CN112686205B - 一种参数更新方法及装置、多终端网络架构 - Google Patents
一种参数更新方法及装置、多终端网络架构 Download PDFInfo
- Publication number
- CN112686205B CN112686205B CN202110051508.4A CN202110051508A CN112686205B CN 112686205 B CN112686205 B CN 112686205B CN 202110051508 A CN202110051508 A CN 202110051508A CN 112686205 B CN112686205 B CN 112686205B
- Authority
- CN
- China
- Prior art keywords
- generator
- terminal
- parameters
- new parameters
- sample image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000012360 testing method Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种参数更新方法及装置、多终端网络架构,应用于图像识别领域,其中,多终端网络架构还包括多个终端,每一终端上均部署有第一生成器和第二生成器,服务器上部署有第一鉴别器和第二鉴别器。多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
Description
技术领域
本申请涉及图像识别领域,具体而言,涉及一种参数更新方法及装置、多终端网络架构。
背景技术
针对深度学习图像增强方法,可以采用生成对抗网络(Generative AdversatialNetworks,GAN)模型来实现,从而可以有效的生成近似训练集的图像。但是,生成对抗网络模型受训练集的限制,其提高识别准确率有限,因此需要不断更新训练模型。然而,在多终端识别的情景下,不断更新训练模型会导致更新效率较低。
发明内容
本申请实施例的目的在于提供一种参数更新方法及装置、多终端网络架构,用以解决在多终端识别的情景下,不断更新训练模型会导致更新效率较低的技术问题。
为了实现上述目的,本申请实施例所提供的技术方案如下所示:
第一方面,本申请实施例提供一种参数更新方法,应用于多终端网络架构中的服务器,其中所述多终端网络架构还包括多个终端,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述方法包括:接收所述终端发送的样本图像输入集以及样本图像输出集;利用所述第一鉴别器以及所述第二鉴别器判断所述样本图像输入集以及所述样本图像输出集中图像的真假;根据所述判断结果计算图像生成损失,并基于所述图像生成损失确定所述终端上的第一生成器的新参数以及第二生成器的新参数;向所述终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述终端对所述第一生成器以及所述第二生成器进行参数更新;基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新。在上述方案中,多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
在本申请的可选实施例中,所述基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新,包括:接收所述终端利用第一生成器的新参数以及所述第二生成器的新参数进行参数更新后对应的识别准确率,以及其他终端的识别准确率;获取识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;向除所述识别准确率最高的终端以外的终端发送所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数。在上述方案中,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
在本申请的可选实施例中,在所述基于所述第一生成器的新参数以及所述第二生成器的新参数对多终端网络架构的其他终端进行参数更新,包括:向所述其他终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述其他终端根据所述第一生成器的新参数以及所述第二生成器的新参数进行参数更新。在上述方案中,服务器可以基于一个终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新,从而可以提高在多终端识别的情景下更新模型的效率。
第二方面,本申请实施例提供另一种参数更新方法,应用于多终端网络架构的多个终端中的任意一个终端,所述多终端网络架构还包括服务器,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述方法包括:获取样本图像输入集;将所述样本图像输入集输入所述第一生成器以及所述第二生成器中,获得样本图像输出集;向所述服务器发送所述样本图像输入集以及所述样本图像输出集,以使所述服务器根据所述样本图像输入集以及所述样本图像输出集确定所述第一生成器的新参数以及所述第二生成器的新参数,并基于所述第一生成器的新参数以及所述第二生成器的新参数对其他终端上的第一生成器以及第二生成器进行参数更新;接收所述服务器根据所述样本图像输入集以及所述样本图像输出集确定的所述第一生成器的新参数以及所述第二生成器的新参数;根据所述第一生成器的新参数以及所述第二生成器的新参数更新所述第一生成器以及所述第二生成器,得到更新后的第一生成器以及更新后的第二生成器。在上述方案中,多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
在本申请的可选实施例中,在所述得到更新后的第一生成器以及更新后的第二生成器之后,所述方法还包括:获取第一类型的原始测试图像以及第二类型的第一目标测试图像;将所述原始测试图像输入所述更新后的第一生成器中,获得所述更新后的第一生成器生成的所述第二类型的第二目标测试图像;根据所述第一目标测试图像以及所述第二目标测试图像确定所述终端对应的识别准确率;向所述服务器发送所述识别准确率。在上述方案中,终端可以得到自身当前的识别准确率,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
在本申请的可选实施例中,在所述向所述服务器发送所述识别准确率之后,所述方法还包括:接收所述服务器发送的所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;根据所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数更新所述更新后的第一生成器以及所述更新后的第二生成器。在上述方案中,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
