CN112906857B - 一种网络训练方法及装置、电子设备和存储介质 - Google Patents

一种网络训练方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112906857B
CN112906857B CN202110080289.2A CN202110080289A CN112906857B CN 112906857 B CN112906857 B CN 112906857B CN 202110080289 A CN202110080289 A CN 202110080289A CN 112906857 B CN112906857 B CN 112906857B
Authority
CN
China
Prior art keywords
network
server
network parameter
prediction
parameter
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
CN202110080289.2A
Other languages
English (en)
Other versions
CN112906857A (zh
Inventor
庄伟铭
张学森
张帅
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.)
Sensetime International Pte Ltd
Original Assignee
Sensetime International Pte 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 Sensetime International Pte Ltd filed Critical Sensetime International Pte Ltd
Priority to CN202110080289.2A priority Critical patent/CN112906857B/zh
Publication of CN112906857A publication Critical patent/CN112906857A/zh
Application granted granted Critical
Publication of CN112906857B publication Critical patent/CN112906857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本公开涉及一种网络训练方法及装置、电子设备和存储介质，第一服务器中包括第一预测网络和不带标签的第一图像数据集，接收第二服务器发送的第一网络参数，第一网络参数是第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的；将第一网络参数作为第一预测网络的网络参数，以及利用第一预测网络确定第一图像数据集的伪标签；根据第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到第一预测网络对应的第二网络参数；根据第三网络参数、第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到训练后的第一预测网络，第三网络参数是第三服务器根据第一网络参数和第二网络参数确定得到的。

Description

一种网络训练方法及装置、电子设备和存储介质
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、电子设备和存储介质。
背景技术
人脸识别是一种基于人的脸部特征进行身份识别的技术，目前已经广泛应用到了多个领域和行业，例如，智能视频监控、手机屏幕解锁、人脸安检等。实际应用中，在一个地区训练得到人脸识别模型之后，如果将该人脸模型直接应用到另一个地区时，会面临严重的精度下降问，例如，在第一地区使用浅肤色人脸数据训练的人脸识别模型，应用在第二地区偏深肤色人脸识别上时，识别精度将会下降很多。
发明内容
本公开提出了一种网络训练方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种网络训练方法，所述方法应用于第一服务器，所述第一服务器中包括第一预测网络和不带标签的第一图像数据集，所述方法包括：接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的；将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络，确定所述第一图像数据集的伪标签；根据所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到所述第一预测网络对应的第二网络参数；根据第三网络参数、所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到训练后的第一预测网络，所述第三网络参数是第三服务器根据所述第一网络参数和所述第二网络参数确定得到的。
在一种可能的实现方式中，所述第一图像数据集中包括多个目标图像；所述将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络，确定所述第一图像数据集的伪标签，包括：将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络对所述多个目标图像进行特征提取，得到所述多个目标图像的特征；对所述多个目标图像的特征进行聚类，得到所述多个目标图像中各目标图像的伪标签。
在一种可能的实现方式中，所述对所述多个目标图像的特征进行聚类，得到所述多个目标图像中各目标图像的伪标签，包括：针对所述多个目标图像中的第i个目标图像，基于FINCH聚类算法，确定所述第i个目标图像的特征对应的最近邻特征；在所述第i个目标图像的特征和所述最近邻特征之间的距离小于预设阈值的情况下，为所述第i个目标图像和所述最近邻特征对应的目标图像确定相同的伪标签。
在一种可能的实现方式中，所述方法还包括：向所述第三服务器发送所述第二网络参数；接收所述第三服务器返回的所述第三网络参数，所述第三网络参数是所述第三服务器根据所述第一网络参数和所述第二网络参数对第三预测网络进行更新之后得到的。
根据本公开的一方面，提供了一种网络训练方法，所述方法应用于第二服务器，所述第二服务器中包括第二预测网络和带标签的第二图像数据集，所述方法包括：根据所述第二图像数据集对所述第二预测网络进行训练，得到所述第二预测网络对应的第一网络参数；分别向第一服务器和第三服务器发送所述第一网络参数；接收所述第三服务器返回的第三网络参数，所述第三网络参数是所述第三服务器根据所述第一网络参数和第二网络参数对第三预测网络进行更新之后得到的，所述第二网络参数是所述第一服务器根据所述第一网络参数和不带标签的第一图像数据集对第一预测网络进行训练之后得到的；根据所述第三网络参数和所述第二图像数据集，对所述第二预测网络进行训练，得到训练后的第二预测网络。
在一种可能的实现方式中，所述根据所述第三网络参数和所述第二图像数据集，对所述第二预测网络进行训练，得到训练后的第二预测网络，包括：将所述第三网络参数作为所述第二预测网络的网络参数，以及根据所述第二预测网络对所述第二图像数据集进行预测，得到预测结果；根据所述预测结果、所述第二图像数据集中的标签、所述第三网络参数，以及预设训练约束参数，构建损失函数；根据所述损失函数，对所述第二预测网络进行训练，得到所述训练后的第二预测网络。
根据本公开的一方面，提供了一种网络训练方法，所述方法应用于第三服务器，所述第三服务器中包括第三预测网络，所述方法包括：接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行初始化训练之后得到的；接收第一服务器发送的第二网络参数，所述第二网络参数是所述第一服务器根据不带标签的第一图像数据集和所述第一图像数据集的伪标签对第一预测网络进行训练之后得到的，所述第一图像数据集的伪标签是所述第一预测网络根据所述第一网络参数和所述第一图像数据集确定得到的；根据所述第一网络参数和所述第二网络参数，对所述第三预测网络进行更新，得到更新后的第三预测网络，所述更新后的第三预测网络对应第三网络参数。
