CN113128419B - 一种障碍物识别方法和装置、电子设备及存储介质 - Google Patents
一种障碍物识别方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113128419B CN113128419B CN202110440521.9A CN202110440521A CN113128419B CN 113128419 B CN113128419 B CN 113128419B CN 202110440521 A CN202110440521 A CN 202110440521A CN 113128419 B CN113128419 B CN 113128419B
- Authority
- CN
- China
- Prior art keywords
- learning model
- model
- training
- task
- loss function
- 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 86
- 238000012549 training Methods 0.000 claims abstract description 149
- 230000006870 function Effects 0.000 claims abstract description 104
- 238000013140 knowledge distillation Methods 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 28
- 238000004821 distillation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06F18/24—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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了障碍物识别方法和装置、电子设备及存储介质，涉及计算机技术领域，该方法包括：获取障碍物图片；将障碍物图片输入至预训练的元学习模型，输出对应的分类标识；在分类标识为空时，基于障碍物图片，获取与障碍物图片对应的任务，利用任务对预训练的元学习模型进行训练，得到中间元学习模型以识别障碍物图片对应的中间分类标识；确定训练训练任务的标识，在中间分类标识与训练任务的标识不一致时，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，根据损失函数值调整中间元学习模型的模型参数，得到目标元学习模型，以进行目标障碍物图片的识别。从而使得车端目标元学习模型可以准确识别更多类别的障碍物。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种障碍物识别方法和装置、电子设备及存储介质。
背景技术
深度学习模型是自动驾驶场景中实现对环境感知的重要工具。一般，采集大量的训练数据是使用深度学习模型的前提条件。由于自动驾驶场景中的障碍物类别非常多，且一些类别的障碍物由于出现频率低，很难进行大量的数据采集，从而导致该类别的障碍物训练数据稀少，以使得训练得到的应用于自动驾驶车端的模型对障碍物的识别不够准确。
在实现本申请过程中，发明人发现现有技术中至少存在如下问题：
由于自动驾驶车端的计算能力有限，通常不能使用计算量太大的模型，并且由于某些类别的障碍物训练数据稀少，使得训练得到的应用于自动驾驶车端的模型对障碍物的识别不够准确。
发明内容
有鉴于此，本申请实施例提供一种障碍物识别方法和装置、电子设备及存储介质，能够解决现有的由于自动驾驶车端的计算能力有限，通常不能使用极端量太大的模型，并且由于某些类别的障碍物训练数据稀少，使得训练得到的应用于自动驾驶车端的模型对障碍物的识别不够准确的问题。
为实现上述目的，根据本申请实施例的一个方面，提供了一种障碍物识别方法，包括：
获取障碍物图片；
将障碍物图片输入至预训练的元学习模型中，输出障碍物图片对应的分类标识；
在分类标识为空的情况下，调用模型训练引擎，基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别障碍物图片对应的中间分类标识；
确定训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。
进一步地，在获取障碍物图片之前，方法还包括：
获取初始元学习模型，以部署至终端，进而调用模型训练引擎，基于知识蒸馏方法对初始元学习模型进行训练，以得到预训练的元学习模型。
进一步地，方法还包括：
确定训练任务类型；
根据训练任务类型确定抽取的样本分类个数、每个样本分类对应的支撑集的样本个数和查询集的样本个数；
根据样本分类个数、支撑集的样本个数和查询集的样本个数，从元样本集中确定出每个样本分类对应的训练任务的支撑集和查询集。
进一步地，基于知识蒸馏方法对初始元学习模型进行训练，以得到预训练的元学习模型，包括：
调用模型训练引擎，基于知识蒸馏方法分别提取各训练任务对应的支撑集中各样本的第一特征和第二特征，以基于各第一特征和第二特征，计算各训练任务对应的损失函数值，并分别基于各任务对应的损失函数值调整知识蒸馏方法对应的模型的模型参数，进而分别将调整的模型参数更新至初始元学习模型，以得到更新的初始元学习模型；