在本申请的可选实施例中,所述获取样本图像输入集,包括:获取所述第一类型的原始样本图像以及所述第二类型的目标样本图像;所述将所述样本图像输入集输入预先训练的第一生成器以及预先训练的第二生成器中,获得样本图像输出集,包括:将所述原始样本图像输入第一生成器中,获得所述第一生成器生成的所述第二类型的目标中间图像,以及将所述目标样本图像输入第二生成器中,获得所述第二生成器生成的所述第一类型的原始中间图像;将所述目标中间图像输入所述第二生成器中,获得所述第二生成器生成的所述第一类型的原始训练图像,以及将所述原始中间图像输入所述第一生成器中,获得所述第一生成器生成的所述第二类型的目标训练图像。在上述方案中,终端可以随时进行训练更新,以提高终端的识别准确率。
在本申请的可选实施例中,所述方法还包括:获取所述第一类型的原始图像;利用所述第一生成器,根据所述原始图像生成所述第二类型的目标图像。在上述方案中,终端可以利用预先训练的模型,将输入的原始图像转换为目标图像,以实现图像的转换。
在本申请的可选实施例中,所述利用所述第一生成器,根据所述原始图像生成所述第二类型的目标图像,包括:利用所述第一生成器中的卷积神经网络从所述原始图像中提取特征,得到与所述第一类型对应的第一特征向量;利用所述第一生成器将所述第一特征向量转换为与所述第二类型对应的第二特征向量;利用所述第一生成器中的反卷积层根据所述第二特征向量,生成所述目标图像。
第三方面,本申请实施例提供一种参数更新装置,应用于多终端网络架构中的服务器,其中所述多终端网络架构还包括多个终端,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述装置包括:第一接收模块,用于接收所述终端发送的样本图像输入集以及样本图像输出集;第一判断模块,用于利用所述第一鉴别器以及所述第二鉴别器判断所述样本图像输入集以及所述样本图像输出集中图像的真假;第一确定模块,用于根据所述判断结果计算图像生成损失,并基于所述图像生成损失确定所述终端上的第一生成器的新参数以及第二生成器的新参数;第一发送模块,用于向所述终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述终端对所述第一生成器以及所述第二生成器进行参数更新;第一更新模块,用于基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新。在上述方案中,多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
在本申请的可选实施例中,所述第一更新模块还用于:接收所述终端利用第一生成器的新参数以及所述第二生成器的新参数进行参数更新后对应的识别准确率,以及其他终端的识别准确率;获取识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;向除所述识别准确率最高的终端以外的终端发送所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数。在上述方案中,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
在本申请的可选实施例中,所述第一更新模块还用于:向所述其他终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述其他终端根据所述第一生成器的新参数以及所述第二生成器的新参数进行参数更新。在上述方案中,服务器可以基于一个终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新,从而可以提高在多终端识别的情景下更新模型的效率。
第四方面,本申请实施例提供另一种参数更新装置,应用于多终端网络架构的多个终端中的任意一个终端,所述多终端网络架构还包括服务器,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述装置包括:第一获取模块,用于获取样本图像输入集;第一输入模块,用于将所述样本图像输入集输入所述第一生成器以及所述第二生成器中,获得样本图像输出集;第二发送模块,用于向所述服务器发送所述样本图像输入集以及所述样本图像输出集,以使所述服务器根据所述样本图像输入集以及所述样本图像输出集确定所述第一生成器的新参数以及所述第二生成器的新参数,并基于所述第一生成器的新参数以及所述第二生成器的新参数对其他终端上的第一生成器以及第二生成器进行参数更新;第二接收模块,用于接收所述服务器根据所述样本图像输入集以及所述样本图像输出集确定的所述第一生成器的新参数以及所述第二生成器的新参数;第二更新模块,用于根据所述第一生成器的新参数以及所述第二生成器的新参数更新所述第一生成器以及所述第二生成器,得到更新后的第一生成器以及更新后的第二生成器。在上述方案中,多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
在本申请的可选实施例中,所述装置还包括:第二获取模块,用于获取第一类型的原始测试图像以及第二类型的第一目标测试图像;第二输入模块,用于将所述原始测试图像输入所述更新后的第一生成器中,获得所述更新后的第一生成器生成的所述第二类型的第二目标测试图像;确定模块,用于根据所述第一目标测试图像以及所述第二目标测试图像确定所述终端对应的识别准确率;第三发送模块,用于向所述服务器发送所述识别准确率。在上述方案中,终端可以得到自身当前的识别准确率,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
在本申请的可选实施例中,所述装置还包括:第三接收模块,用于接收所述服务器发送的所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;第三更新模块,用于根据所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数更新所述更新后的第一生成器以及所述更新后的第二生成器。在上述方案中,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
在本申请的可选实施例中,所述第一获取模块还用于:获取所述第一类型的原始样本图像以及所述第二类型的目标样本图像;所述将所述样本图像输入集输入预先训练的第一生成器以及预先训练的第二生成器中,获得样本图像输出集,包括:将所述原始样本图像输入第一生成器中,获得所述第一生成器生成的所述第二类型的目标中间图像,以及将所述目标样本图像输入第二生成器中,获得所述第二生成器生成的所述第一类型的原始中间图像;将所述目标中间图像输入所述第二生成器中,获得所述第二生成器生成的所述第一类型的原始训练图像,以及将所述原始中间图像输入所述第一生成器中,获得所述第一生成器生成的所述第二类型的目标训练图像。在上述方案中,终端可以随时进行训练更新,以提高终端的识别准确率。
在本申请的可选实施例中,所述装置还包括:第三获取模块,用于获取所述第一类型的原始图像;生成模块,用于利用所述第一生成器,根据所述原始图像生成所述第二类型的目标图像。在上述方案中,终端可以利用预先训练的模型,将输入的原始图像转换为目标图像,以实现图像的转换。
在本申请的可选实施例中,所述生成模块还用于:利用所述第一生成器中的卷积神经网络从所述原始图像中提取特征,得到与所述第一类型对应的第一特征向量;利用所述第一生成器将所述第一特征向量转换为与所述第二类型对应的第二特征向量;利用所述第一生成器中的反卷积层根据所述第二特征向量,生成所述目标图像。
第五方面,本申请实施例提供一种多终端网络架构,包括;一个服务器,用于执行如第一方面所述的参数更新方法;多个终端,与所述服务器通信连接,用于执行如第二方面所述的参数更新方法;每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器。