在一种可能的实现方式中，所述根据所述第一网络参数和所述第二网络参数，对所述第三预测网络进行更新，得到更新后的第三预测网络，包括：对所述第一网络参数和所述第二网络参数进行平均化处理，得到平均网络参数；根据所述平均网络参数，对所述第三预测网络进行更新，得到所述更新后的第三预测网络。
在一种可能的实现方式中，所述方法还包括：分别向所述第一服务器和所述第二服务器发送所述第三网络参数。
根据本公开的一方面，提供了一种网络训练装置，所述装置应用于第一服务器，所述第一服务器中包括第一预测网络和不带标签的第一图像数据集，所述装置包括：接收模块，用于接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的；伪标签确定模块，用于将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络，确定所述第一图像数据集的伪标签；第一训练模块，用于根据所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到所述第一预测网络对应的第二网络参数；第二训练模块，用于根据第三网络参数、所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到训练后的第一预测网络，所述第三网络参数是第三服务器根据所述第一网络参数和所述第二网络参数确定得到的。
根据本公开的一方面，提供了一种网络训练装置，所述装置应用于第二服务器，所述第二服务器中包括第二预测网络和带标签的第二图像数据集，所述装置包括：第一训练模块，用于根据所述第二图像数据集对所述第二预测网络进行训练，得到所述第二预测网络对应的第一网络参数；发送模块，用于分别向第一服务器和第三服务器发送所述第一网络参数；接收模块，用于接收所述第三服务器返回的第三网络参数，所述第三网络参数是所述第三服务器根据所述第一网络参数和第二网络参数对第三预测网络进行更新之后得到的，所述第二网络参数是所述第一服务器根据所述第一网络参数和不带标签的第一图像数据集对第一预测网络进行训练之后得到的；第二训练模块，用于根据所述第三网络参数和所述第二图像数据集，对所述第二预测网络进行训练，得到训练后的第二预测网络。
根据本公开的一方面，提供了一种网络训练装置，所述装置应用于第三服务器，所述第三服务器中包括第三预测网络，所述装置包括：接收模块，用于接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行初始化训练之后得到的；所述接收模块，还用于接收第一服务器发送的第二网络参数，所述第二网络参数是所述第一服务器根据不带标签的第一图像数据集和所述第一图像数据集的伪标签对第一预测网络进行训练之后得到的，所述第一图像数据集的伪标签是所述第一预测网络根据所述第一网络参数和所述第一图像数据集确定得到的；更新模块，用于根据所述第一网络参数和所述第二网络参数，对所述第三预测网络进行更新，得到更新后的第三预测网络，所述更新后的第三预测网络对应第三网络参数。
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，第一服务器接收第二服务器发送的第一网络参数，第一网络参数是第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的；将第一网络参数作为第一服务器中包括的第一预测网络的网络参数，以及利用第一预测网络确定第一服务器中包括的不带标签的第一图像数据集的伪标签；根据第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到第一预测网络对应的第二网络参数；根据第三网络参数、第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到训练后的第一预测网络，第三网络参数是第三服务器根据第一网络参数和第二网络参数确定得到的。通过利用源域中带标签的第二图像数据集在第二服务器中训练得到的源域中的第一网络参数，确定目标域中不带标签的第二图像数据集的伪标签，以实现在第一服务器中对目标域中不带标签的第一图像数据集的训练，得到目标域中的第二网络参数，联合源域中的第一网络参数和目标域中的第二网络参数，在第一服务器中对目标域中的第一预测网络进行训练，以实现在源域和目标域之间数据不共享的情况下，将源域中的知识传递到目标域，从而使得训练后的第一预测网络在目标域中具有较高的预测精度。
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一种网络训练的结构图；
图2示出根据本公开实施例的一种网络训练方法的流程图；
图3示出根据本公开实施例的一种网络训练方法的流程图；
图4示出根据本公开实施例的一种网络训练方法的流程图；
图5示出根据本公开实施例的一种网络训练的结构图；
图6示出根据本公开实施例的一种网络训练装置的框图；
图7示出根据本公开实施例的一种网络训练装置的框图；
图8示出根据本公开实施例的一种网络训练装置的框图；
图9示出根据本公开实施例的一种电子设备的框图；
图10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。
人脸识别是一种人的脸部特征进行身份识别的技术，目前已经广泛应用到了多个领域和行业，例如，智能视频监控、手机屏幕解锁、人脸安检等。实际应用中，在一个地区训练得到人脸识别网络之后，如果将该人脸识别网络直接应用到另一个地区时，会面临严重的精度下降问，例如，在第一地区使用浅肤色人脸数据训练的人脸识别网络，应用在第二地区偏深肤色人脸识别上时，识别精度将会下降很多。这个问题可以称为领域转移问题，其中，原始训练人脸识别网络的地区称为源域，要将人脸识别网络应用到的地区称为目标域。由于涉及到数据隐私保护的问题，不同领域之间的数据可能无法共享，使得无法源域无法对目标域中的数据进行跨区域采集及标注，即无法利用目标域中的数据进行单独的网络训练。本公开实施例提供的网络训练方法，可以用于解决将源域中训练得到的预测网络应用到目标域时产生的领域转移问题。其中，预测网络可以是应用于人脸识别场景的人脸识别网络，也可以是应用于其它场景的预测网络，本公开对此不做具体限定。
图1示出根据本公开实施例的一种网络训练系统的示意图。如图1所示，该网络训练系统中包括第一服务器11、第二服务器12和第三服务器13。第一服务器11中包括第一预测网络和目标域中不带标签的第一图像数据集，第二服务器12中包括第二预测网络和源域中带标签的第二图像数据集，第三服务器13中包括第三预测网络。其中，第一预测网络、第二预测网络和第三预测网络可以为网络结构相同的神经网络，例如，均为人脸识别网络。
在图1所示的网络训练系统中，第二服务器12利用源域中带标签的第二图像数据集对第二预测网络进行训练，得到第二预测网络对应的第一网络参数。第二服务器12将第一网络参数分别发送至第一服务器11和第三服务器13。
第一服务器11将第一网络参数作为第一预测网络的网络参数，并利用第一预测网络，确定目标域中不带标签的第一图像数据集的伪标签，使得第一服务器11可以利用第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到第一预测网络对应的第二网络参数。第一服务器11将第二网络参数发送至第三服务器13。
第三服务器13联合第一服务器11中得到的第二网络参数以及第二服务器12中得到的第一网络参数，对第三预测网络进行更新，得到第三网络参数。第三服务器13将第三网络参数分别发送至第一服务器11和第二服务器12。
第二服务器12根据第三网络参数和源域中带标签的第二图像数据集对第二预测网络进行训练，得到训练后的第二预测网络对应的更新后的第一网络参数，并将更新后的第一网络参数发送至第三服务器13。
第一服务器11根据第三网络参数、目标域中不带标签的第一图像数据集，以及第一图像数据集的伪标签，对第一预测网络进行训练，得到训练后的第一预测网络对应的更新后的第二网络参数，并将更新后的第二网络参数发送至第三服务器13.