再次基于知识蒸馏方法分别提取各任务对应的查询集中各样本的第三特征和第四特征，以基于各第三特征和第四特征，计算各任务对应的损失函数值的和，基于损失函数值的和，并根据随机梯度下降法，再次调整知识蒸馏方法对应的模型的模型参数，进而将再次调整的模型参数更新至更新的初始元学习模型，以得到预训练的元学习模型。
进一步地，计算各训练任务对应的损失函数值，包括：
确定第一特征对应的第一特征向量和第二特征对应的第二特征向量；
根据各第一特征向量、各第二特征向量和预设系数，确定各训练任务对应的蒸馏损失函数值；
根据知识蒸馏方法对应的模型参数以及预设系数，确定分类损失函数值；
根据各蒸馏损失函数值和各分类损失函数值，确定各训练任务对应的损失函数值。
另外，本申请还提供了一种障碍物识别装置，包括：
获取单元，被配置成获取障碍物图片；
分类标识输出单元，被配置成将障碍物图片输入至预训练的元学习模型中，输出障碍物图片对应的分类标识；
训练单元，被配置成在分类标识为空的情况下，调用模型训练引擎，基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别障碍物图片对应的中间分类标识；
目标元学习模型确定单元，被配置成确定训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。
进一步地，装置还包括预训练单元，被配置成：
获取初始元学习模型，以部署至终端，进而调用模型训练引擎，基于知识蒸馏方法对初始元学习模型进行训练，以得到预训练的元学习模型。
进一步地，预训练单元进一步被配置成：
确定训练任务类型；
根据训练任务类型确定抽取的样本分类个数、每个样本分类对应的支撑集的样本个数和查询集的样本个数；
根据样本分类个数、支撑集的样本个数和查询集的样本个数，从元样本集中确定出每个样本分类对应的训练任务的支撑集和查询集。
进一步地，预训练单元进一步被配置成：
调用模型训练引擎，基于知识蒸馏方法分别提取各训练任务对应的支撑集中各样本的第一特征和第二特征，以基于各第一特征和第二特征，计算各任务对应的损失函数值，并分别基于各任务对应的损失函数值调整知识蒸馏方法对应的模型的模型参数，进而分别将调整的模型参数更新至初始元学习模型，以得到更新的初始元学习模型；
再次基于知识蒸馏方法分别提取各任务对应的查询集中各样本的第三特征和第四特征，以基于各第三特征和第四特征，计算各任务对应的损失函数值的和，基于损失函数值的和，并根据随机梯度下降法，再次调整知识蒸馏方法对应的模型的模型参数，进而将再次调整的模型参数更新至更新的初始元学习模型，以得到预训练的元学习模型。
进一步地，预训练单元进一步被配置成：
确定第一特征对应的第一特征向量和第二特征对应的第二特征向量；
根据各第一特征向量、各第二特征向量和预设系数，确定各训练任务对应的蒸馏损失函数值；
根据知识蒸馏方法对应的模型参数以及预设系数，确定分类损失函数值；
根据各蒸馏损失函数值和各分类损失函数值，确定各训练任务对应的损失函数值。
另外，本申请还提供了一种障碍物识别电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的障碍物识别方法。
另外，本申请还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的障碍物识别方法。
上述发明中的一个实施例具有如下优点或有益效果：本申请通过在调用预训练的计算量较小的元学习模型进行障碍物识别时，当遇到没有训练过的障碍物图片时，通过调用与该没有训练过的障碍物图片对应的任务对该预训练的元学习模型进行再次训练，并进行两个阶段的模型参数更新，进而使得训练得到的用于自动驾驶车端的元学习模型可以准确识别更多类别的障碍物。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本申请，不构成对本申请的不当限定。其中：
图1是根据本申请第一实施例的障碍物识别方法的主要流程的示意图；
图2是根据本申请第二实施例的障碍物识别方法的主要流程的示意图；
图3是根据本申请第三实施例的障碍物识别方法的应用场景示意图；
图4是根据本申请实施例的障碍物识别装置的主要模块的示意图；
图5是本申请实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
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。
图1是根据本申请第一实施例的障碍物识别方法的主要流程的示意图，如图1所示，障碍物识别方法包括：
步骤S101，获取障碍物图片。
步骤S102，将障碍物图片输入至预训练的元学习模型中，输出障碍物图片对应的分类标识。
本实施例中，障碍物识别方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，从车载摄像机或具有拍照功能的车载雷达获取拍摄的障碍物图片。执行主体可以将获取的障碍物图片输入预训练的元学习模型，输出该障碍物图片对应的分类标识。该障碍物图片所属的分类可以是属于车、人、树或动物等。分类标识，可以是用0代表人，用1代表车，用2代表树，用3代表动物等，本申请对分类与标识的对应关系以及用何种标识来进行分类的表示不做具体限定。元学习模型，可以是一个用来学习“如何学习”的模型。示例的，元学习模型，可以是学习如何训练一个可以区分猫狗的学习模型，如果把学习猫和狗看作是一个具体的任务，那么元学习模型可以获取大量的类似的任务之间的共性，最后这些共性作为“先验知识”，在未来学习一个具体任务时提供指导。
