020-04-23 2020-04-23 目标识别模型训练方法、装置、设备以及存储介质 Active CN111523597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010327806.7A CN111523597B (zh) 2020-04-23 2020-04-23 目标识别模型训练方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010327806.7A CN111523597B (zh) 2020-04-23 2020-04-23 目标识别模型训练方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN111523597A CN111523597A (zh) 2020-08-11
CN111523597B true CN111523597B (zh) 2023-08-25

Family

ID=71903453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010327806.7A Active CN111523597B (zh) 2020-04-23 2020-04-23 目标识别模型训练方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN111523597B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898613B (zh) * 2020-09-30 2020-12-25 支付宝(杭州)信息技术有限公司 半监督语义分割模型训练方法、识别方法和装置
CN112287870A (zh) * 2020-11-11 2021-01-29 合肥的卢深视科技有限公司 一种人脸识别方法、装置及电子设备
CN112508062A (zh) * 2020-11-20 2021-03-16 普联国际有限公司 一种开集数据的分类方法、装置、设备及存储介质
CN112418207B (zh) * 2020-11-23 2024-03-19 南京审计大学 一种基于自注意力蒸馏的弱监督文字检测方法
CN112508300B (zh) * 2020-12-21 2023-04-18 北京百度网讯科技有限公司 建立风险预测模型的方法、区域风险预测方法及对应装置
CN112580732B (zh) * 2020-12-25 2024-02-23 北京百度网讯科技有限公司 模型训练方法、装置、设备、存储介质和程序产品
CN112766323A (zh) * 2020-12-30 2021-05-07 清华大学 一种影像识别方法和装置
CN112784494B (zh) * 2021-01-27 2024-02-06 中国科学院苏州生物医学工程技术研究所 假阳性识别模型的训练方法、目标识别方法及装置
CN112907430B (zh) * 2021-02-20 2022-12-13 百度在线网络技术（北京）有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN113065512A (zh) * 2021-04-21 2021-07-02 深圳壹账通智能科技有限公司 人脸微表情识别方法、装置、设备及存储介质
WO2023275603A1 (en) * 2021-06-28 2023-01-05 Sensetime International Pte. Ltd. Methods, apparatuses, devices and storage media for training object detection network and for detecting object
CN113962737A (zh) * 2021-10-26 2022-01-21 北京沃东天骏信息技术有限公司 目标识别模型训练方法和装置、目标识别方法和装置
CN115482436B (zh) * 2022-09-21 2023-06-30 北京百度网讯科技有限公司 图像筛选模型的训练方法、装置以及图像筛选方法

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617623A (zh) * 2013-12-10 2014-03-05 江南大学 全表示半监督快速谱聚类的医学图像分割方法及系统
CN105528595A (zh) * 2016-02-01 2016-04-27 成都通甲优博科技有限责任公司 在无人机航拍图像中对输电线路绝缘子的识别定位方法
CN106547880A (zh) * 2016-10-26 2017-03-29 重庆邮电大学 一种融合地理区域知识的多维度地理场景识别方法
CN106611420A (zh) * 2016-12-30 2017-05-03 西安电子科技大学 基于反卷积网络和素描图方向约束的sar图像分割方法
CN108416370A (zh) * 2018-02-07 2018-08-17 深圳大学 基于半监督深度学习的图像分类方法、装置和存储介质
CN108564115A (zh) * 2018-03-30 2018-09-21 西安电子科技大学 基于全卷积gan的半监督极化sar地物分类方法
CN108615236A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种图像处理方法及电子设备
CN109034205A (zh) * 2018-06-29 2018-12-18 西安交通大学 基于直推式半监督深度学习的图像分类方法
CN109359558A (zh) * 2018-09-26 2019-02-19 腾讯科技（深圳）有限公司 图像标注方法、目标检测方法、装置及存储介质
CN109359725A (zh) * 2018-10-24 2019-02-19 北京周同科技有限公司 卷积神经网络模型的训练方法、装置、设备及计算机可读存储介质
CN109389180A (zh) * 2018-10-30 2019-02-26 国网四川省电力公司广元供电公司 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN109978850A (zh) * 2019-03-21 2019-07-05 华南理工大学 一种多模态医学影像半监督深度学习分割系统
CN110084131A (zh) * 2019-04-03 2019-08-02 华南理工大学 一种基于深度卷积网络的半监督行人检测方法
CN110110723A (zh) * 2019-05-07 2019-08-09 艾瑞迈迪科技石家庄有限公司 一种图像中目标区域自动提取的方法及装置
WO2019182974A2 (en) * 2018-03-21 2019-09-26 Nvidia Corporation Stereo depth estimation using deep neural networks
CN110288082A (zh) * 2019-06-05 2019-09-27 北京字节跳动网络技术有限公司 卷积神经网络模型训练方法、装置和计算机可读存储介质
CN110298415A (zh) * 2019-08-20 2019-10-01 视睿（杭州）信息科技有限公司 一种半监督学习的训练方法、系统和计算机可读存储介质
CN110472737A (zh) * 2019-08-15 2019-11-19 腾讯医疗健康(深圳)有限公司 神经网络模型的训练方法、装置和医学图像处理系统
CN110738263A (zh) * 2019-10-17 2020-01-31 腾讯科技（深圳）有限公司 一种图像识别模型训练的方法、图像识别的方法及装置
CN110914836A (zh) * 2017-05-09 2020-03-24 纽拉拉股份有限公司 在跨联网计算边缘连续运行应用程序的人工智能和深度学习中实现连续的存储器有界学习的系统和方法
CN111639710A (zh) * 2020-05-29 2020-09-08 北京百度网讯科技有限公司 图像识别模型训练方法、装置、设备以及存储介质
CN113392866A (zh) * 2020-11-19 2021-09-14 腾讯科技（深圳）有限公司 一种基于人工智能的图像处理方法、装置及存储介质