第六方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线;所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如第一方面中的参数更新方法或者如第二方面中的参数更新方法。
第七方面,本申请实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如第一方面中的参数更新方法或者如第二方面中的参数更新方法。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举本申请实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种多终端网络架构的结构框图;
图2为本申请实施例提供的一种参数更新方法的交互图;
图3为本申请实施例提供的另一种参数更新方法的交互图;
图4为本申请实施例提供的又一种参数更新方法的流程图;
图5为本申请实施例提供的一种参数更新装置的结构框图;
图6为本申请实施例提供的另一种参数更新装置的结构框图;
图7为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
人脸识别目前具备很广泛的应用场景,因此,如何提高人脸识别的精度是现在研究的重点,其中,人脸图像的质量对人脸识别过程中的特征提取极其重要。但是,在实际采集人脸图像的过程中,由于光照不足、相机像素不高、拍摄距离较远等问题,很可能导致采集的人脸图像质量较差的问题,从而影响人脸识别的准确率。在现有技术中,一般采用多种方式,达到去除噪声干扰、降低图像模糊、图像风格迁移等的目的,来提高采集的人脸图像的质量,以有效提高识别准确率。
目前,提高人脸图像质量的主要技术方法包括:空间域图像增强方法、变换域图像增强方法、深度学习图像增强方法等。针对深度学习图像增强方法,目前用于深度学习模型训练的训练集中的图像质量参差不齐,即图像并不是完全的清晰或者完全的模糊,经过这种训练集训练后的深度学习模型在进行人脸识别时,对输入图像的质量要求并不是看起来清晰即可,而是要求输入图像的特征分布越近似训练集越好,因此,会在去噪过程中会去除很多高频信息,而这些高频信息对于人脸识别极其重要。因此,在对深度学习模型预测的图像进行增强时,有效将图像的特征分布逼近训练集的特征分布是一种较好的图像增强方法。
目前的人脸图像增强方法主要包括:1、非局部平均算法:利用高斯噪声的分布特性,对图像的N个相似区域求平均,由于噪声的高斯特性,其噪声方差将降低到原来的1/N,以此达到图像去噪增强的目的;2、变换域图像增强方法:主要利用噪声图像转换到变换域后的独特性质,把有用的信号和噪声干扰信号区分开来,在变换域实现噪声和原始信号无重叠或者低重叠,然后抑制噪声信号,达到将噪声信号和原始图像分离的目的,最后再将信号从变换域转换到原始空间域,实现图像增强去噪的目的;3、深度学习图像增强方法:主要利用生成对抗网络进行图像增强,将输入图像生成为近似训练集的图像,达到提高图像质量的目的。
针对上述深度学习图像增强方法,可以采用生成对抗网络(GenerativeAdversatial Networks,GAN)模型来实现,从而可以有效的生成近似训练集的图像。但是,生成对抗网络模型受训练集的限制,其提高识别准确率有限,因此需要不断更新训练模型。然而,在多终端识别的情景下,不断更新训练模型会导致更新效率较低。
基于上述分析,本申请实施例提供了一种参数更新方法,可以提高在多终端识别的情景下更新模型的效率。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描述。
在介绍上述参数更新方法之前,首先对上述参数更新方法中应用到的循环生成对抗网络(Cycle Generative Adversatial Networks,Cycle GAN)模型进行简要介绍。
在一个Cycle GAN模型中,包括两个生成器(为了便于叙述,分别命名为第一生成器以及第二生成器)以及两个鉴别器(为了便于叙述,分别命名为第一鉴别器以及第二鉴别器)。其中,第一生成器用于将第一类型的图像转换为第二类型的图像,第二生成器用于将第二类型的图像转换为第一类型的图像,第一鉴别器用于区分第一类型的图像,第二鉴别器用于区分第二类型的图像。
可以理解的是,上述第一类型的图像以及第二类型的图像指两种不同类型的图像,例如:第一类型的图像为包括苹果的图像,第二类型的图像为包括橘子的图像,则该Cycle GAN模型在于将包括苹果的图像转换为包括橘子的图像,本申请实施例对此不作具体的限定,本领域技术人员可以根据实际情况进行合适的调整。
在对该Cycle GAN模型进行训练的过程中,可以分为以下两个部分:
第一部分,首先,Cycle GAN模型通过从原始域DA(原始域DA中包括第一类型的图像)获取输入图像,然后将输入图像传递到第一生成器,第一生成器将该原始域DA中的图像转换为目标域DB(目标域DB中包括第二类型的图像)中的图像。其次,将生成的目标域DB中的图像传递到第二生成器,第二生成器将该目标域DB中的图像转换回原始域DA中的图像。最后,第一鉴别器对最初获取的输入图像以及最后得到的原始域DA中的图像进行鉴别,判断其为真实图像还是生成的图像。
第二部分,首先,Cycle GAN模型通过从目标域DB获取输入图像,然后将输入图像传递到第二生成器,第二生成器将该目标域DB中的图像转换为原始域DA中的图像。其次,将生成的原始域DA中的图像传递到第一生成器,第一生成器将该原始域DA中的图像转换回目标域DB中的图像。最后,第二鉴别器对最初获取的输入图像以及最后得到的目标域DB中的图像进行鉴别,判断其为真实图像还是生成的图像。
然后,结合上述两个部分的判断结果计算损失函数,根据损失函数确定新的生成器参数以及鉴别器参数,从而可以实现对Cycle GAN模型中的生成器以及鉴别器的参数进行调整,以达到对Cycle GAN模型进行训练的目的。
作为一种实施方式,可以采用如下损失函数:
而在利用预先训练好的Cycle GAN模型进行图像识别的过程中,可以仅利用CycleGAN模型中的第一生成器,即将输入的图像传递到第一生成器,由第一生成器将输入的图像转换为目标图像。
接下来介绍一种多终端网络架构100,本申请实施例提供的参数更新方法应用在该多终端网络架构100中。
请参照图1,图1为本申请实施例提供的一种多终端网络架构的结构框图,该多终端网络架构100可以包括多个终端110和一个服务器120,每一终端110上均部署有第一生成器111和第二生成器112,服务器120上部署有第一鉴别器121和第二鉴别器122。
可以理解的是,图1示出的终端110数量以及第一生成器111和第二生成器112的数量仅为一个示例,本申请实施例对此并不做具体的限定,本领域技术人员可以根据实际情况进行合适的调整。
在现有的方案中,Cycle GAN模型中的第一生成器、第二生成器、第一鉴别器以及第二鉴别器通常部署在同一个设备上,这样,针对多终端的应用场景,每一个终端都需要对Cycle GAN模型进行不断的训练更新以提高识别的准确率,从而造成更新效率低下、占用资源较大的问题。