步骤S103，在分类标识为空的情况下，调用模型训练引擎，以基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别障碍物图片对应的中间分类标识。
元学习模型在训练过程中，要进行两个阶段的模型参数更新。第一阶段模型参数更新是针对支撑集中各个任务的模型参数更新，每个任务更新一次模型参数。第二阶段模型参数更新是针对查询集中各个任务的模型参数更新，计算多个任务的损失函数值的和，进行随机梯度下降，以对模型参数进行调整并更新。支撑集中包括各训练任务。查询集中包括各验证任务。
执行主体在确定障碍物图片对应的分类标识后，可以判断分类标识是否为空。在分类标识为空的情况下，表明不存在该分类，也即遇到了无法区分类别的障碍物图片。进而执行主体可以调用模型训练引擎，获取与该障碍物图片对应的任务，用该任务对预训练的元学习模型进行进一步的训练，执行第一阶段模型参数更新，以使得进一步训练后的元学习模型可以正确区分出该障碍物图片中的障碍物类别，从而丰富训练后的元学习模型的可识别出的障碍物图片类别库。
与该障碍物图片对应的任务中可以包含与该障碍物图片中的障碍物属于同一类别的障碍物图片以及对应标记类别即带标签的一个或者多个训练样本。
执行主体在执行第一阶段模型参数更新后，得到中间元学习模型，中间元学习模型是预训练的元学习模型经过再次训练后得到的中间产物，其准确性还有待进一步查验。执行主体可以再次将该障碍物图片输入至中间元学习模型中，输出该障碍物图片对应的中间分类标识。中间分类标识，是该障碍物图片输入中间元学习模型后，输出的对应的分类标识，该中间分类标识不一定是准确的，也可能有误差。
步骤S104，确定训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。
执行主体在得到障碍物图片对应的中间分类标识后，可以确定该障碍物图片对应的训练任务的标识，也就是训练任务对应的分类标识。当得到的中间分类标识与训练任务的标识不一致，即中间元学习模型对该障碍物图片的分类结果与该障碍物图片对应的训练任务所对应的预设的分类结果不一致，表明中间元学习模型对障碍物图片的识别有误差。执行主体可以根据中间分类标识和训练任务的标识以及预设的计算公式确定中间元学习模型的损失函数值。进而，通过随机梯度下降法迭代调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。
本实施例通过在调用预训练的计算量较小的元学习模型进行障碍物图片识别时，当遇到没有训练过的障碍物图片时，通过调用与该没有训练过的障碍物图片对应的任务对该预训练的元学习模型进行再次训练，并进行两个阶段的模型参数更新，进而使得训练得到的用于自动驾驶车端的元学习模型可以准确识别更多类别的障碍物图片。
图2是根据本申请第二实施例的障碍物识别方法的主要流程示意图，如图2所示，障碍物识别方法包括：
步骤S201，获取初始元学习模型，以部署至终端，进而调用模型训练引擎，基于知识蒸馏方法对初始元学习模型进行训练，以得到预训练的元学习模型。
本实施例中，初始元学习模型是部署于终端的，终端例如可以是自动驾驶车端。服务器执行对终端中的初始元学习模型的训练。服务器可以通过有线或无线连接的方式与终端通信连接。
具体地，在进行模型训练之前，障碍物识别方法还包括：确定训练任务类型；
根据训练任务类型确定抽取的样本分类个数、每个样本分类对应的支撑集的样本个数和查询集的样本个数；
根据样本分类个数、支撑集的样本个数和查询集的样本个数，从元样本集中确定出每个样本分类对应的训练任务的支撑集和查询集。
示例的，以任务类型3-way 5shot为例：
假设有C1～C10，10个类别的图片(每类30个已标注样本，共300个样本，即元样本集中所包括的样本)。
任务Task:从中随机抽取3个类别(即样本分个数)，每个类别抽20个样本(支撑集的样本个数+查询集的样本个数),组成一个任务task。
支撑集Support set：每个类别20个样本中，抽取其中的5个已标注样本。
查询集Query set：每类20个样本中，剩余的15个样本。
具体地，步骤S201还可以通过步骤S2011～步骤S2012来实现：
步骤S2011，调用模型训练引擎，基于知识蒸馏方法分别提取各训练任务对应的支撑集中各样本的第一特征和第二特征，以基于各第一特征和第二特征，计算各训练任务对应的损失函数值，并分别基于各任务对应的损失函数值调整知识蒸馏方法对应的模型的模型参数，进而分别将调整的模型参数更新至初始元学习模型，以得到更新的初始元学习模型。
本实施例中，知识蒸馏方法对应的模型，包括：已训练模型和未训练模型，以及知识蒸馏方法对应的模型的模型参数，包括：未训练模型的模型参数。
知识蒸馏方法可以是模型压缩方法，即通过一步一步地使用一个较大的已经训练好的模型去教导一个较小的未训练的模型确切地去做什么。通过尝试复制已经训练好的模型在每一层的输出(不仅仅是最终的损失)，未训练的模型被训练以学习已经训练好的模型的准确行为。
本实施例中，第一特征可以是已训练模型提取的各训练任务对应的支撑集中各样本的特征。第二特征可以是未训练模型提取的各训练任务对应的支撑集中各样本的特征。特征，可以是提取的各样本的图像信息，例如可以是角点、灰度、纹理。特征被检测后可以从图像中被抽取出来，得到特征向量。