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617623A (zh) * 2013-12-10 2014-03-05 江南大学 全表示半监督快速谱聚类的医学图像分割方法及系统
CN105528595A (zh) * 2016-02-01 2016-04-27 成都通甲优博科技有限责任公司 在无人机航拍图像中对输电线路绝缘子的识别定位方法
CN106547880A (zh) * 2016-10-26 2017-03-29 重庆邮电大学 一种融合地理区域知识的多维度地理场景识别方法
CN106611420A (zh) * 2016-12-30 2017-05-03 西安电子科技大学 基于反卷积网络和素描图方向约束的sar图像分割方法
CN110914836A (zh) * 2017-05-09 2020-03-24 纽拉拉股份有限公司 在跨联网计算边缘连续运行应用程序的人工智能和深度学习中实现连续的存储器有界学习的系统和方法
CN108416370A (zh) * 2018-02-07 2018-08-17 深圳大学 基于半监督深度学习的图像分类方法、装置和存储介质
WO2019182974A2 (en) * 2018-03-21 2019-09-26 Nvidia Corporation Stereo depth estimation using deep neural networks
CN108564115A (zh) * 2018-03-30 2018-09-21 西安电子科技大学 基于全卷积gan的半监督极化sar地物分类方法
CN108615236A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种图像处理方法及电子设备
CN109034205A (zh) * 2018-06-29 2018-12-18 西安交通大学 基于直推式半监督深度学习的图像分类方法
CN109359558A (zh) * 2018-09-26 2019-02-19 腾讯科技（深圳）有限公司 图像标注方法、目标检测方法、装置及存储介质
CN109359725A (zh) * 2018-10-24 2019-02-19 北京周同科技有限公司 卷积神经网络模型的训练方法、装置、设备及计算机可读存储介质
CN109389180A (zh) * 2018-10-30 2019-02-26 国网四川省电力公司广元供电公司 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN109978850A (zh) * 2019-03-21 2019-07-05 华南理工大学 一种多模态医学影像半监督深度学习分割系统
CN110084131A (zh) * 2019-04-03 2019-08-02 华南理工大学 一种基于深度卷积网络的半监督行人检测方法
CN110110723A (zh) * 2019-05-07 2019-08-09 艾瑞迈迪科技石家庄有限公司 一种图像中目标区域自动提取的方法及装置
CN110288082A (zh) * 2019-06-05 2019-09-27 北京字节跳动网络技术有限公司 卷积神经网络模型训练方法、装置和计算机可读存储介质
CN110472737A (zh) * 2019-08-15 2019-11-19 腾讯医疗健康(深圳)有限公司 神经网络模型的训练方法、装置和医学图像处理系统
CN110298415A (zh) * 2019-08-20 2019-10-01 视睿（杭州）信息科技有限公司 一种半监督学习的训练方法、系统和计算机可读存储介质
CN110738263A (zh) * 2019-10-17 2020-01-31 腾讯科技（深圳）有限公司 一种图像识别模型训练的方法、图像识别的方法及装置
CN111639710A (zh) * 2020-05-29 2020-09-08 北京百度网讯科技有限公司 图像识别模型训练方法、装置、设备以及存储介质
CN113392866A (zh) * 2020-11-19 2021-09-14 腾讯科技（深圳）有限公司 一种基于人工智能的图像处理方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡月.基于Ⅱ模型的半监督极化SAR地物分类.《中国优秀硕士学位论文全文数据库》.2020,(第2期),I136-1915. *

Also Published As

Publication number Publication date
CN111523597A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN111523597B (zh) 目标识别模型训练方法、装置、设备以及存储介质
CN111523596B (zh) 目标识别模型训练方法、装置、设备以及存储介质
CN111626119B (zh) 目标识别模型训练方法、装置、设备以及存储介质
CN111639710B (zh) 图像识别模型训练方法、装置、设备以及存储介质
CN111582453B (zh) 生成神经网络模型的方法和装置
CN111783870B (zh) 人体属性的识别方法、装置、设备及存储介质
CN111931591B (zh) 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质
CN112001180A (zh) 多模态预训练模型获取方法、装置、电子设备及存储介质
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN111950254B (zh) 搜索样本的词特征提取方法、装置、设备以及存储介质
CN111582479B (zh) 神经网络模型的蒸馏方法和装置
CN111008280A (zh) 一种视频分类方法、装置、设备和存储介质
CN112149741B (zh) 图像识别模型的训练方法、装置、电子设备及存储介质
CN111311321A (zh) 用户消费行为预测模型训练方法、装置、设备及存储介质
CN111695519B (zh) 关键点定位方法、装置、设备以及存储介质
CN112001248B (zh) 主动交互的方法、装置、电子设备和可读存储介质
CN112001366A (zh) 模型训练方法、人脸识别方法、装置、设备和介质
CN111783760A (zh) 文字识别的方法、装置、电子设备及计算机可读存储介质
CN112001265B (zh) 视频事件识别方法、装置、电子设备及存储介质
CN111783606A (zh) 一种人脸识别网络的训练方法、装置、设备及存储介质
CN111523467B (zh) 人脸跟踪方法和装置
CN112580822A (zh) 机器学习模型的对抗训练方法装置、电子设备和介质
CN112508004A (zh) 一种文字识别方法、装置、电子设备及存储介质
CN113361344A (zh) 视频事件识别方法、装置、设备及存储介质
CN112101552A (zh) 用于训练模型的方法、装置、设备以及存储介质

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