第三服务器13再次联合第一服务器11中得到的更新后的第二网络参数以及第二服务器12中得到的更新后的第一网络参数，对第三预测网络进行更新，得到更新后的第三网络参数。
通过第三服务器13联合第一服务器11和第二服务器12迭代执行上述网络训练过程，使得在源域和目标域之间数据不共享的情况下，可以将源域的知识传递到目标域，从而使得第二服务器中得到的训练后的第一预测网络在目标域中具有较高的预测精度。
下面以人脸识别场景为例对本公开实施例的网络训练方法进行详细说明。
图2示出根据本公开实施例的一种网络训练方法的流程图。该网络训练方法可以应用于第一服务器，第一服务器中包括第一预测网络和不带标签的第一图像数据集。在一些可能的实现方式中，该网络训练方法可以通过第一服务器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该网络训练方法可以包括：
在步骤S21中，接收第二服务器发送的第一网络参数，第一网络参数是第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的。
在步骤S22中，将第一网络参数作为第一预测网络的网络参数，以及利用第一预测网络，确定第一图像数据集的伪标签。
在步骤S23中，根据第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到第一预测网络对应的第二网络参数。
在步骤S24中，根据第三网络参数、第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到训练后的第一预测网络，第三网络参数是第三服务器根据第一网络参数和第二网络参数确定得到的。
通过利用源域中带标签的第二图像数据集在第二服务器中训练得到的源域中的第一网络参数，确定目标域中不带标签的第二图像数据集的伪标签，以实现在第一服务器中对目标域中不带标签的第一图像数据集的训练，得到目标域中的第二网络参数，联合源域中的第一网络参数和目标域中的第二网络参数，在第一服务器中对目标域中的第一预测网络进行训练，以实现在源域和目标域之间数据不共享的情况下，将源域中的知识传递到目标域，从而使得训练后的第一预测网络在目标域中具有较高的预测精度。
在一种可能的实现方式中，目标域中包括一个第一服务器，第一服务器与至少一个图像采集设备连接，不同图像采集设备用于对目标域中不同地理区域范围进行图像采集，第一服务器中包括的不带标签的第一图像数据集，是第一服务器从至少一个图像采集设备中获取得到的。
通过为目标域中不同地理区域范围的至少一个图像采集设备设置一个第一服务器，使得可以利用至少一个图像采集设备采集得到的图像，构建目标域中不带标签的第一图像数据集，为后续在第一服务器中对应用于目标域中的第一预测网络进行网络训练提供了数据基础。
在目标域中不同地理区域范围内设置有不同图像采集设备(例如，智能摄像头)的情况下，在目标域中设置一个第一服务器。此时，各图像采集设备无需具备存储能力和算力，第一服务器与各图像采集设备连接，进而从各图像采集设备中获取图像以构建不带标签的第一图像数据集。第一服务器根据第一图像数据集执行上述图2所示的网络训练方法，得到在目标域中具有较高的预测精度的第一预测网络。
在一种可能的实现方式中，目标域中包括多个第一服务器，第一服务器为目标域中的图像采集设备，第一服务器中包括的不带标签的第一图像数据集，是根据作为该第一服务器的图像采集设备采集得到的。
通过将目标域中的图像采集设备设置为一个单独的第一服务器，使得在减少数据传输带来的隐私泄露的情况下，可以利用一个图像采集设备采集得到的图像，构建目标域中该图像采集设备对应的不带标签的第一图像数据集，为后续对应用于目标域中该图像采集设备所在的地理区域范围内的第一预测网络进行网络训练提供数据了基础。
在目标域中不同地理区域范围内设置有不同图像采集设备的情况下，如果将不同图像采集设备采集得到图像上传至同一服务器，可能会造成数据隐私泄露的问题。因此，将一个图像采集设备作为一个单独的第一服务器，根据该图像采集设备采集得到的图像，构建该第一服务器中不带标签的第一图像数据集。此时，各图像采集设备无需将数据上传至其它服务器，可以单独执行上述图2所示的网络训练方法，得到在目标域中该图像采集设备对应的地理区域范围内具有较高的预测精度的第一预测网络。对于单独执行上述图2所示的网络训练方法的图像采集设备，需要具有一定的算力、存储能力和通信能力。
在一种可能的实现方式中，第一图像数据集中包括多个目标图像；将第一网络参数作为第一预测网络的网络参数，以及利用第一预测网络，确定第一图像数据集的伪标签，包括：将第一网络参数作为第一预测网络的网络参数，以及利用第一预测网络对多个目标图像进行特征提取，得到多个目标图像的特征；对多个目标图像的特征进行聚类，得到多个目标图像中各目标图像的伪标签。
利用第一网络参数对应用于目标域中的第一预测网络进行初始化，进而利用初始化后的第一预测网络对目标域中的多个目标图像进行特征提取，得到多个目标图像的特征，进而通过对多个目标图像的特征进行聚类，从而得到各目标图像的伪标签，为后续对应用于目标域中的第一预测网络进行网络训练提供了数据基础。
在目标域中，第一服务器中包括的第一图像数据集是不带标签的。例如，在人脸识别场景下，第一图像数据集中包括的多个目标图像为人脸图像，且各人脸图像没有对应的身份标签。在源域中，第二服务器中包括的第二图像数据集是带标签的。例如，在人脸识别场景下，第二图像数据集中包括多个人脸图像，且各人脸图像具有对应的身份标签。
第一服务器接收到第二服务器发送的，第二服务器根据源域中带标签的第二图像数据集对第二预测网络进行训练之后得到的第一网络参数之后，可以将第一网络参数作为第一预测网络的网络参数，实现对第一预测网络的初始化。在人脸识别场景下，初始化后的第一预测网络可以进行人脸识别，但是由于源域和目标域的地域差异，源域中的人脸图像和目标域中的人脸图像之间具有较大差异，直接利用初始化后的第一预测网络在目标域中进行人脸识别时，识别精度较低。因此，需要对初始化后的第一预测网络执行后续网络训练，以提高其在目标域中的预测精度。
由于第一服务器对第一预测网络进行网络训练的过程中，需要用到第一图像数据集的标签，因此，利用经过第一网络参数初始化后的第一预测网络，确定第一图像数据集的伪标签。
利用经过第一网络参数初始化后的第一预测网络，对第一图像数据集中包括的多个目标图像进行特征提取，得到多个目标图像的特征，进而对多个特征进行聚类，以预测各目标图像的伪标签。
在一种可能的实现方式中，对多个目标图像的特征进行聚类，得到多个目标图像中各目标图像的伪标签，包括：针对多个目标图像中的第i个目标图像，基于FINCH聚类算法，确定第i个目标图像的特征对应的最近邻特征；在第i个目标图像的特征和该最近邻特征之间的距离小于预设阈值的情况下，为第i个目标图像和该最近邻特征对应的目标图像确定相同的伪标签。
基于对算力要求较低且不需要其它聚类参数的FINCH聚类算法，可以快速完成对多个目标图像的特征进行聚类，进而通过设置预设阈值，可以在聚类结果基础上准确地为各目标图像确定伪标签。
例如，针对多个目标图像中的第i个目标图像，基于FINCH聚类算法，确定第i个目标图像的特征对应的最近邻特征，其中，该最近邻特征为与所述第i个目标图像的特征之间的距离最近的特征，或，该最近邻特征为与所述第i个目标对象的特征之间共享相同的距离最近的特征。此时，可以将第i个目标图像的特征和该最近邻特征聚为相同的类。
但是，当两个特征之间的距离小于预设阈值的情况下，可以认定为该两个特征对应的图像为同一目标对象(例如，同一人)的图像，因此，通过预先设置预设阈值，使得在第i个目标图像的特征和该最近邻特征之间的距离小于预设阈值的情况下，为第i个目标图像和该最近邻特征对应的目标图像确定相同的伪标签，即该第i个目标图像和该最近邻特征对应的目标图像对应同一目标对象。其中，预设阈值的具体取值可以根据实际情况确定，本公开对此不作具体限定。