其中，计算各训练任务对应的损失函数值，包括：
确定第一特征对应的第一特征向量和第二特征对应的第二特征向量；根据各第一特征向量、各第二特征向量和预设系数，确定各训练任务对应的蒸馏损失函数值。具体地，执行主体可以根据公式(1)来计算蒸馏损失函数值LD：
LD＝1/2(vi-zi)2 (1)
其中，vi为已训练模型输出的特征向量；zi为未训练模型输出的特征向量。
根据知识蒸馏方法对应的模型参数以及预设系数，确定分类损失函数值。具体地，执行主体可以根据公式(2)来计算分类损失函数值LC：
LC＝-αt(1-Pt)γlog(Pt) (2)
当y＝1时，αt＝α；否则，αt＝1-α。
执行主体根据得到的各蒸馏损失函数值LD和各分类损失函数值LC，确定各训练任务对应的损失函数值。Pt是预测值。α、γ为模型参数。y为真实类别(ground-truth)。本实施例中可以令α＝0.5，γ＝1。
具体地，执行主体可以根据公式(3)确定各训练任务对应的损失函数值L：
L＝LD+LC (3)
本实施例通过结合蒸馏损失函数值和分类损失函数值来确定最终的损失函数值，可以使得对模型训练的损失函数值的确定更准确。
步骤S2012，再次基于知识蒸馏方法分别提取各任务对应的查询集中各样本的第三特征和第四特征，以基于各第三特征和第四特征，计算各任务对应的损失函数值的和，基于损失函数值的和，并根据随机梯度下降法，再次调整知识蒸馏方法对应的模型的模型参数，进而将再次调整的模型参数更新至更新的初始元学习模型，以得到预训练的元学习模型。
本实施例中，第三特征可以是已训练模型提取的各验证任务对应的查询集中各样本的特征。第四特征可以是未训练模型提取的各验证任务对应的查询集中各样本的特征。特征，可以是提取的各样本的图像信息，例如可以是角点、灰度、纹理。特征被检测后可以从图像中被抽取出来，得到特征向量。
执行主体可以计算查询集中一个批次的任务的在该初始元学习模型中的损失函数值的总和，并基于该损失函数值的总和计算梯度，对计算得到的梯度进行随机梯度下降，进而迭代调整知识蒸馏方法对应的模型(即与已训练模型连接的未训练模型)的模型参数并更新，进而将再次调整的模型参数更新至更新的初始元学习模型，以得到预训练的元学习模型。具体地，在设计未训练网络时，需要建立未训练网络的中间输出与已训练网络的对应关系。这种对应关系可以直接将已训练网络中某一层的输出信息传递给未训练网络，或者在传递给未训练网络之前进行一些数据增强，本申请中的初始元学习模型与上述未训练模型同构，已训练模型VGG为例，(实际可以使用其他主干网络代替)，加载VGG(从图像中提取CNN特征)的ImageNet预训练模型参数，所有层均不锁定。未训练网络选择MobileNet，加载MobileNet的ImageNet预训练模型参数，所有层均不锁定。使得训练得到的用于自动驾驶车端的元学习模型可以准确识别更多类别的障碍物。梯度，可以为损失函数值的总和与模型参数的比值增长速度最快的方向。具体地，本申请中模型参数可以包括权重。
步骤S202，获取障碍物图片。
步骤S203，将障碍物图片输入至预训练的元学习模型中，输出障碍物图片对应的分类标识。
步骤S204，在分类标识为空的情况下，调用模型训练引擎，基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别障碍物图片对应的中间分类标识。
步骤S205，确定训练训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。
步骤S202～步骤S205的原理与步骤S101～步骤S104的原理类似，此处不再赘述。
图3是根据本申请第三实施例的障碍物识别方法的应用场景示意图。本申请的障碍物识别方法，应用于自动驾驶场景中。如图3所示，本申请使用部署于车端320的预训练的元学习模型306进行自动驾驶过程中的障碍物的识别。其中，预训练的元学习模型306是基于知识蒸馏方法，由大(即已训练模型316)、小(即未训练模型315)两个卷积神经网络(Convolutional Neural Network，CNN)来训练得到的。具体地，已训练模型316可以是VGG，ResNet101等较深层次的网络。未训练模型315可以是MobileNet或更浅层的网络。
服务器301将获取的支撑集中的训练任务图片314输入至已训练模型316和未训练模型315。并将未训练模型315的模型参数319通过快速权值拷贝(fast apply)的方式更新至初始元学习模型(图中未示出)中，以进行第一阶段模型参数更新307。并且，服务器301根据已训练模型316和未训练模型315分别提取的训练任务图片314的特征确定蒸馏损失函数值317。初始元学习模型(图中未示出)根据第一阶段模型参数更新结果确定每个训练任务对应的分类损失函数值318。服务器根据蒸馏损失函数值317和分类损失函数值318调整模型参数319。重复上述步骤N次后，服务器301将获取的查询集中的训练任务图片314输入至最后一次第一阶段模型参数更新后对应的未训练模型315和已训练模型316中，根据查询集中各任务对应的各蒸馏损失函数值317和对最后一次第一阶段模型参数更新307后的初始元学习模型进行第二阶段模型参数更新312进而得到的各分类损失函数值318之和，调整未训练模型315的模型参数319，并将调整后的模型参数319通过快速权值拷贝(fast apply)的方式更新至初始元学习模型中，重复完整训练M次，以得到预训练的元学习模型306。