本申请的发明人基于此问题,提供了本申请实施例提供的多终端网络架构100,在该多终端网络架构中,第一生成器111和第二生成器112以及第一鉴别器121和第二鉴别器122分别部署在不同的设备上,即第一生成器111和第二生成器112部署在终端110上,第一鉴别器121和第二鉴别器122部署在服务器120上。这样,当一个终端110上对应的Cycle GAN模型需要进行训练时,可以与服务器120之间进行通信以完成训练,并且在训练完成后,可以通过服务器120同其他终端110共享训练后得到的第一生成器111以及第二生成器112的参数。因此,针对一个终端110进行训练后,便可以对其他终端110进行更新,从而既提高了更新的效率,又可以提高多终端的识别准确率。
基于上述多终端网络架构,下面对本申请实施例提供的参数更新方法进行详细的介绍。
由于本申请实施例提供的多终端网络架构中包括多个终端,且每个终端都与服务器通信连接,因此,一个终端在部署完成之后,可以有多种更新第一生成器的参数以及第二生成器的参数的方式,包括:
第一种,终端自身与服务器联合训练,并基于训练得到的参数对第一生成器以及第二生成器进行更新;
第二种,终端接收服务器发送的其他终端训练得到的参数,以对第一生成器以及第二生成器进行更新。
下面首先对第一种方式进行介绍。请参照图2,图2为本申请实施例提供的一种参数更新方法的交互图,该参数更新方法涉及模型的训练过程,可以包括如下步骤:
步骤S201:终端获取样本图像输入集。
步骤S202:终端将样本图像输入集输入第一生成器以及第二生成器中,获得样本图像输出集。
步骤S203:终端向服务器发送样本图像输入集以及样本图像输出集。
步骤S204:服务器接收终端发送的样本图像输入集以及样本图像输出集。
步骤S205:服务器利用第一鉴别器以及第二鉴别器判断样本图像输入集以及样本图像输出集中图像的真假。
步骤S206:服务器根据判断结果计算图像生成损失,并基于图像生成损失确定终端上的第一生成器的新参数以及第二生成器的新参数。
步骤S207:服务器向终端发送第一生成器的新参数以及第二生成器的新参数。
步骤S208:终端接收服务器根据样本图像输入集以及样本图像输出集确定的第一生成器的新参数以及第二生成器的新参数。
步骤S209:终端根据第一生成器的新参数以及第二生成器的新参数更新第一生成器以及第二生成器,得到更新后的第一生成器以及更新后的第二生成器。
在可选的实施方式中,终端首先可以获取用于训练的样本图像输入集,其中,终端获取样本图像输入集的方式有多种,例如:接收外部设备或者服务器发送的样本图像输入集、从本地读取得到样本图像输入集等,本申请实施例对此不作具体的限定。然后,终端可以将样本图像输入集输入第一生成器以及第二生成器中,获得样本图像输出集。
作为一种实施方式,样本图像输入集可以包括多张第一类型的原始样本图像以及多张第二类型的目标样本图像,即上述步骤S201可以包括如下步骤:
终端获取第一类型的原始样本图像以及第二类型的目标样本图像。
相应的,样本图像输出集可以包括第一类型的原始训练图像以及第二类型的目标训练图像,即上述步骤S202可以包括如下步骤:
第一步,终端将原始样本图像输入第一生成器中,获得第一生成器生成的第二类型的目标中间图像,以及将目标样本图像输入第二生成器中,获得第二生成器生成的第一类型的原始中间图像。
第二步,终端将目标中间图像输入第二生成器中,获得第二生成器生成的第一类型的原始训练图像,以及将原始中间图像输入第一生成器中,获得第一生成器生成的第二类型的目标训练图像。
其中,上述终端生成样本图像输出集的步骤的原理已经在上述实施例中进行了介绍,此处不再赘述。
然后,终端将样本图像输入集(包括原始样本图像以及目标样本图像)以及样本图像输出集(包括原始训练图像以及目标训练图像)发送给服务器,服务器首先利用第一鉴别器判断原始样本图像以及原始训练图像的真假,然后利用第二鉴别器判断目标样本图像以及目标训练图像的真假,最后,服务器根据判断结果计算图像生成损失,并基于图像生成损失确定终端上的第一生成器的新参数以及第二生成器的新参数。其中,上述服务器判断图像真假及根据损失确定新参数的步骤的原理同样已经在上述实施例中进行了介绍,此处不再赘述。
服务器在确定终端上的第一生成器的新参数以及第二生成器的新参数之后,便可以将第一生成器的新参数以及第二生成器的新参数发送给终端,终端可以根据第一生成器的新参数以及第二生成器的新参数更新第一生成器以及第二生成器,得到更新后的第一生成器以及更新后的第二生成器。此时,该终端完成了一次自身联合服务器训练并更新的过程。
该终端在完成了自身联合服务器训练并更新之后,服务器还可以基于第一生成器的新参数以及第二生成器的新参数对多终端网络架构的其他终端进行参数更新(与上述第二种更新方式对应)。
作为一种实施方式,该终端在完成了自身联合服务器训练并更新之后,服务器可以直接将该终端训练后得到的第一生成器的新参数以及第二生成器的新参数,即上述基于第一生成器的新参数以及第二生成器的新参数对多终端网络架构的其他终端进行参数更新的步骤可以包括如下步骤:
服务器向其他终端发送第一生成器的新参数以及第二生成器的新参数,以使其他终端根据第一生成器的新参数以及第二生成器的新参数进行参数更新。
在上述方案中,服务器可以基于一个终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新,从而可以提高在多终端识别的情景下更新模型的效率。
作为另一种实施方式,该终端在完成了自身联合服务器训练并更新之后,可以计算该终端对应的识别准确率,服务器根据多个终端的识别准确率向终端发送第一生成器的参数以及第二生成器的参数。
此时,请参照图3,图3为本申请实施例提供的另一种参数更新方法的交互图,上述基于第一生成器的新参数以及第二生成器的新参数对多终端网络架构的其他终端进行参数更新的步骤可以包括如下步骤:
步骤S301:终端获取第一类型的原始测试图像以及第二类型的第一目标测试图像。
步骤S302:终端将原始测试图像输入更新后的第一生成器中,获得更新后的第一生成器生成的第二类型的第二目标测试图像。
步骤S303:终端根据第一目标测试图像以及第二目标测试图像确定终端对应的识别准确率。
步骤S304:终端向服务器发送识别准确率。
步骤S305:服务器接收终端利用第一生成器的新参数以及第二生成器的新参数进行参数更新后对应的识别准确率,以及其他终端的识别准确率。
步骤S306:服务器获取识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数。
步骤S307:服务器向除识别准确率最高的终端以外的终端发送识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数。
步骤S308:终端接收服务器发送的识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数。
步骤S309:根据识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数更新更新后的第一生成器以及更新后的第二生成器。
在可选的实施方式中,首先,终端可以利用第一类型的原始测试图像以及第二类型的第一目标测试图像进行测试,得到该终端对应的额识别准确率。其中,测试的过程可以包括:终端将原始测试图像输入第一生成器中,获得第二目标测试图像,并根据第一目标测试图像以及第二目标测试图像得到识别准确率。
然后,终端可以向服务器发送识别准确率,服务器在接收到多个终端发送的识别准确率之后,可以比较多个识别准确率中哪一个终端对应的识别准确率最大,则可以利用该识别准确率最大的终端的第一生成器的参数以及第二生成器的参数对其他终端进行更新。也就是说,服务器可以获取识别准确率最大的终端的第一生成器的参数以及第二生成器的参数,并将参数发送给其他终端。
终端在接收到服务器发送的参数之后,便可以根据识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数更新更新后的第一生成器以及更新后的第二生成器。
在上述方案中,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
此外,在一个终端部署完成之后,便可以开始在该终端上利用部署的模型进行图像处理。请参照图4,图4为本申请实施例提供的又一种参数更新方法的流程图,该参数更新方法可以包括如下步骤:
步骤S401:终端获取第一类型的原始图像。
步骤S402:终端利用第一生成器,根据原始图像生成第二类型的目标图像。
在可选的实施方式中,上述步骤S402还可以包括如下步骤:
第一步,终端利用第一生成器中的卷积神经网络从原始图像中提取特征,得到与第一类型对应的第一特征向量。
第二步,终端利用第一生成器将第一特征向量转换为与第二类型对应的第二特征向量。
第三步,终端利用第一生成器中的反卷积层根据第二特征向量,生成目标图像。
在上述方案中,多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
请参照图5,图5为本申请实施例提供的一种参数更新装置的结构框图,该参数更新装置500应用于多终端网络架构中的服务器,其中所述多终端网络架构还包括多个终端,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述参数更新装置500包括:第一接收模块501,用于接收所述终端发送的样本图像输入集以及样本图像输出集;第一判断模块502,用于利用所述第一鉴别器以及所述第二鉴别器判断所述样本图像输入集以及所述样本图像输出集中图像的真假;第一确定模块503,用于根据所述判断结果计算图像生成损失,并基于所述图像生成损失确定所述终端上的第一生成器的新参数以及第二生成器的新参数;第一发送模块504,用于向所述终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述终端对所述第一生成器以及所述第二生成器进行参数更新;第一更新模块505,用于基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新。
在本申请实施例中,多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
进一步的,所述第一更新模块505还用于:接收所述终端利用第一生成器的新参数以及所述第二生成器的新参数进行参数更新后对应的识别准确率,以及其他终端的识别准确率;获取识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;向除所述识别准确率最高的终端以外的终端发送所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数。
在本申请实施例中,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
进一步的,所述第一更新模块505还用于:向所述其他终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述其他终端根据所述第一生成器的新参数以及所述第二生成器的新参数进行参数更新。
在本申请实施例中,服务器可以基于一个终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新,从而可以提高在多终端识别的情景下更新模型的效率。
第四方面,请参照图6,图6为本申请实施例提供的另一种参数更新装置的结构框图,该参数更新装置600应用于多终端网络架构的多个终端中的任意一个终端,所述多终端网络架构还包括服务器,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述参数更新装置600包括:第一获取模块601,用于获取样本图像输入集;第一输入模块602,用于将所述样本图像输入集输入所述第一生成器以及所述第二生成器中,获得样本图像输出集;第二发送模块603,用于向所述服务器发送所述样本图像输入集以及所述样本图像输出集,以使所述服务器根据所述样本图像输入集以及所述样本图像输出集确定所述第一生成器的新参数以及所述第二生成器的新参数,并基于所述第一生成器的新参数以及所述第二生成器的新参数对其他终端上的第一生成器以及第二生成器进行参数更新;第二接收模块604,用于接收所述服务器根据所述样本图像输入集以及所述样本图像输出集确定的所述第一生成器的新参数以及所述第二生成器的新参数;第二更新模块605,用于根据所述第一生成器的新参数以及所述第二生成器的新参数更新所述第一生成器以及所述第二生成器,得到更新后的第一生成器以及更新后的第二生成器。
在本申请实施例中,多终端网络架构中的一个终端与服务器联合训练得到第一生成器的新参数以及第二生成器的新参数之后,除了该终端可以基于新参数进行参数更新,服务器还可以基于该终端训练得到的新参数对多终端网络架构中的其他终端进行参数更新。由于只需要对一个终端更新便可以实现对其他终端的更新,因此,提高了在多终端识别的情景下更新模型的效率。
进一步的,所述参数更新装置600还包括:第二获取模块,用于获取第一类型的原始测试图像以及第二类型的第一目标测试图像;第二输入模块,用于将所述原始测试图像输入所述更新后的第一生成器中,获得所述更新后的第一生成器生成的所述第二类型的第二目标测试图像;确定模块,用于根据所述第一目标测试图像以及所述第二目标测试图像确定所述终端对应的识别准确率;第三发送模块,用于向所述服务器发送所述识别准确率。
在本申请实施例中,终端可以得到自身当前的识别准确率,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
进一步的,所述参数更新装置600还包括:第三接收模块,用于接收所述服务器发送的所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;第三更新模块,用于根据所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数更新所述更新后的第一生成器以及所述更新后的第二生成器。
在本申请实施例中,服务器可以基于多个终端中识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数,对多终端网络架构中的其他终端进行参数更新,从而既可以提高更新的效率,又可以提高更新后终端识别准确率。
进一步的,所述第一获取模块601还用于:获取所述第一类型的原始样本图像以及所述第二类型的目标样本图像;所述将所述样本图像输入集输入预先训练的第一生成器以及预先训练的第二生成器中,获得样本图像输出集,包括:将所述原始样本图像输入第一生成器中,获得所述第一生成器生成的所述第二类型的目标中间图像,以及将所述目标样本图像输入第二生成器中,获得所述第二生成器生成的所述第一类型的原始中间图像;将所述目标中间图像输入所述第二生成器中,获得所述第二生成器生成的所述第一类型的原始训练图像,以及将所述原始中间图像输入所述第一生成器中,获得所述第一生成器生成的所述第二类型的目标训练图像。
在本申请实施例中,终端可以随时进行训练更新,以提高终端的识别准确率。
进一步的,所述参数更新装置600还包括:第三获取模块,用于获取所述第一类型的原始图像;生成模块,用于利用所述第一生成器,根据所述原始图像生成所述第二类型的目标图像。
在本申请实施例中,终端可以利用预先训练的模型,将输入的原始图像转换为目标图像,以实现图像的转换。
进一步的,所述生成模块还用于:利用所述第一生成器中的卷积神经网络从所述原始图像中提取特征,得到与所述第一类型对应的第一特征向量;利用所述第一生成器将所述第一特征向量转换为与所述第二类型对应的第二特征向量;利用所述第一生成器中的反卷积层根据所述第二特征向量,生成所述目标图像。
请参照图7,图7为本申请实施例提供的一种电子设备的结构框图,该电子设备700包括:至少一个处理器701,至少一个通信接口702,至少一个存储器703和至少一个通信总线704。其中,通信总线704用于实现这些组件直接的连接通信,通信接口702用于与其他节点设备进行信令或数据的通信,存储器703存储有处理器701可执行的机器可读指令。当电子设备700运行时,处理器701与存储器703之间通过通信总线704通信,机器可读指令被处理器701调用时执行上述参数更新方法。
例如,本申请实施例的处理器701通过通信总线704从存储器703读取计算机程序并执行该计算机程序可以实现如下方法:接收所述终端发送的样本图像输入集以及样本图像输出集;利用所述第一鉴别器以及所述第二鉴别器判断所述样本图像输入集以及所述样本图像输出集中图像的真假;根据所述判断结果计算图像生成损失,并基于所述图像生成损失确定所述终端上的第一生成器的新参数以及第二生成器的新参数;向所述终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述终端对所述第一生成器以及所述第二生成器进行参数更新;基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新。
在一些示例中,处理器701还可以执行如下步骤:获取样本图像输入集;将所述样本图像输入集输入所述第一生成器以及所述第二生成器中,获得样本图像输出集;向所述服务器发送所述样本图像输入集以及所述样本图像输出集,以使所述服务器根据所述样本图像输入集以及所述样本图像输出集确定所述第一生成器的新参数以及所述第二生成器的新参数,并基于所述第一生成器的新参数以及所述第二生成器的新参数对其他终端上的第一生成器以及第二生成器进行参数更新;接收所述服务器根据所述样本图像输入集以及所述样本图像输出集确定的所述第一生成器的新参数以及所述第二生成器的新参数;根据所述第一生成器的新参数以及所述第二生成器的新参数更新所述第一生成器以及所述第二生成器,得到更新后的第一生成器以及更新后的第二生成器。
处理器701可以是一种集成电路芯片,具有信号处理能力。上述处理器701可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器703可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
可以理解,图7所示的结构仅为示意,电子设备700还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中,电子设备700可以是,但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备,还可以是虚拟机等虚拟设备。另外,电子设备700也不一定是单台设备,还可以是多台设备的组合,例如服务器集群,等等。于本申请实施例中,参数更新方法中的服务器及终端均可以采用图7示出的电子设备700实现。
本申请实施例还提供一种计算机程序产品,包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述实施例中参数更新方法的步骤,例如包括:步骤S201:终端获取样本图像输入集。步骤S202:终端将样本图像输入集输入第一生成器以及第二生成器中,获得样本图像输出集。步骤S203:终端向服务器发送样本图像输入集以及样本图像输出集。步骤S204:服务器接收终端发送的样本图像输入集以及样本图像输出集。步骤S205:服务器利用第一鉴别器以及第二鉴别器判断样本图像输入集以及样本图像输出集中图像的真假。步骤S206:服务器根据判断结果计算图像生成损失,并基于图像生成损失确定终端上的第一生成器的新参数以及第二生成器的新参数。步骤S207:服务器向终端发送第一生成器的新参数以及第二生成器的新参数。步骤S208:终端接收服务器根据样本图像输入集以及样本图像输出集确定的第一生成器的新参数以及第二生成器的新参数。步骤S209:终端根据第一生成器的新参数以及第二生成器的新参数更新第一生成器以及第二生成器,得到更新后的第一生成器以及更新后的第二生成器。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种参数更新方法,其特征在于,应用于多终端网络架构中的服务器,其中所述多终端网络架构还包括多个终端,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述方法包括:
接收所述终端发送的样本图像输入集以及样本图像输出集;
利用所述第一鉴别器以及所述第二鉴别器判断所述样本图像输入集以及所述样本图像输出集中图像的真假;
根据判断结果计算图像生成损失,并基于所述图像生成损失确定所述终端上的第一生成器的新参数以及第二生成器的新参数;
向所述终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述终端对所述第一生成器以及所述第二生成器进行参数更新;
基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新。
2.根据权利要求1所述的参数更新方法,其特征在于,所述基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新,包括:
接收所述终端利用第一生成器的新参数以及所述第二生成器的新参数进行参数更新后对应的识别准确率,以及其他终端的识别准确率;
获取识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;
向除所述识别准确率最高的终端以外的终端发送所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数。
3.根据权利要求1所述的参数更新方法,其特征在于,所述基于所述第一生成器的新参数以及所述第二生成器的新参数对多终端网络架构的其他终端进行参数更新,包括:
向所述其他终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述其他终端根据所述第一生成器的新参数以及所述第二生成器的新参数进行参数更新。
4.一种参数更新方法,其特征在于,应用于多终端网络架构的多个终端中的任意一个终端,所述多终端网络架构还包括服务器,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述方法包括:
获取样本图像输入集;
将所述样本图像输入集输入所述第一生成器以及所述第二生成器中,获得样本图像输出集;
向所述服务器发送所述样本图像输入集以及所述样本图像输出集,以使所述服务器根据所述样本图像输入集以及所述样本图像输出集确定所述第一生成器的新参数以及所述第二生成器的新参数,并基于所述第一生成器的新参数以及所述第二生成器的新参数对其他终端上的第一生成器以及第二生成器进行参数更新;
接收所述服务器根据所述样本图像输入集以及所述样本图像输出集确定的所述第一生成器的新参数以及所述第二生成器的新参数;
根据所述第一生成器的新参数以及所述第二生成器的新参数更新所述第一生成器以及所述第二生成器,得到更新后的第一生成器以及更新后的第二生成器。
5.根据权利要求4所述的参数更新方法,其特征在于,在所述得到更新后的第一生成器以及更新后的第二生成器之后,所述方法还包括:
获取第一类型的原始测试图像以及第二类型的第一目标测试图像;
将所述原始测试图像输入所述更新后的第一生成器中,获得所述更新后的第一生成器生成的所述第二类型的第二目标测试图像;
根据所述第一目标测试图像以及所述第二目标测试图像确定所述终端对应的识别准确率;
向所述服务器发送所述识别准确率。
6.根据权利要求5所述的参数更新方法,其特征在于,在所述向所述服务器发送所述识别准确率之后,所述方法还包括:
接收所述服务器发送的所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数;
根据所述识别准确率最高的终端对应的第一生成器的参数以及第二生成器的参数更新所述更新后的第一生成器以及所述更新后的第二生成器。
7.根据权利要求4所述的参数更新方法,其特征在于,所述获取样本图像输入集,包括:
获取第一类型的原始样本图像以及第二类型的目标样本图像;
所述将所述样本图像输入集输入预先训练的第一生成器以及预先训练的第二生成器中,获得样本图像输出集,包括:
将所述原始样本图像输入第一生成器中,获得所述第一生成器生成的所述第二类型的目标中间图像,以及将所述目标样本图像输入第二生成器中,获得所述第二生成器生成的所述第一类型的原始中间图像;
将所述目标中间图像输入所述第二生成器中,获得所述第二生成器生成的所述第一类型的原始训练图像,以及将所述原始中间图像输入所述第一生成器中,获得所述第一生成器生成的所述第二类型的目标训练图像。
8.根据权利要求4所述的参数更新方法,其特征在于,所述方法还包括:
获取第一类型的原始图像;
利用所述第一生成器,根据所述原始图像生成第二类型的目标图像。
9.根据权利要求8所述的参数更新方法,其特征在于,所述利用所述第一生成器,根据所述原始图像生成所述第二类型的目标图像,包括:
利用所述第一生成器中的卷积神经网络从所述原始图像中提取特征,得到与所述第一类型对应的第一特征向量;
利用所述第一生成器将所述第一特征向量转换为与所述第二类型对应的第二特征向量;
利用所述第一生成器中的反卷积层根据所述第二特征向量,生成所述目标图像。
10.一种参数更新装置,其特征在于,应用于多终端网络架构中的服务器,其中所述多终端网络架构还包括多个终端,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述装置包括:
第一接收模块,用于接收所述终端发送的样本图像输入集以及样本图像输出集;
第一判断模块,用于利用所述第一鉴别器以及所述第二鉴别器判断所述样本图像输入集以及所述样本图像输出集中图像的真假;
第一确定模块,用于根据判断结果计算图像生成损失,并基于所述图像生成损失确定所述终端上的第一生成器的新参数以及第二生成器的新参数;
第一发送模块,用于向所述终端发送所述第一生成器的新参数以及所述第二生成器的新参数,以使所述终端对所述第一生成器以及所述第二生成器进行参数更新;
第一更新模块,用于基于所述第一生成器的新参数以及所述第二生成器的新参数对所述多终端网络架构的其他终端进行参数更新。
11.一种参数更新装置,其特征在于,应用于多终端网络架构的多个终端中的任意一个终端,所述多终端网络架构还包括服务器,每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器,所述装置包括:
第一获取模块,用于获取样本图像输入集;
第一输入模块,用于将所述样本图像输入集输入所述第一生成器以及所述第二生成器中,获得样本图像输出集;
第二发送模块,用于向所述服务器发送所述样本图像输入集以及所述样本图像输出集,以使所述服务器根据所述样本图像输入集以及所述样本图像输出集确定所述第一生成器的新参数以及所述第二生成器的新参数,并基于所述第一生成器的新参数以及所述第二生成器的新参数对其他终端上的第一生成器以及第二生成器进行参数更新;
第二接收模块,用于接收所述服务器根据所述样本图像输入集以及所述样本图像输出集确定的所述第一生成器的新参数以及所述第二生成器的新参数;
第二更新模块,用于根据所述第一生成器的新参数以及所述第二生成器的新参数更新所述第一生成器以及所述第二生成器,得到更新后的第一生成器以及更新后的第二生成器。
12.一种多终端网络系统,其特征在于,包括;
一个服务器,用于执行如权利要求1-3任一项所述的参数更新方法;
多个终端,与所述服务器通信连接,用于执行如权利要求4-9任一项所述的参数更新方法;
每一终端上均部署有第一生成器和第二生成器,所述服务器上部署有第一鉴别器和第二鉴别器。
13.一种电子设备,其特征在于,包括:处理器、存储器和总线;
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-3任一项所述的参数更新方法或者如权利要求4-9任一项所述的参数更新方法。
14.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被计算机运行时,使所述计算机执行如权利要求1-3任一项所述的参数更新方法或者如权利要求4-9任一项所述的参数更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110051508.4A CN112686205B (zh) | 2021-01-14 | 2021-01-14 | 一种参数更新方法及装置、多终端网络架构 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110051508.4A CN112686205B (zh) | 2021-01-14 | 2021-01-14 | 一种参数更新方法及装置、多终端网络架构 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686205A CN112686205A (zh) | 2021-04-20 |
CN112686205B true CN112686205B (zh) | 2023-10-13 |
Family
ID=75458013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110051508.4A Active CN112686205B (zh) | 2021-01-14 | 2021-01-14 | 一种参数更新方法及装置、多终端网络架构 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686205B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240087B (zh) * | 2021-05-14 | 2023-10-17 | 平安科技(深圳)有限公司 | 图像生成模型构建方法、装置、介质及设备 |
WO2022268027A1 (zh) * | 2021-06-21 | 2022-12-29 | 华为技术有限公司 | 一种gan的训练方法、机器学习系统及通信装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197229A (zh) * | 2019-05-31 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 图像处理模型的训练方法、装置及存储介质 |
CN110460600A (zh) * | 2019-08-13 | 2019-11-15 | 南京理工大学 | 可抵御生成对抗网络攻击的联合深度学习方法 |
CN110796619A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种图像处理模型训练方法、装置、电子设备及存储介质 |
CN110942154A (zh) * | 2019-11-22 | 2020-03-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的数据处理方法、装置、设备及存储介质 |
CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
CN111597946A (zh) * | 2020-05-11 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像生成器的处理方法、图像生成方法及装置 |
CN111814591A (zh) * | 2020-03-31 | 2020-10-23 | 同济大学 | 基于生成式对抗网络模型和ios平台的植物叶片识别系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10798386B2 (en) * | 2019-01-25 | 2020-10-06 | At&T Intellectual Property I, L.P. | Video compression with generative models |
-
2021
- 2021-01-14 CN CN202110051508.4A patent/CN112686205B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197229A (zh) * | 2019-05-31 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 图像处理模型的训练方法、装置及存储介质 |
CN110460600A (zh) * | 2019-08-13 | 2019-11-15 | 南京理工大学 | 可抵御生成对抗网络攻击的联合深度学习方法 |
CN110796619A (zh) * | 2019-10-28 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种图像处理模型训练方法、装置、电子设备及存储介质 |
CN110942154A (zh) * | 2019-11-22 | 2020-03-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的数据处理方法、装置、设备及存储介质 |
CN111814591A (zh) * | 2020-03-31 | 2020-10-23 | 同济大学 | 基于生成式对抗网络模型和ios平台的植物叶片识别系统 |
CN111597946A (zh) * | 2020-05-11 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 图像生成器的处理方法、图像生成方法及装置 |
CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
Non-Patent Citations (2)
Title |
---|
A Distributed Training Algorithm of Generative Adversarial Networks with Quantized Gradients;Xiaojun Chen 等;《arXiv》;1-20 * |
协作式生成对抗网络;张龙 等;《自动化学报》;第44卷(第5期);804-810 * |
Also Published As
Publication number | Publication date |
---|---|
CN112686205A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112686205B (zh) | 一种参数更新方法及装置、多终端网络架构 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN109583299A (zh) | 电子装置、证件识别方法及存储介质 | |
CN111681256A (zh) | 图像边缘检测方法、装置、计算机设备和可读存储介质 | |
CN118195925B (zh) | 图像融合方法、设备及存储介质 | |
CN117076997A (zh) | 一种用户窃电检测方法及系统 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN116821777B (zh) | 一种新型基础测绘数据整合方法及系统 | |
CN110162959A (zh) | 基于设备指纹的数据处理方法及装置 | |
CN111814811B (zh) | 图像信息提取方法、训练方法及装置、介质和电子设备 | |
CN111597944A (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
CN112819859B (zh) | 一种应用于智慧安防的多目标跟踪方法及装置 | |
CN113361455B (zh) | 人脸鉴伪模型的训练方法、相关装置及计算机程序产品 | |
CN112598074B (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
KR20070059607A (ko) | 누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법 및그 장치 | |
CN113362243B (zh) | 模型训练方法、图像处理方法及装置、介质和电子设备 | |
CN116167926A (zh) | 一种模型训练方法及对比度调整方法 | |
CN115409863A (zh) | 工件焊缝提取方法、装置、计算机可读介质及电子设备 | |
CN115375886A (zh) | 一种基于云计算服务的数据采集方法及系统 | |
CN114973293A (zh) | 相似性判断方法、关键帧提取方法及装置、介质和设备 | |
CN111340092A (zh) | 一种目标关联处理方法及装置 | |
CN111079551A (zh) | 基于奇异值分解的手指静脉识别方法、装置和存储介质 | |
CN108734693A (zh) | 用于生成信息的方法和装置 | |
CN118015312B (zh) | 图像处理方法、装置和设备 | |
CN117152567B (zh) | 特征提取网络的训练方法、分类方法、装置及电子设备 |
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 |