在一种可能的实现方式中，该网络训练方法还包括：向第三服务器发送第二网络参数；接收第三服务器返回的第三网络参数，第三网络参数是第三服务器根据第一网络参数和第二网络参数对第三预测网络进行更新之后得到的。
利用经第一网络参数初始化后的第一预测网络，预测得到目标域中的第一图像数据集的伪标签之后，第一服务器可以根据不带标签的第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，从而可以得到应用于目标域中的训练后的第一预测网络，训练后的第一预测网络对应第二网络参数。
第一服务器将第二网络参数发送至第三服务器，使得第三服务器根据源域中得到的第一网络参数，以及目标域中得到的第二网络参数，对第三服务器中的第三预测网络进行更新之后，得到更新后的第三预测网络，更新后的第三预测网络对应第三网络参数。第一服务器接收到第三服务器返回的第三网络参数后，将第三网络参数作为第一预测网络的网络参数，进而根据第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到训练后的第一预测网络。根据训练后的第一预测网络的网络参数更新第二网络参数，进而将更新后的第二网络参数发送至第三服务器，以及再次接收第三服务器返回的更新后的第三网络参数，迭代执行上述训练过程，直至训练后的第一预测网络符合需求，例如，预测精度达到预设阈值。
在一种可能的实现方式中，第一服务器中还包括第一分类器；根据第三网络参数、第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到训练后的第一预测网络，包括：根据第三网络参数、第一图像数据集和第一图像数据集的伪标签，对第一预测网络和第一分类器进行训练，得到训练后的第一预测网络和训练后的第一分类器。
由于第一服务器对第一预测网络进行训练时，还需要用到第一分类器，因此，第一服务器中还包括第一分类器。其中，第一分类器的维度与目标域中不带标签的第一图像数据集的伪标签的数目相关，例如，第一图像数据集的伪标签的数目为100，则第一分类器的维度为100。
由于不同服务器中的分类器可能不尽相同，因此，第一服务器仅将训练后的第一预测网络对应的第二网络参数发送至第三服务器，而无需将训练后的第一分类器的网络参数发送至第三服务器，从而节约了带宽，提高了训练效率。
本公开实施例中，通过利用源域中带标签的第二图像数据集在第二服务器中训练得到的源域中的第一网络参数，确定目标域中不带标签的第二图像数据集的伪标签，以实现在第一服务器中对目标域中不带标签的第一图像数据集的训练，得到目标域中的第二网络参数，联合源域中的第一网络参数和目标域中的第二网络参数，在第一服务器中对目标域中的第一预测网络进行训练，以实现在源域和目标域之间数据不共享的情况下，将源域中的知识传递到目标域，从而使得训练后的第一预测网络在目标域中具有较高的预测精度。
图3示出根据本公开实施例的一种网络训练方法的流程图。该网络训练方法可以应用于第二服务器，第二服务器中包括第二预测网络和带标签的第二图像数据集。在一些可能的实现方式中，该网络训练方法可以通过第二服务器调用存储器中存储的计算机可读指令的方式来实现。如图3所示，该网络训练方法可以包括：
在步骤S31中，根据第二图像数据集对第二预测网络进行训练，得到第二预测网络对应的第一网络参数。
在步骤S32中，分别向第一服务器和第三服务器发送第一网络参数。
在步骤S33中，接收第三服务器返回的第三网络参数，第三网络参数是第三服务器根据第一网络参数和第二网络参数对第三预测网络进行更新之后得到的，第二网络参数是第一服务器根据第一网络参数和不带标签的第一图像数据集对第一预测网络进行训练之后得到的。
在步骤S34中，根据第三网络参数和第二图像数据集，对第二预测网络进行训练，得到训练后的第二预测网络。
通过利用源域中带标签的第二图像数据集在第二服务器中训练得到的源域中的第一网络参数，确定目标域中不带标签的第二图像数据集的伪标签，以实现在第一服务器中对目标域中不带标签的第一图像数据集的训练，得到目标域中的第二网络参数，联合源域中的第一网络参数和目标域中的第二网络参数，在第二服务器中对源域中的第二预测网络进行训练，以实现在源域和目标域之间数据不共享的情况下，将源域中的知识传递到目标域。
在一种可能的实现方式中，根据第三网络参数和第二图像数据集，对第二预测网络进行训练，得到训练后的第二预测网络，包括：将第三网络参数作为第二预测网络的网络参数，以及根据第二预测网络对第二图像数据集进行预测，得到预测结果；根据预测结果、第二图像数据集中的标签、第三网络参数，以及预设训练约束参数，构建损失函数；根据损失函数，对第二预测网络进行训练，得到训练后的第二预测网络。
由于源域中带标签的第二图像数据集和目标域中不带标签的第一图像数据集之间的数据量可能相差较大，为了将源域中的知识更好地传递到目标域，在对源域中的第二预测网络进行训练时，通过引入预设约束参数，以使得源域中训练后得到的第二预测网络能够更接近可以应用于目标域的第一预测网络。
第二服务器从第三服务器接收到第三网络参数后，将第三网络参数作为第二预测网络的网络参数，进而根据带标签的第二图像数据集对第二预测网络进行训练，具体地为通过第二预测网络对第二图像数据集进行预测，得到预测结果，进而根据预测结果、第二图像数据集中的标签、第三网络参数，以及预设训练约束参数，构建损失函数。例如，可以构建下述公式所示的损失函数Fs(θs；θ)：
其中，θs是第二服务器从第三服务器接收的第三网络参数；θ是第二服务器根据第三网络参数和第二图像数据集对第二预测网络进行训练，得到的训练后的第二预测网络对应的第一网络参数；λ是预设训练约束参数。
在一种可能的实现方式中，第二服务器中还包括第二分类器；根据第三网络参数和第二图像数据集，对第二预测网络进行训练，得到训练后的第二预测网络，包括：根据第三网络参数和第二图像数据集，对第二预测网络和第二分类器进行训练，得到训练后的第二预测网络和训练后的第二分类器。
由于第二服务器对第二预测网络进行训练时，还需要用到第二分类器，因此，第二服务器中包括第二分类器。其中，第二分类器的维度与源域中带标签的第二图像数据集的标签的数目相关，例如，第二图像数据集的标签的数目为100，则第二分类器的维度为100。
由于不同服务器中的分类器可能不尽相同，因此，第二服务器仅将训练后的第二预测网络对应的第一网络参数发送至第三服务器，而无需将训练后的第二分类器的网络参数发送至第三服务器，从而节约了带宽，提高了训练效率。
本公开实施例中，通过利用源域中带标签的第二图像数据集在第二服务器中训练得到的源域中的第一网络参数，确定目标域中不带标签的第二图像数据集的伪标签，以实现在第一服务器中对目标域中不带标签的第一图像数据集的训练，得到目标域中的第二网络参数，联合源域中的第一网络参数和目标域中的第二网络参数，在第二服务器中对源域中的第二预测网络进行训练，以实现在源域和目标域之间数据不共享的情况下，将源域中的知识传递到目标域。
图4示出根据本公开实施例的一种网络训练方法的流程图。该网络训练方法可以应用于第三服务器，第三服务器中包括第三预测网络。在一些可能的实现方式中，该网络训练方法可以通过第三服务器调用存储器中存储的计算机可读指令的方式来实现。如图4所示，该网络训练方法可以包括：
在步骤S41中，接收第二服务器发送的第一网络参数，第一网络参数是第二服务器根据带标签的第二图像数据集对第二预测网络进行初始化训练之后得到的。
在步骤S42中，接收第一服务器发送的第二网络参数，第二网络参数是第一服务器根据不带标签的第一图像数据集和第一图像数据集的伪标签对第一预测网络进行训练之后得到的，第一图像数据集的伪标签是第一预测网络根据第一网络参数和第一图像数据集确定得到的。
在步骤S43中，根据第一网络参数和第二网络参数，对第三预测网络进行更新，得到更新后的第三预测网络，更新后的第三预测网络对应第三网络参数。
第三服务器联合第一服务器和第二服务器对预测网络进行训练，训练过程中第一服务器和第二服务器的图像数据集仍然保存在本地，无需上传至第三服务器，从而可以在有效训练预测网络的同时保护了数据隐私性。
在一种可能的实现方式中，根据第一网络参数和第二网络参数，对第三预测网络进行更新，得到更新后的第三预测网络，包括：对第一网络参数和第二网络参数进行平均化处理，得到平均网络参数；根据平均网络参数，对第三预测网络进行更新，得到更新后的第三预测网络。
第三服务器接收第一服务器训练得到的应用于目标域的第一预测网络对应的第二网络参数，第一服务器对第一预测网络的训练过程与上述图2所示方法实施例的过程类似，这里不再赘述。第三服务器还接收第二服务器训练得到的应用于源域的第二预测网络对应的第一网络参数，第二服务器对第二预测网络的训练过程与上述图3所示方法实施例的过程类似，这里不再赘述。
第三服务器对第一网络参数和第二网络参数进行平均化处理，得到平均网络参数，进而根据平均网络参数，对第三预测网络进行更新，得到更新后的第三预测网络
在一种可能的实现方式中，该网络训练方法还包括：分别向第一服务器和第二服务器发送第三网络参数。
第三服务器得到更新后的第三预测网络之后，根据更新后的第三预测网络，更新第三网络参数，进而分别向第一服务器和第二服务器发送更新后的第三网络参数，以使得第一服务器和第二服务器根据更新后的第三网络参数，对第一预测网络和第二预测网络执行新一轮的训练。
本公开实施例中，第三服务器联合第一服务器和第二服务器对预测网络进行训练，训练过程中第一服务器和第二服务器的图像数据集仍然保存在本地，无需上传至第三服务器，从而可以在有效训练预测网络的同时保护了数据隐私性。
图5示出根据本公开实施例的一种网络训练的结构图。如图5所示，源域中包括一个第二服务器，目标域中包括两个第一服务器：第一服务器A和第一服务器B。源域中的第二服务器中包括带标签的第二图像数据集(xs,ys)，第一服务器A中包括不带标签的第一图像数据集第一服务器B种包括不带标签的第一图像数据集/>
如图5所示，第二服务器基于带标签的第二图像数据集(xs,ys)，对第二服务器中包括的第二预测网络进行初始化训练，得到第二预测网络对应的第一网络参数θs。第二服务器将第一网络参数θs发送至第一服务器A、第一服务器B和第三服务器。
第一服务器A将第一网络参数θs作为第一服务器A中包括的第一预测网络的网络参数，进而利用第一预测网络对不带标签的第一图像数据集进行特征提取，得到第一图像数据集/>中包括的多个目标图像的特征f1，进而通过对特征f1进行聚类，得到第一图像数据集/>的伪标签/>第一服务器A根据第一图像数据集/>以及第一图像数据集/>的伪标签/>对第一预测网络进行训练，得到第一服务器A中包括的第一预测网络对应的第二网络参数/>并将第二网络参数/>发送至第三服务器。
第一服务器B将第一网络参数θs作为第一服务器B中包括的第一预测网络的网络参数，进而利用第一预测网络对不带标签的第一图像数据集进行特征提取，得到第一图像数据集/>中包括的多个目标图像的特征f2，进而通过对特征f2进行聚类，得到第一图像数据集/>的伪标签/>第一服务器B根据第一图像数据集/>以及第一图像数据集/>的伪标签/>对第一预测网络进行训练，得到第一服务器B中包括的第一预测网络对应的第二网络参数/>并将第二网络参数/>发送至第三服务器。
第三服务器、第一服务器A和第一服务器B执行下述联合训练。
第三服务器根据第一网络参数θs、第二网络参数和第二网络参数/>联合更新第三服务器中包括的第三预测网络，得到更新后的第三预测网络，更新后的第三预测网络对应第三网络参数θ。
第三服务器将第三网络参数θ下发至第一服务器A、第一服务器B和第二服务器，或，第一服务器A、第一服务器B和第二服务器从第三服务器下载第三网络参数θ。
第二服务器根据第三网络参数θ更新第一网络参数θs，即将第三网络参数θ作为第二预测网络的网络参数，并基于第三网络参数θ和第二图像数据集(xs,ys)，对第二预测网络进行训练，得到训练后的第二预测网络，并将训练后的第二预测网络对应的第一网络参数θs发送至第三服务器。其中，第二服务器的训练过程中引入了预设训练约束参数，以使得训练后得到的第二预测网络能够更接近可以应用于目标领域的第一预测网络。具体训练过程与上述图3所示方法实施例中的过程类似，这里不再赘述。
第一服务器A根据第三网络参数θ更新第二网络参数即将第三网络参数θ作为第一预测网络的网络参数，并基于第三网络参数θ、第一图像数据集/>以及第一图像数据集/>的伪标签/>对第一预测网络进行训练，得到训练后的第一预测网络，并将训练后的第一预测网络对应的第二网络参数/>发送至第三服务器。具体训练过程与上述图2所示方法实施例中的过程类似，这里不再赘述。
第一服务器B根据第三网络参数θ更新第二网络参数即将第三网络参数θ作为第一预测网络的网络参数，并基于第三网络参数θ、第一图像数据集/>以及第一图像数据集/>的伪标签/>对第一预测网络进行训练，得到训练后的第一预测网络，并将训练后的第一预测网络对应的第二网络参数/>发送至第三服务器。具体训练过程与上述图2所示方法实施例中的过程类似，这里不再赘述。
第三服务器、第一服务器A和第一服务器B循环迭代执行上述联合训练过程，直至第一服务器A中得到的训练后的第一预测网络，以及第一服务器B中得到的训练后的第一预测网络均符合需求，例如，预测精度达到预设阈值。
本公开实施例中，通过利用源域中带标签的第二图像数据集在第二服务器中训练得到的源域中的第一网络参数，确定目标域中不带标签的第二图像数据集的伪标签，以实现在第一服务器中对目标域中不带标签的第一图像数据集的训练，得到目标域中的第二网络参数，第三服务器联合第二服务器和第一服务器进行联合训练，以实现在源域和目标域之间数据不共享的情况下，将源域中的知识传递到目标域，从而使得目标域中训练后的第一预测网络在目标域中具有较高的预测精度。
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6示出根据本公开实施例的一种网络训练装置的框图。该网络训练装置应用于第一服务器，第一服务器中包括第一预测网络和不带标签的第一图像数据集。如图6所示，网络训练装置60包括：
接收模块61，用于接收第二服务器发送的第一网络参数，第一网络参数是第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的；
伪标签确定模块62，用于将第一网络参数作为第一预测网络的网络参数，以及利用第一预测网络，确定第一图像数据集的伪标签；
第一训练模块63，用于根据第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到第一预测网络对应的第二网络参数；
第二训练模块64，用于根据第三网络参数、第一图像数据集和第一图像数据集的伪标签，对第一预测网络进行训练，得到训练后的第一预测网络，第三网络参数是第三服务器根据第一网络参数和第二网络参数确定得到的。
在一种可能的实现方式中，第一图像数据集中包括多个目标图像；
伪标签确定模块62，包括：
特征提取子模块，用于将第一网络参数作为第一预测网络的网络参数，以及利用第一预测网络对多个目标图像进行特征提取，得到多个目标图像的特征；
聚类子模块，用于对多个目标图像的特征进行聚类，得到多个目标图像中各目标图像的伪标签。
在一种可能的实现方式中，聚类子模块，包括：
第一确定单元，用于针对多个目标图像中的第i个目标图像，基于FINCH聚类算法，确定第i个目标图像的特征对应的最近邻特征；
第二确定单元，用于在第i个目标图像的特征和最近邻特征之间的距离小于预设阈值的情况下，为第i个目标图像和最近邻特征对应的目标图像确定相同的伪标签。
在一种可能的实现方式中，网络训练装置60还包括：
发送模块，用于向第三服务器发送第二网络参数；
接收模块61，还用于接收第三服务器返回的第三网络参数，第三网络参数是第三服务器根据第一网络参数和第二网络参数对第三预测网络进行更新之后得到的。
图7示出根据本公开实施例的一种网络训练装置的框图。该网络训练装置应用于第二服务器，第二服务器中包括第二预测网络和带标签的第二图像数据集。如图7所示，网络训练装置70包括：
第一训练模块71，用于根据第二图像数据集对第二预测网络进行训练，得到第二预测网络对应的第一网络参数；
发送模块72，用于分别向第一服务器和第三服务器发送第一网络参数；
接收模块73，用于接收第三服务器返回的第三网络参数，第三网络参数是第三服务器根据第一网络参数和第二网络参数对第三预测网络进行更新之后得到的，第二网络参数是第一服务器根据第一网络参数和不带标签的第一图像数据集对第一预测网络进行训练之后得到的；
第二训练模块74，用于根据第三网络参数和第二图像数据集，对第二预测网络进行训练，得到训练后的第二预测网络。
在一种可能的实现方式中，第二训练模块74，包括：
预测子模块，用于将第三网络参数作为第二预测网络的网络参数，以及根据第二预测网络对第二图像数据集进行预测，得到预测结果；
损失函数构建子模块，用于根据预测结果、第二图像数据集中的标签、第三网络参数，以及预设训练约束参数，构建损失函数；
训练子模块，用于根据损失函数，对第二预测网络进行训练，得到训练后的第二预测网络。
图8示出根据本公开实施例的一种网络训练装置的框图。该网络训练装置应用于第三服务器，第三服务器中包括第三预测网络。如图8所示，网络训练装置80包括：
接收模块81，用于接收第二服务器发送的第一网络参数，第一网络参数是第二服务器根据带标签的第二图像数据集对第二预测网络进行初始化训练之后得到的；
接收模块81，还用于接收第一服务器发送的第二网络参数，第二网络参数是第一服务器根据不带标签的第一图像数据集和第一图像数据集的伪标签对第一预测网络进行训练之后得到的，第一图像数据集的伪标签是第一预测网络根据第一网络参数和第一图像数据集确定得到的；
更新模块82，用于根据第一网络参数和第二网络参数，对第三预测网络进行更新，得到更新后的第三预测网络，更新后的第三预测网络对应第三网络参数。
在一种可能的实现方式中，更新模块82，包括：
确定子模块，用于对第一网络参数和第二网络参数进行平均化处理，得到平均网络参数；
更新子模块，用于根据平均网络参数，对第三预测网络进行更新，得到更新后的第三预测网络。
在一种可能的实现方式中，网络训练装置80，还包括：
发送模块，用于分别向第一服务器和第二服务器发送第三网络参数。
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9示出根据本公开实施例的一种电子设备的框图。如图9所示，电子设备900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9，电子设备900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。
处理组件902通常控制电子设备900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902可以包括一个或多个处理器920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902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在电子设备900的操作。这些数据的示例包括用于在电子设备900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904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906为电子设备900的各种组件提供电力。电源组件906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900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述电子设备900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908包括一个前置摄像头和/或后置摄像头。当电子设备900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910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当电子设备900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904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。
I/O接口912为处理组件902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914包括一个或多个传感器，用于为电子设备900提供各个方面的状态评估。例如，传感器组件914可以检测到电子设备900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900的显示器和小键盘，传感器组件914还可以检测电子设备900或电子设备900一个组件的位置改变，用户与电子设备900接触的存在或不存在，电子设备900方位或加速/减速和电子设备900的温度变化。传感器组件914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914还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(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914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916被配置为便于电子设备900和其他设备之间有线或无线方式的通信。电子设备900可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件916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916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900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904，上述计算机程序指令可由电子设备900的处理器920执行以完成上述方法。
图10示出根据本公开实施例的一种电子设备的框图。如图10所示，电子设备1900可以被提供为一服务器。参照图10，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，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(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，所述方法应用于第一服务器，所述第一服务器中包括第一预测网络和不带标签的第一图像数据集，所述方法包括：
接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的；
将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络，确定所述第一图像数据集的伪标签；
根据所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到所述第一预测网络对应的第二网络参数；
根据第三网络参数、所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到训练后的第一预测网络，所述第三网络参数是第三服务器根据所述第一网络参数和所述第二网络参数确定得到的。
2.根据权利要求1所述的方法，其特征在于，所述第一图像数据集中包括多个目标图像；
所述将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络，确定所述第一图像数据集的伪标签，包括：
将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络对所述多个目标图像进行特征提取，得到所述多个目标图像的特征；
对所述多个目标图像的特征进行聚类，得到所述多个目标图像中各目标图像的伪标签。
3.根据权利要求2所述的方法，其特征在于，所述对所述多个目标图像的特征进行聚类，得到所述多个目标图像中各目标图像的伪标签，包括：
针对所述多个目标图像中的第i个目标图像，基于FINCH聚类算法，确定所述第i个目标图像的特征对应的最近邻特征；
在所述第i个目标图像的特征和所述最近邻特征之间的距离小于预设阈值的情况下，为所述第i个目标图像和所述最近邻特征对应的目标图像确定相同的伪标签。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述方法还包括：
向所述第三服务器发送所述第二网络参数；
接收所述第三服务器返回的所述第三网络参数，所述第三网络参数是所述第三服务器根据所述第一网络参数和所述第二网络参数对第三预测网络进行更新之后得到的。
5.一种网络训练方法，其特征在于，所述方法应用于第二服务器，所述第二服务器中包括第二预测网络和带标签的第二图像数据集，所述方法包括：
根据所述第二图像数据集对所述第二预测网络进行训练，得到所述第二预测网络对应的第一网络参数；
分别向第一服务器和第三服务器发送所述第一网络参数；
接收所述第三服务器返回的第三网络参数，所述第三网络参数是所述第三服务器根据所述第一网络参数和第二网络参数对第三预测网络进行更新之后得到的，所述第二网络参数是所述第一服务器根据所述第一网络参数和不带标签的第一图像数据集对第一预测网络进行训练之后得到的；
根据所述第三网络参数和所述第二图像数据集，对所述第二预测网络进行训练，得到训练后的第二预测网络。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第三网络参数和所述第二图像数据集，对所述第二预测网络进行训练，得到训练后的第二预测网络，包括：
将所述第三网络参数作为所述第二预测网络的网络参数，以及根据所述第二预测网络对所述第二图像数据集进行预测，得到预测结果；
根据所述预测结果、所述第二图像数据集中的标签、所述第三网络参数，以及预设训练约束参数，构建损失函数；
根据所述损失函数，对所述第二预测网络进行训练，得到所述训练后的第二预测网络。
7.一种网络训练方法，其特征在于，所述方法应用于第三服务器，所述第三服务器中包括第三预测网络，所述方法包括：
接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行初始化训练之后得到的；
接收第一服务器发送的第二网络参数，所述第二网络参数是所述第一服务器根据不带标签的第一图像数据集和所述第一图像数据集的伪标签对第一预测网络进行训练之后得到的，所述第一图像数据集的伪标签是所述第一预测网络根据所述第一网络参数和所述第一图像数据集确定得到的；
根据所述第一网络参数和所述第二网络参数，对所述第三预测网络进行更新，得到更新后的第三预测网络，所述更新后的第三预测网络对应第三网络参数。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第一网络参数和所述第二网络参数，对所述第三预测网络进行更新，得到更新后的第三预测网络，包括：
对所述第一网络参数和所述第二网络参数进行平均化处理，得到平均网络参数；
根据所述平均网络参数，对所述第三预测网络进行更新，得到所述更新后的第三预测网络。
9.根据权利要求7或8所述的方法，其特征在于，所述方法还包括：
分别向所述第一服务器和所述第二服务器发送所述第三网络参数。
10.一种网络训练装置，其特征在于，所述装置应用于第一服务器，所述第一服务器中包括第一预测网络和不带标签的第一图像数据集，所述装置包括：
接收模块，用于接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行训练之后得到的；
伪标签确定模块，用于将所述第一网络参数作为所述第一预测网络的网络参数，以及利用所述第一预测网络，确定所述第一图像数据集的伪标签；
第一训练模块，用于根据所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到所述第一预测网络对应的第二网络参数；
第二训练模块，用于根据第三网络参数、所述第一图像数据集和所述第一图像数据集的伪标签，对所述第一预测网络进行训练，得到训练后的第一预测网络，所述第三网络参数是第三服务器根据所述第一网络参数和所述第二网络参数确定得到的。
11.一种网络训练装置，其特征在于，所述装置应用于第二服务器，所述第二服务器中包括第二预测网络和带标签的第二图像数据集，所述装置包括：
第一训练模块，用于根据所述第二图像数据集对所述第二预测网络进行训练，得到所述第二预测网络对应的第一网络参数；
发送模块，用于分别向第一服务器和第三服务器发送所述第一网络参数；
接收模块，用于接收所述第三服务器返回的第三网络参数，所述第三网络参数是所述第三服务器根据所述第一网络参数和第二网络参数对第三预测网络进行更新之后得到的，所述第二网络参数是所述第一服务器根据所述第一网络参数和不带标签的第一图像数据集对第一预测网络进行训练之后得到的；
第二训练模块，用于根据所述第三网络参数和所述第二图像数据集，对所述第二预测网络进行训练，得到训练后的第二预测网络。
12.一种网络训练装置，其特征在于，所述装置应用于第三服务器，所述第三服务器中包括第三预测网络，所述装置包括：
接收模块，用于接收第二服务器发送的第一网络参数，所述第一网络参数是所述第二服务器根据带标签的第二图像数据集对第二预测网络进行初始化训练之后得到的；
所述接收模块，还用于接收第一服务器发送的第二网络参数，所述第二网络参数是所述第一服务器根据不带标签的第一图像数据集和所述第一图像数据集的伪标签对第一预测网络进行训练之后得到的，所述第一图像数据集的伪标签是所述第一预测网络根据所述第一网络参数和所述第一图像数据集确定得到的；
更新模块，用于根据所述第一网络参数和所述第二网络参数，对所述第三预测网络进行更新，得到更新后的第三预测网络，所述更新后的第三预测网络对应第三网络参数。
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9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9中任意一项所述的方法。
CN202110080289.2A 2021-01-21 2021-01-21 一种网络训练方法及装置、电子设备和存储介质 Active CN112906857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110080289.2A CN112906857B (zh) 2021-01-21 2021-01-21 一种网络训练方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110080289.2A CN112906857B (zh) 2021-01-21 2021-01-21 一种网络训练方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112906857A CN112906857A (zh) 2021-06-04
CN112906857B true CN112906857B (zh) 2024-03-19

Family

ID=76117754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110080289.2A Active CN112906857B (zh) 2021-01-21 2021-01-21 一种网络训练方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112906857B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197670A (zh) * 2018-01-31 2018-06-22 国信优易数据有限公司 伪标签生成模型训练方法、装置及伪标签生成方法及装置
CN108256561A (zh) * 2017-12-29 2018-07-06 中山大学 一种基于对抗学习的多源域适应迁移方法及系统
CN110188829A (zh) * 2019-05-31 2019-08-30 北京市商汤科技开发有限公司 神经网络的训练方法、目标识别的方法及相关产品
CN110224987A (zh) * 2019-05-08 2019-09-10 西安电子科技大学 基于迁移学习的网络入侵检测模型的构建方法、检测系统
CN111738003A (zh) * 2020-06-15 2020-10-02 中国科学院计算技术研究所 命名实体识别模型训练方法、命名实体识别方法和介质
CN111881714A (zh) * 2020-05-22 2020-11-03 北京交通大学 一种无监督跨域行人再识别方法
CN111882055A (zh) * 2020-06-15 2020-11-03 电子科技大学 一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法
CN112001321A (zh) * 2020-08-25 2020-11-27 商汤国际私人有限公司 网络训练、行人重识别方法及装置、电子设备和存储介质
CN112016687A (zh) * 2020-08-20 2020-12-01 浙江大学 一种基于互补伪标签的跨域行人重识别方法
CN112215212A (zh) * 2020-12-02 2021-01-12 腾讯科技（深圳）有限公司 一种图像识别方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256561A (zh) * 2017-12-29 2018-07-06 中山大学 一种基于对抗学习的多源域适应迁移方法及系统
CN108197670A (zh) * 2018-01-31 2018-06-22 国信优易数据有限公司 伪标签生成模型训练方法、装置及伪标签生成方法及装置
CN110224987A (zh) * 2019-05-08 2019-09-10 西安电子科技大学 基于迁移学习的网络入侵检测模型的构建方法、检测系统
CN110188829A (zh) * 2019-05-31 2019-08-30 北京市商汤科技开发有限公司 神经网络的训练方法、目标识别的方法及相关产品
CN111881714A (zh) * 2020-05-22 2020-11-03 北京交通大学 一种无监督跨域行人再识别方法
CN111738003A (zh) * 2020-06-15 2020-10-02 中国科学院计算技术研究所 命名实体识别模型训练方法、命名实体识别方法和介质
CN111882055A (zh) * 2020-06-15 2020-11-03 电子科技大学 一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法
CN112016687A (zh) * 2020-08-20 2020-12-01 浙江大学 一种基于互补伪标签的跨域行人重识别方法
CN112001321A (zh) * 2020-08-25 2020-11-27 商汤国际私人有限公司 网络训练、行人重识别方法及装置、电子设备和存储介质
CN112215212A (zh) * 2020-12-02 2021-01-12 腾讯科技（深圳）有限公司 一种图像识别方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Semi-supervised robust deep neural networks for multi-label image classification";Hakan Cevikalp, Burak Benligiray , Omer Nezih Gerek;《Pattern Recognition》;第100卷;全文 *

Also Published As

Publication number Publication date
CN112906857A (zh) 2021-06-04

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
CN111462268B (zh) 图像重建方法及装置、电子设备和存储介质
CN111178538B (zh) 垂直数据的联邦学习方法及装置
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN109766954B (zh) 一种目标对象处理方法、装置、电子设备及存储介质
CN112001321A (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN107784279B (zh) 目标跟踪方法及装置
CN110633755A (zh) 网络训练方法、图像处理方法及装置、电子设备
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN110781957A (zh) 图像处理方法及装置、电子设备和存储介质
CN109711546B (zh) 神经网络训练方法及装置、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
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
CN111582383B (zh) 属性识别方法及装置、电子设备和存储介质
CN109543536B (zh) 图像标识方法及装置、电子设备和存储介质
CN109145150B (zh) 目标匹配方法及装置、电子设备和存储介质
CN111435432B (zh) 网络优化方法及装置、图像处理方法及装置、存储介质
CN109934240B (zh) 特征更新方法及装置、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
US20220383517A1 (en) Method and device for target tracking, and storage medium
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
CN107886515B (zh) 利用光流场的图像分割方法及装置
CN111310664B (zh) 图像处理方法及装置、电子设备和存储介质

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