服务器301在部署好预训练的元学习模型306后，可以获取障碍物图片302，进而将障碍物图片302输入至预训练的元学习模型306，以确定输出障碍物图片302对应的分类标识303。在分类标识303为空的情况下，服务器301调用模型训练引擎(图中未示出)，基于障碍物图片302，从预设的任务集304中获取与障碍物图片302对应的任务305，进而利用任务305对预训练的元学习模型306进行训练，执行第一阶段模型参数更新307，得到中间元学习模型308以确定识别障碍物图片302对应的中间分类标识309。服务器301确定训练任务的标识310，在中间分类标识309与训练任务的标识310不一致的情况下，根据中间分类标识309和训练任务的标识310确定中间元学习模型308对应的损失函数值311，进而根据损失函数值311调整中间元学习模型308的模型参数，执行第二阶段模型参数更新312，得到目标元学习模型313，以通过目标元学习模型313进行目标障碍物图片321的识别。
图4是根据本申请实施例的障碍物识别装置的主要模块的示意图。如图4所示，障碍物识别装置包括获取单元401、分类标识输出单元402、训练单元403和目标元学习模型确定单元404。
获取单元401，被配置成获取障碍物图片。
分类标识输出单元402，被配置成将障碍物图片输入至预训练的元学习模型中，输出障碍物图片对应的分类标识。
训练单元403，被配置成在分类标识为空的情况下，调用模型训练引擎，基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别障碍物图片对应的中间分类标识。
目标元学习模型确定单元404，被配置成确定训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。
在一些实施例中，装置还包括预训练单元(图4中未示出)，被配置成：获取初始元学习模型，以部署至终端，进而调用模型训练引擎，基于知识蒸馏方法对初始元学习模型进行训练，以得到预训练的元学习模型。
在一些实施例中，预训练单元进一步被配置成：确定训练任务类型；根据训练任务类型确定抽取的样本分类个数、每个样本分类对应的支撑集的样本个数和查询集的样本个数；根据样本分类个数、支撑集的样本个数和查询集的样本个数，从元样本集中确定出每个样本分类对应的训练任务的支撑集和查询集。
在一些实施例中，预训练单元进一步被配置成：调用模型训练引擎，基于知识蒸馏方法分别提取各训练任务对应的支撑集中各样本的第一特征和第二特征，以基于各第一特征和第二特征，计算各任务对应的损失函数值，并分别基于各任务对应的损失函数值调整知识蒸馏方法对应的模型的模型参数，进而分别将调整的模型参数更新至初始元学习模型，以得到更新的初始元学习模型；再次基于知识蒸馏方法分别提取各任务对应的查询集中各样本的第三特征和第四特征，以基于各第三特征和第四特征，计算各任务对应的损失函数值的和，基于损失函数值的和，并根据随机梯度下降法，再次调整知识蒸馏方法对应的模型的模型参数，进而将再次调整的模型参数更新至更新的初始元学习模型，以得到预训练的元学习模型。
在一些实施例中，预训练单元进一步被配置成：确定第一特征对应的第一特征向量和第二特征对应的第二特征向量；根据各第一特征向量、各第二特征向量和预设系数，确定各训练任务对应的蒸馏损失函数值；根据知识蒸馏方法对应的模型参数以及预设系数，确定分类损失函数值；根据各蒸馏损失函数值和各分类损失函数值，确定各训练任务对应的损失函数值。
需要说明的是，在本申请障碍物识别方法和障碍物识别装置在具体实施内容上具有相应关系，故重复内容不再说明。
图5示出了可以应用本申请实施例的障碍物识别方法或障碍物识别装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是设置于自动驾驶车辆上的具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、摄像机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对终端设备501、502、503获取的障碍物图片提供支持的后台管理服务器(仅为示例)。后台管理服务器可以获取障碍物图片；将障碍物图片输入至预训练的元学习模型中，输出障碍物图片对应的分类标识；在分类标识为空的情况下，调用模型训练引擎，基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以确定障碍物图片对应的中间分类标识；确定训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。从而使得车端目标元学习模型可以准确识别更多类别的障碍物。
需要说明的是，本申请实施例所提供的障碍物识别方法一般由服务器505执行，相应地，障碍物识别装置一般设置于服务器505中。
应该理解，图5中的终端设备、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终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶征信授权查询处理器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、分类标识输出单元、训练单元和目标元学习模型确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质(即存储介质)，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备获取障碍物图片；将障碍物图片输入至预训练的元学习模型，输出障碍物图片对应的分类标识；在分类标识为空的情况下，调用模型训练引擎，基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以确定障碍物图片对应的中间分类标识；确定训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。从而使得车端目标元学习模型可以准确识别更多类别的障碍物。
根据本申请实施例的技术方案，通过在调用预训练的计算量较小的元学习模型进行障碍物识别时，当遇到没有训练过的障碍物图片时，通过调用与该没有训练过的障碍物图片对应的任务对该预训练的元学习模型进行再次训练，并进行两个阶段的模型参数更新，进而使得训练得到的用于自动驾驶车端的元学习模型可以准确识别更多类别的障碍物。
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，取决于设计要求和其他因素，可以发生各种各样的修改、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 (12)
1.一种障碍物识别方法，其特征在于，包括：
获取障碍物图片；
将所述障碍物图片输入至预训练的元学习模型中，输出所述障碍物图片对应的分类标识；
在所述分类标识为空的情况下，调用模型训练引擎，基于所述障碍物图片，从预设的任务集中获取与所述障碍物图片对应的任务，进而利用所述任务对所述预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别所述障碍物图片对应的中间分类标识；
确定所述训练任务的标识，在所述中间分类标识与所述训练任务的标识不一致的情况下，根据所述中间分类标识和所述训练任务的标识确定所述中间元学习模型对应的损失函数值，进而根据所述损失函数值调整所述中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过所述目标元学习模型进行目标障碍物图片的识别。
2.根据权利要求1所述的方法，其特征在于，在所述获取障碍物图片之前，所述方法还包括：
获取初始元学习模型，以部署至终端，进而调用模型训练引擎，基于知识蒸馏方法对所述初始元学习模型进行训练，以得到所述预训练的元学习模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
确定训练任务类型；
根据所述训练任务类型确定抽取的样本分类个数、每个样本分类对应的支撑集的样本个数和查询集的样本个数；
根据所述样本分类个数、所述支撑集的样本个数和查询集的样本个数，从元样本集中确定出每个样本分类对应的训练任务的支撑集和查询集。
4.根据权利要求3所述的方法，其特征在于，所述基于知识蒸馏方法对所述初始元学习模型进行训练，以得到预训练的元学习模型，包括：
调用模型训练引擎，基于知识蒸馏方法分别提取各训练任务对应的支撑集中各样本的第一特征和第二特征，以基于各所述第一特征和第二特征，计算各训练任务对应的损失函数值，并分别基于各任务对应的损失函数值调整知识蒸馏方法对应的模型的模型参数，进而分别将调整的模型参数更新至所述初始元学习模型，以得到更新的初始元学习模型；
再次基于知识蒸馏方法分别提取各任务对应的查询集中各样本的第三特征和第四特征，以基于各所述第三特征和第四特征，计算各任务对应的损失函数值的和，基于所述损失函数值的和，并根据随机梯度下降法，再次调整知识蒸馏方法对应的模型的模型参数，进而将再次调整的模型参数更新至所述更新的初始元学习模型，以得到所述预训练的元学习模型。
5.根据权利要求4所述的方法，其特征在于，所述计算各训练任务对应的损失函数值，包括：
确定第一特征对应的第一特征向量和第二特征对应的第二特征向量；
根据各所述第一特征向量、各所述第二特征向量和预设系数，确定各训练任务对应的蒸馏损失函数值；
根据知识蒸馏方法对应的模型参数以及预设系数，确定分类损失函数值；
根据各所述蒸馏损失函数值和各所述分类损失函数值，确定各训练任务对应的损失函数值。
6.一种障碍物识别装置，其特征在于，包括：
获取单元，被配置成获取障碍物图片；
分类标识输出单元，被配置成将所述障碍物图片输入至预训练的元学习模型中，输出所述障碍物图片对应的分类标识；
训练单元，被配置成在所述分类标识为空的情况下，调用模型训练引擎，基于所述障碍物图片，从预设的任务集中获取与所述障碍物图片对应的任务，进而利用所述任务对所述预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别所述障碍物图片对应的中间分类标识；
目标元学习模型确定单元，被配置成确定所述训练任务的标识，在所述中间分类标识与所述训练任务的标识不一致的情况下，根据所述中间分类标识和所述训练任务的标识确定所述中间元学习模型对应的损失函数值，进而根据所述损失函数值调整所述中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过所述目标元学习模型进行目标障碍物图片的识别。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括预训练单元，被配置成：
获取初始元学习模型，以部署至终端，进而调用模型训练引擎，基于知识蒸馏方法对所述初始元学习模型进行训练，以得到所述预训练的元学习模型。
8.根据权利要求7所述的装置，其特征在于，所述预训练单元进一步被配置成：
确定训练任务类型；
根据所述训练任务类型确定抽取的样本分类个数、每个样本分类对应的支撑集的样本个数和查询集的样本个数；
根据所述样本分类个数、所述支撑集的样本个数和查询集的样本个数，从元样本集中确定出每个样本分类对应的训练任务的支撑集和查询集。
9.根据权利要求8所述的装置，其特征在于，所述预训练单元进一步被配置成：
调用模型训练引擎，基于知识蒸馏方法分别提取各训练任务对应的支撑集中各样本的第一特征和第二特征，以基于各所述第一特征和第二特征，计算各任务对应的损失函数值，并分别基于各任务对应的损失函数值调整知识蒸馏方法对应的模型的模型参数，进而分别将调整的模型参数更新至所述初始元学习模型，以得到更新的初始元学习模型；
再次基于知识蒸馏方法分别提取各任务对应的查询集中各样本的第三特征和第四特征，以基于各所述第三特征和第四特征，计算各任务对应的损失函数值的和，基于所述损失函数值的和，并根据随机梯度下降法，再次调整知识蒸馏方法对应的模型的模型参数，进而将再次调整的模型参数更新至所述更新的初始元学习模型，以得到所述预训练的元学习模型。
10.根据权利要求9所述的装置，其特征在于，所述预训练单元进一步被配置成：
确定第一特征对应的第一特征向量和第二特征对应的第二特征向量；
根据各所述第一特征向量、各所述第二特征向量和预设系数，确定各训练任务对应的蒸馏损失函数值；
根据知识蒸馏方法对应的模型参数以及预设系数，确定分类损失函数值；
根据各所述蒸馏损失函数值和各所述分类损失函数值，确定各训练任务对应的损失函数值。
11.一种障碍物识别电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110440521.9A CN113128419B (zh) | 2021-04-23 | 2021-04-23 | 一种障碍物识别方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110440521.9A CN113128419B (zh) | 2021-04-23 | 2021-04-23 | 一种障碍物识别方法和装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113128419A CN113128419A (zh) | 2021-07-16 |
| CN113128419B true CN113128419B (zh) | 2023-12-05 |
Family
ID=76779626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110440521.9A Active CN113128419B (zh) | 2021-04-23 | 2021-04-23 | 一种障碍物识别方法和装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128419B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780101A (zh) * | 2021-08-20 | 2021-12-10 | 京东鲲鹏(江苏)科技有限公司 | 避障模型的训练方法、装置、电子设备及存储介质 |
| CN115730631A (zh) * | 2021-08-30 | 2023-03-03 | 华为云计算技术有限公司 | 联邦学习的方法和装置 |
| CN114170615A (zh) * | 2021-11-29 | 2022-03-11 | 中国平安人寿保险股份有限公司 | 一种银行卡识别方法、装置、计算机设备及存储介质 |
| CN114841338B (zh) * | 2022-04-06 | 2023-08-18 | 北京百度网讯科技有限公司 | 训练模型参数的方法、决策确定方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020144849A (ja) * | 2019-03-04 | 2020-09-10 | 富士通株式会社 | メタ学習ネットワークを訓練する装置及び方法 |
| CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、装置、设备及介质 |
| CN111724083A (zh) * | 2020-07-21 | 2020-09-29 | 腾讯科技（深圳）有限公司 | 金融风险识别模型的训练方法、装置、计算机设备及介质 |
| CN112308211A (zh) * | 2020-10-29 | 2021-02-02 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种基于元学习的领域增量方法 |
| CN112541458A (zh) * | 2020-12-21 | 2021-03-23 | 中国科学院自动化研究所 | 基于元学习的域自适应的人脸识别方法、系统、装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190354850A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Identifying transfer models for machine learning tasks |
| CN109583384A (zh) * | 2018-11-30 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 用于无人驾驶车的避障方法和装置 |
-
2021
- 2021-04-23 CN CN202110440521.9A patent/CN113128419B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020144849A (ja) * | 2019-03-04 | 2020-09-10 | 富士通株式会社 | メタ学習ネットワークを訓練する装置及び方法 |
| CN111724083A (zh) * | 2020-07-21 | 2020-09-29 | 腾讯科技（深圳）有限公司 | 金融风险识别模型的训练方法、装置、计算机设备及介质 |
| CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 人脸活体检测方法、装置、设备及介质 |
| CN112308211A (zh) * | 2020-10-29 | 2021-02-02 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种基于元学习的领域增量方法 |
| CN112541458A (zh) * | 2020-12-21 | 2021-03-23 | 中国科学院自动化研究所 | 基于元学习的域自适应的人脸识别方法、系统、装置 |
Non-Patent Citations (1)
| Title |
|---|
| MetaFuse: A Pre-trained Fusion Model for Human Pose Estimation;Rongchang Xie;IEEE;13683-13692 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113128419A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128419B (zh) | 一种障碍物识别方法和装置、电子设备及存储介质 | |
| CN111950638B (zh) | 基于模型蒸馏的图像分类方法、装置和电子设备 | |
| CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
| CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| WO2020000879A1 (zh) | 图像识别方法和装置 | |
| CN108171203B (zh) | 用于识别车辆的方法和装置 | |
| CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
| CN111046027B (zh) | 时间序列数据的缺失值填充方法和装置 | |
| CN108389172B (zh) | 用于生成信息的方法和装置 | |
| CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
| CN110009059B (zh) | 用于生成模型的方法和装置 | |
| CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
| CN113361710B (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
| CN112149699B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
| CN114945817A (zh) | 基于缺陷检测的任务处理方法、装置及设备及存储介质 | |
| CN113627536B (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN113408570A (zh) | 一种基于模型蒸馏的图像类别识别方法、装置、存储介质及终端 | |
| CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
| CN108268936B (zh) | 用于存储卷积神经网络的方法和装置 | |
| CN111353039B (zh) | 文件类别检测方法和装置 | |
| CN115293292A (zh) | 自动驾驶决策模型的训练方法及装置 | |
| CN113989569B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN113255819B (zh) | 用于识别信息的方法和装置 | |
| CN114627331A (zh) | 模型训练方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |