CN113192175A - 模型训练方法、装置、计算机设备和可读存储介质 - Google Patents
模型训练方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN113192175A CN113192175A CN202110400104.1A CN202110400104A CN113192175A CN 113192175 A CN113192175 A CN 113192175A CN 202110400104 A CN202110400104 A CN 202110400104A CN 113192175 A CN113192175 A CN 113192175A
- Authority
- CN
- China
- Prior art keywords
- network model
- data set
- training
- initial network
- sample data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能技术领域,特别是涉及一种模型训练方法、装置、计算机设备和可读存储介质。所述方法包括:获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集;构建初始网络模型;通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型;基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。采用本方法能够提升模型训练处理效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种模型训练方法、装置、计算机设备和可读存储介质。
背景技术
随着人工智能在图像处理技术上的不断发展,计算机设备能够利用如机器学习技术,对图像或者视频进行个性化处理,如图像分类、目标检测、图像分割、关键点检测等,得到满足用户实际需求的图像处理结果。
在传统方式中,为了提高图像处理效率及准确性,通常是利用机器学习网络(尤其是深度学习网络),对大量带有标注信息的样本数据进行有监督训练,得到满足相应场景的图像处理任务需求的图像处理模型。
但是,在该种方式中,需要从真实场景中采集大量的数据,并对采集的数据通过人工进行标注,以得到用于模型训练的样本数据,从而使得带标记的样本数据的获取速度较慢,使得模型的训练处理效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升模型训练处理效率的模型训练方法、装置、计算机设备和可读存储介质。
一种模型训练方法,所述方法包括:
获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集;
构建初始网络模型;
通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型;
基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
在其中一个实施例中,获取样本数据集,包括:
构建对应真实场景的虚拟仿真场景,并在虚拟仿真场景中添加虚拟相机;
通过虚拟相机对虚拟仿真场景进行样本数据的采集,生成对应虚拟仿真场景的第一样本数据集,第一样本数据集包括虚拟仿真场景中不同预设条件下的第一样本图像,各第一样本图像包括通过虚拟相机对虚拟仿真场景中的目标对象进行标注的标注信息;
采集真实场景中的多张第二样本图像,并对各第二样本图像进行标注,得到第二样本数据集。
在其中一个实施例中,通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,包括:
初始化初始网络模型的网络权重;
将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据;
计算实际输出数据与第一样本数据集的差值;
判断差值是否小于或等于预设误差阈值,并当差值小于或等于预设误差阈值时,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,判断差值是否小于或等于预设误差阈值之后,还包括:
当差值大于预设误差阈值时,根据差值对初始网络模型的网络权重进行更新,得到网络权重更新后的初始网络模型,并通过第一样本数据集对网络权重更新后的初始网络模型继续进行训练,直至差值小于或等于预设误差阈值,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据,包括:
从第一样本数据集中随机抽取一个随机样本,并将随机样本输入初始化后的初始网络模型中,通过初始化后的初始网络模型对随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理后,输出对应随机样本的实际输出数据。
在其中一个实施例中,通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,包括:
将第一样本数据集分为第一训练数据集以及第一验证数据集;
通过第一训练数据集对初始网络模型进行初次训练,得到训练后的初始网络模型;
通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型。
在其中一个实施例中,通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型,包括:
将第一验证数据集输入训练后的初始网络模型,生成对应训练后的初始网络模型的验证结果;
基于验证结果以及第一验证数据集,确定训练后的初始网络模型的正确率;
判断正确率是否大于或等于预设正确率阈值;
当正确率大于或等于预设正确率阈值时,确定验证通过,得到初次训练完成的初始网络模型。
一种模型训练装置,所述装置包括:
样本数据集获取模块,用于获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集;
模型构建模块,用于构建初始网络模型;
初次训练模块,用于通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型;
二次训练模块,用于基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述模型训练方法、装置、计算机设备和可读存储介质,通过获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集,然后构建初始网络模型,并通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,进一步基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。从而,可以基于虚拟仿真场景生成大量待标注的第一样本数据集,可以减少样本数据的获取时间,提升模型的训练处理效率。并且,通过基于虚拟仿真场景对应的第一样本数据集进行初次训练,然后通过基于真实场景的第二样本数据集进行二次训练,使得可以通过较少的真实场景的样本数据即可完成模型的训练,进一步提升模型训练的效率。
附图说明
图1为一个实施例中模型训练方法的应用场景图;
图2为一个实施例中模型训练方法的流程示意图;
图3为另一个实施例中模型训练方法的流程示意图;
图4为又一个实施例中模型训练方法的流程示意图;
图5为再一个实施例中模型训练方法的流程示意图;
图6为一个实施例中模型训练装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的模型训练方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。用户可以通过终端生成模型训练指令,并发送至服务器104,以使得服务器104进行后续的处理。服务器104可以获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集,第一样本数据集基于对虚拟仿真场景进行采样,并对得到的采样数据进行目标对象的标注后生成。然后服务器104可以构建初始网络模型,通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型。进一步,服务器104可以基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种模型训练方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集。
其中,样本数据集是指用于对模型进行训练的数据集,样本数据集中可以包括多张不同的图像。样本数据集可以包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集。
在本实施例中,虚拟仿真场景是指基于真实场景构建的仿真场景,场景中可以包括对应真实场景中的各物体对象,例如,以医疗手术场景为例,虚拟场景中可以包括执行手续的医生、护士、手术设备(手术机器人、灯具、手术台、各种医疗设备等)以及柜子等。本领域技术人员可以理解的是,此处所述虚拟仿真场景不仅限于医疗手术场景,还可以适用于其他的场景,如交通场景等。
在本实施例中,服务器可以根据真实场景中的各物体对象,构建对应的三维模型,然后导入虚拟仿真平台中,以得到对应的虚拟仿真场景。
在本实施例中,虚拟仿真场景中的各物体可以基于服务器的控制进行运动或者进行调整,例如,服务器可以控制虚拟仿真场景中医生、护士等医护人员的运动,位姿的调整等。同时,服务器还可以对虚拟仿真场景的中的光照类型、光照强度等进行调整,以模拟不同的光照条件。
在本实施例中,虚拟仿真场景中还可以包括虚拟相机,服务器可以通过控制虚拟相机处于不同的位姿,以采集虚拟仿真场景的虚拟图像。
在本实施例中,服务器可以根据采集的虚拟仿真场景的虚拟图像,对各虚拟图像中的各目标对象进行标注,以得到用于进行模型初次训练的第一样本数据集。
进一步,服务器可以通过终端采集真实场景中的真实图像,并对真实场景中的各真实对象进行标注,以得到用于进行模型二次训练的第二样本数据集。
在本实施例中,服务器基于虚拟仿真场景采集得到的第一样本数据集中的样本数量可以远大于基于真实场景的第二样本数据集中的样本数量。例如,模型训练需要10万个样本数据,第一样本数据集可以包括9.5万个,而第二样本数据集可以仅包括0.5万个。本领域技术人员可以理解的是,此处仅为举例说明,在其他实施例中,第一样本数据集与第二样本数据集之间可以满足一预设的数量级关系,例如,1万倍,或这是10万倍等,本申请对此不作限制。
步骤S204,构建初始网络模型。
其中,初始网络模型可以是指基于深度学习或者是机器学习的网络模型,本申请对具体的网络结构不作限制。
在本实施例中,服务器可以根据具体的业务要求,构建对应业务要求的初始网络模型,并进行后续网络模型的训练,例如,对于医疗手术场景,场景物体对象相对较少,可以构建适用于医疗手术场景业务要求的初始网络模型数据,对于交通场景,场景中物体对象较多,且变化较为复杂,可以构建适用于交通场景业务要求的初始网络模型数据。
步骤S206,通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型。
在本实施例中,服务器可以将获取到的第一样本数据集输入初始网络模型中,对初始网络模型进行迭代训练,以得到初次训练完成的初始网络模型。
具体地,服务器可以将第一样本数据集输入初始网络模型中,通过初始网络模型对样本数据集进行特征提取,并进行回归预测,以使得模型学习到样本的特征。
在本实施例中,服务器在将第一样本数据集输入初始网络模型之前,还可以基于初始网络模型的输入要求,对第一样本数据集中的各样本图像进行归一化处理,以得到与初始网络模型匹配的第一样本数据集。从而可以提升网络学习的准确性以及学习效率。
步骤S208,基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
在本实施例中,服务器在基于第一样本数据集完成对初始网络模型初次训练后,可以通过第二样本数据集,对初次训练完成的初始网络模型进行二次训练,以得到最终的目标网络模型。
具体地,服务器可以对第二样本数据集中的各样本图像进行归一化处理,然后将归一化处理后的第二样本数据集输入初次训练完成的初始网络模型,通过初次训练完成的初始网络模型对第二样本数据集中归一化处理后的各样本图像进行特征提取以及回归预测,以进行模型的训练,得到训练完成的目标检测模型。
上述模型训练方法中,通过获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集,第一样本数据集基于对虚拟仿真场景进行采样,并对得到的采样数据进行目标对象的标注后生成,然后构建初始网络模型,并通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,进一步基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。从而,可以基于虚拟仿真场景生成大量待标注的第一样本数据集,可以减少样本数据的获取时间,提升模型的训练处理效率。并且,通过基于虚拟仿真场景对应的第一样本数据集进行初次训练,然后通过基于真实场景的第二样本数据集进行二次训练,使得可以通过较少的真实场景的样本数据即可完成模型的训练,进一步提升模型训练的效率。
在其中一个实施例中,获取样本数据集,可以包括:构建对应真实场景的虚拟仿真场景,并在虚拟仿真场景中添加虚拟相机;通过虚拟相机对虚拟仿真场景进行样本数据的采集,生成对应虚拟仿真场景的第一样本数据集,第一样本数据集包括虚拟仿真场景中不同预设条件下的第一样本图像,各第一样本图像包括通过虚拟相机对虚拟仿真场景中的目标对象进行标注的标注信息;采集真实场景中的多张第二样本图像,并对各第二样本图像进行标注,得到第二样本数据集。
在本实施例中,参考图3,服务器可以通过三维建模软件构建对真实场景中的各单个物体进行建模,然后导入虚拟仿真平台,以得到构建的基本场景。
进一步,服务器可以在构建的基本场景中添加智能相机,即虚拟相机,并对基本场景进行场景配置的添加,得到对应的场景配置文件。
进一步,服务器通过对智能相机编写可执行程序,使得通过运行可执行程序,即可调整虚拟仿真场景中的场景配置,进而可以采集到对应于不同预设条件的图像。
具体地,服务器在构建好虚拟仿真场景后,通过执行配置于智能相机的可执行程序,使得可以对场景中的各虚拟物体的物体位姿、智能相机的相机位姿以及虚拟仿真场景的光照类型、光照强度等进行调整,并采集各调整后的虚拟仿真场景的图像。
在本实施例中,智能相机在采集到各虚拟图像后,可以根据虚拟仿真场景所对应的模型数据,对采集的各虚拟图像进行目标对象的识别,例如,识别虚拟图像中的人物、识别医疗手术场景中的各种医疗设备等,并根据虚拟仿真场景所对应的模型数据,对各目标对象进行标注,以得到目标对象标注后的各虚拟图像,即得到各第一样本图像。
具体地,服务器可以根据模型数据中各目标物体的物体标识,对采集的各虚拟图像中的各目标对象进行标注,得到第一样本图像。
在本实施例中,同一虚拟图像中可以包括多个目标物体,例如,可以同时包括医生、护士、无影灯、心电监测设备等,则服务器可以根据对各目标物体进行识别多得到的识别结果,对虚拟图像中的各目标对象分别进行标注。其中,识别结果可以包括但不限于各个目标物体的种类信息、尺寸信息以及对象标识信息等。
在本实施例中,服务器可以预设设置相机以及各物体的各不同的位姿,以及设置多种不同类型或者是多种不同强度的光照,从而,使得在进行采集的时候,可以采集到对应于不同预设条件下的第一样本图像,使得得到的第一样本数据集中的各第一样本图像的物体位姿、相机位姿或者光照条件中至少一个不相同,以提升样本的多样性以及差异性。
进一步,服务器可以通过终端采集真实场景中的多张第二样本图像,并对各第二样本图像进行标注,得到第二样本数据集。
在本实施例中,第二样本数据集也可以是带标注信息的历史数据集,本申请对此不作限制。
上述实施例中,通过虚拟相机采集在不同预设条件下的虚拟仿真场景,并对采集到的图像进行目标对象的标注,可以以智能化的方式进行目标对象的标注,相比于传统方式中通过人工进行标注,可以提升标注的智能化水平,提升处理效率。并且,通过采集到对应于不同预设条件下的第一样本图像,可以提升样本的多样性以及差异性,并且可以提升用于训练模型的第一样本数据集的数据量。
在其中一个实施例中,通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,可以包括:初始化初始网络模型的网络权重;将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据;计算实际输出数据与第一样本数据集的差值;判断差值是否小于或等于预设误差阈值,并当差值小于或等于预设误差阈值时,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
其中,网络权重是指初始网络模型中各模型参数。
在本实施例中,参考图4,服务器在构建好初始检测模型后,可以对初始网络模型进行初始化处理,例如,通过较小随机数初始化初始检测模型的网络权重。
进一步,服务器可以将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据。
具体地,服务器可以通过初始化后的初始网络模型对第一样本数据集进行前向传播,例如,进行多次多尺度特征的提取,以得到对应第一样本数据集的实际输出数据。本领域技术人员可以理解的是,此处所述实际输出数据是指模型基于第一样本数据集学习后,所生成的对应的第一样本数据集的输出结果数据,为模型实际计算得到的数据。
进一步,服务器可以根据得到的实际输出数据以及第一样本数据集,计算差值。
在本实施例中,服务器在确定实际输出数据与第一样本数据集之间的差值后,可以根据预先设置的预设误差阈值,对差值进行判定,判断差值是否小于或等于预设误差阈值。
在本实施例中,当服务器确定差值小于或等于预设误差阈值时,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,判断差值是否小于或等于预设误差阈值之后,还可以包括:当差值大于预设误差阈值时,根据差值对初始网络模型的网络权重进行更新,得到网络权重更新后的初始网络模型,并通过第一样本数据集对网络权重更新后的初始网络模型继续进行训练,直至差值小于或等于预设误差阈值,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在本实施例中,差值是模型输出层的差值,服务器在确定初始网络模型输出层的差值之后,可以根据输出层的差值,进行反向传播,计算初始网络模型各隐藏层的差值,进而根据各隐藏层的差值,对初始网络模型的网络权重进行更新,即调整网络模型的模型参数,以得到调整后或者是更新后的初始网络模型。
在本实施例中,服务器可以根据第一训练数据集继续对网络权重更新后的网络模型进行迭代训练,直至计算得到的差值小于或等于预设误差阈值,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
上述实施例中,通过对第一样本数据集以及对应的实际输出数据之间的差值进行计算,并与预设阈值进行比较判定,使得可以在确定差值小于或等于预设误差阈值时,及时完成对初始网络模型的初次训练,并在差值大于预设误差阈值,调整网络权重并继续进行训练,避免因为过训练所带来的资源耗费以及欠训练使得模型未训练完成,提升了模型训练的准确性以及减少了资源耗费。
在其中一个实施例中,将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据,可以包括:从第一样本数据集中随机抽取一个随机样本,并将随机样本输入初始化后的初始网络模型中,通过初始化后的初始网络模型对随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理后,输出对应随机样本的实际输出数据。
在本实施例中,继续参考图4,服务器可以从第一样本数据集中随机抽取一个随机样本,并输入初始化后的初始网络模型中,并通过初始网络模型对输入的随机样本进行处理。
具体地,初始化后的初始网络模型可以对随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理,然后输出对应随机样本的实际输出数据。
在本实施例中,服务器可以通过初始化后的初始网络模型的单个网络层对随机样本进行单次卷积处理和/或下采样处理和/或全连接处理,或者是通过多个网络层进行多次卷积处理和/或下采样处理和/或全连接处理。
在本实施例中,服务器在得到随机样本的实际输出数据,可以对实际输出数据与输入的随机样本之间的差值进行计算,进而进行差值的判定。
在本实施例中,当服务器确定差值大于预设误差阈值时,则服务器可以对网络权重进行更新调整,并从第一样本数据集中再次选择一个随机样本输入网络权重更新后的初始网络模型中,并继续进行模型的训练。
在本实施例中,服务器在确定完成初始网络模型的初次训练后,可以按照上述初次训练的训练方式,从第二样本数据集中确定随机样本,并输入初次训练完成的初始网络模型中,对初次训练完成的初始网络模型进行二次训练。然后服务器可以根据二次训练过程中模型输出的实际输出数据,进行实际输出数据与从第二样本数据集中确定的随机样本之间的差值,进而进行差值的判定。
在本实施例中,在二次训练过程中设置的预设误差阈值可以与初次训练过程中设置的预设误差阈值可以相同,也可以不同,本申请对此不作限制。
在本实施例中,服务器在确定二次训练过程中的差值小于或等于二次训练过程中设置的预设误差阈值时,则可以完成模型的训练,到目标网络模型。当服务器确定二次训练过程中的差值大于二次训练过程中设置的预设误差阈值时,则可以对初始网络模型的网络权重进行更新调整,并从第二样本数据集中再次确定随机样本,已对网络模型更新调整后的模型继续进行迭代训练,直至训练完成。
在其中一个实施例中,服务器在从第一训练数据集以及第二训练数据集中获取随机样本的时候,第一训练数据集以及第二训练数据集中的各样本仅可以获取一次,即每一次进行训练的随机样本各不相同。
在其中一个实施例中,通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,可以包括:将第一样本数据集分为第一训练数据集以及第一验证数据集;通过第一训练数据集对初始网络模型进行初次训练,得到训练后的初始网络模型;通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型。
在本实施例中,参考图5,服务器在获取到带标记信息的样本数据集后,可以将样本数据集划分为训练集以及验证集,即可以将第一样本数据集分为第一训练数据集以及第一验证数据集。
进一步,服务器可以将第一训练数据集输入初始网络模型中,进行初始检测模型的初次训练,直至模型收敛,就确定差值大于或等于预设误差阈值,得到训练后的初始网络模型。
进一步,服务器可以将第一验证数据集输入训练后的初始网络模型中,对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型。
在其中一个实施例中,通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型,可以包括:将第一验证数据集输入训练后的初始网络模型,生成对应训练后的初始网络模型的验证结果;基于验证结果以及第一验证数据集,确定训练后的初始网络模型的正确率;判断正确率是否大于或等于预设正确率阈值;当正确率大于或等于预设正确率阈值时,确定验证通过,得到初次训练完成的初始网络模型。
具体地,继续参考图5,服务器在通过第一验证数据集对训练后的初始网络模型进行验证时,可以将第一验证数据集输入训练后的初始网络模型,生成对应训练后的初始网络模型的验证结果。
在本实施例中,验证结果可以具体是指训练后的初始网络模型的识别结果,即识别验证集中目标对象的识别结果。
进一步,服务器可以根据训练后的初始网络模型的验证结果以及输入的第一验证数据集,计算训练后的初始网络模型的正确率,并进行正确率的判定。
在本实施例中,当服务器确定计算得到的正确率大于或等于预设正确率阈值时,则服务器可以确定验证通过,得到初次训练完成的初始网络模型,然后进行模型的二次训练。当服务器确定计算得到的正确率小于预设正确率阈值时,则服务器可以确定验证不通过,则根据第一训练数据集继续对初始网络模型进行训练,直至验证通过后再进行模型的二次训练。
在本实施例中,继续参考图5,服务器也可以将获取到的少量的真实样本,即第二样本数据集分为训练集以及验证集,并通过前文所述的方式进行初次训练后的初始检测模型的二次训练以及验证,直至验证通过,训练完成,得到目标网络模型。
上述实施例中,通过将样本数据分为训练集以及验证集,使得可以基于训练集进行训练,基于验证集进行验证,以通过不同的数据进行模型的训练与验证,使得最终的得到的模型更加准确。
应该理解的是,虽然图2~图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2~图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种模型训练装置,包括:样本数据集获取模块100、模型构建模块200、初次训练模块300以及二次训练模块400,其中:
样本数据集获取模块100,用于获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集。
模型构建模块200,用于构建初始网络模型。
初次训练模块300,用于通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型。
二次训练模块400,用于基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
在其中一个实施例中,样本数据集获取模块100可以包括:
场景构建子模块,用于构建对应真实场景的虚拟仿真场景,并在虚拟仿真场景中添加虚拟相机。
第一样本数据集获取子模块,用于通过虚拟相机对虚拟仿真场景进行样本数据的采集,生成对应虚拟仿真场景的第一样本数据集,第一样本数据集包括虚拟仿真场景中不同预设条件下的第一样本图像,各第一样本图像包括通过虚拟相机对虚拟仿真场景中的目标对象进行标注的标注信息。
第二样本数据集生成子模块,用于采集真实场景中的多张第二样本图像,并对各第二样本图像进行标注,得到第二样本数据集。
在其中一个实施例中,初次训练模块300可以包括:
初始化子模块,用于初始化初始网络模型的网络权重。
实际输出数据获取子模块,用于将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据。
差值计算子模块,用于计算实际输出数据与第一样本数据集的差值。
判断子模块,用于判断差值是否小于或等于预设误差阈值,并当差值小于或等于预设误差阈值时,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,判断子模块还用于当差值大于预设误差阈值时,根据差值对初始网络模型的网络权重进行更新,得到网络权重更新后的初始网络模型,并通过第一样本数据集对网络权重更新后的初始网络模型继续进行训练,直至差值小于或等于预设误差阈值,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,实际输出数据获取子模块用于从第一样本数据集中随机抽取一个随机样本,并将随机样本输入初始化后的初始网络模型中,通过初始化后的初始网络模型对随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理后,输出对应随机样本的实际输出数据。
在其中一个实施例中,初次训练模块300可以包括:
数据集划分子模块,用于将第一样本数据集分为第一训练数据集以及第一验证数据集。
初次训练子模块,用于通过第一训练数据集对初始网络模型进行初次训练,得到训练后的初始网络模型。
验证子模块,用于通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型。
在其中一个实施例中,验证子模块可以包括:
验证结果确定单元,用于将第一验证数据集输入训练后的初始网络模型,生成对应训练后的初始网络模型的验证结果。
正确率确定单元,用于基于验证结果以及第一验证数据集,确定训练后的初始网络模型的正确率。
判断单元,用于判断正确率是否大于或等于预设正确率阈值。
验证通过单元,用于当正确率大于或等于预设正确率阈值时,确定验证通过,得到初次训练完成的初始网络模型。
关于模型训练装置的具体限定可以参见上文中对于模型训练方法的限定,在此不再赘述。上述模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本数据集等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种模型训练方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集;构建初始网络模型;通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型;基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
在其中一个实施例中,处理器执行计算机程序时实现获取样本数据集,可以包括:构建对应真实场景的虚拟仿真场景,并在虚拟仿真场景中添加虚拟相机;通过虚拟相机对虚拟仿真场景进行样本数据的采集,生成对应虚拟仿真场景的第一样本数据集,第一样本数据集包括虚拟仿真场景中不同预设条件下的第一样本图像,各第一样本图像包括通过虚拟相机对虚拟仿真场景中的目标对象进行标注的标注信息;采集真实场景中的多张第二样本图像,并对各第二样本图像进行标注,得到第二样本数据集。
在其中一个实施例中,处理器执行计算机程序时实现通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,可以包括:初始化初始网络模型的网络权重;将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据;计算实际输出数据与第一样本数据集的差值;判断差值是否小于或等于预设误差阈值,并当差值小于或等于预设误差阈值时,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,处理器执行计算机程序时实现判断差值是否小于或等于预设误差阈值之后,还可以实现以下步骤:当差值大于预设误差阈值时,根据差值对初始网络模型的网络权重进行更新,得到网络权重更新后的初始网络模型,并通过第一样本数据集对网络权重更新后的初始网络模型继续进行训练,直至差值小于或等于预设误差阈值,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,处理器执行计算机程序时实现将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据,可以包括:从第一样本数据集中随机抽取一个随机样本,并将随机样本输入初始化后的初始网络模型中,通过初始化后的初始网络模型对随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理后,输出对应随机样本的实际输出数据。
在其中一个实施例中,处理器执行计算机程序时实现通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,可以包括:将第一样本数据集分为第一训练数据集以及第一验证数据集;通过第一训练数据集对初始网络模型进行初次训练,得到训练后的初始网络模型;通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型。
在其中一个实施例中,处理器执行计算机程序时实现通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型,可以包括:将第一验证数据集输入训练后的初始网络模型,生成对应训练后的初始网络模型的验证结果;基于验证结果以及第一验证数据集,确定训练后的初始网络模型的正确率;判断正确率是否大于或等于预设正确率阈值;当正确率大于或等于预设正确率阈值时,确定验证通过,得到初次训练完成的初始网络模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取样本数据集,样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集;构建初始网络模型;通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型;基于第二样本数据集对初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
在其中一个实施例中,计算机程序被处理器执行时实现获取样本数据集,可以包括:构建对应真实场景的虚拟仿真场景,并在虚拟仿真场景中添加虚拟相机;通过虚拟相机对虚拟仿真场景进行样本数据的采集,生成对应虚拟仿真场景的第一样本数据集,第一样本数据集包括虚拟仿真场景中不同预设条件下的第一样本图像,各第一样本图像包括通过虚拟相机对虚拟仿真场景中的目标对象进行标注的标注信息;采集真实场景中的多张第二样本图像,并对各第二样本图像进行标注,得到第二样本数据集。
在其中一个实施例中,计算机程序被处理器执行时实现通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,可以包括:初始化初始网络模型的网络权重;将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据;计算实际输出数据与第一样本数据集的差值;判断差值是否小于或等于预设误差阈值,并当差值小于或等于预设误差阈值时,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,计算机程序被处理器执行时实现判断差值是否小于或等于预设误差阈值之后,还可以实现以下步骤:当差值大于预设误差阈值时,根据差值对初始网络模型的网络权重进行更新,得到网络权重更新后的初始网络模型,并通过第一样本数据集对网络权重更新后的初始网络模型继续进行训练,直至差值小于或等于预设误差阈值,完成对初始网络模型的初次训练,得到初次训练完成的初始网络模型。
在其中一个实施例中,计算机程序被处理器执行时实现将第一样本数据集输入初始化后的初始网络模型中,通过初始化后的初始网络模型对第一样本数据集进行特征提取,得到对应第一样本数据集的实际输出数据,可以包括:从第一样本数据集中随机抽取一个随机样本,并将随机样本输入初始化后的初始网络模型中,通过初始化后的初始网络模型对随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理后,输出对应随机样本的实际输出数据。
在其中一个实施例中,计算机程序被处理器执行时实现通过第一样本数据集对初始网络模型进行初次训练,得到初次训练完成的初始网络模型,可以包括:将第一样本数据集分为第一训练数据集以及第一验证数据集;通过第一训练数据集对初始网络模型进行初次训练,得到训练后的初始网络模型;通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型。
在其中一个实施例中,计算机程序被处理器执行时实现通过第一验证数据集对训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型,可以包括:将第一验证数据集输入训练后的初始网络模型,生成对应训练后的初始网络模型的验证结果;基于验证结果以及第一验证数据集,确定训练后的初始网络模型的正确率;判断正确率是否大于或等于预设正确率阈值;当正确率大于或等于预设正确率阈值时,确定验证通过,得到初次训练完成的初始网络模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种模型训练方法,其特征在于,所述方法包括:
获取样本数据集,所述样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集;
构建初始网络模型;
通过所述第一样本数据集对所述初始网络模型进行初次训练,得到初次训练完成的初始网络模型;
基于所述第二样本数据集对所述初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
2.根据权利要求1所述的方法,其特征在于,所述获取样本数据集,包括:
构建对应真实场景的虚拟仿真场景,并在所述虚拟仿真场景中添加虚拟相机;
通过所述虚拟相机对所述虚拟仿真场景进行样本数据的采集,生成对应所述虚拟仿真场景的第一样本数据集,所述第一样本数据集包括所述虚拟仿真场景中不同预设条件下的第一样本图像,各所述第一样本图像包括通过所述虚拟相机对虚拟仿真场景中的目标对象进行标注的标注信息;
采集真实场景中的多张第二样本图像,并对各所述第二样本图像进行标注,得到第二样本数据集。
3.根据权利要求1所述的方法,其特征在于,所述通过所述第一样本数据集对所述初始网络模型进行初次训练,得到初次训练完成的初始网络模型,包括:
初始化所述初始网络模型的网络权重;
将所述第一样本数据集输入初始化后的所述初始网络模型中,通过初始化后的所述初始网络模型对所述第一样本数据集进行特征提取,得到对应所述第一样本数据集的实际输出数据;
计算所述实际输出数据与所述第一样本数据集的差值;
判断所述差值是否小于或等于预设误差阈值,并当所述差值小于或等于所述预设误差阈值时,完成对所述初始网络模型的初次训练,得到初次训练完成的初始网络模型。
4.根据权利要求3所述的方法,其特征在于,所述判断所述差值是否小于或等于预设误差阈值之后,还包括:
当所述差值大于所述预设误差阈值时,根据所述差值对所述初始网络模型的网络权重进行更新,得到网络权重更新后的所述初始网络模型,并通过所述第一样本数据集对所述网络权重更新后的所述初始网络模型继续进行训练,直至所述差值小于或等于所述预设误差阈值,完成对所述初始网络模型的初次训练,得到初次训练完成的初始网络模型。
5.根据权利要求3所述的方法,其特征在于,所述将所述第一样本数据集输入初始化后的所述初始网络模型中,通过初始化后的所述初始网络模型对所述第一样本数据集进行特征提取,得到对应所述第一样本数据集的实际输出数据,包括:
从所述第一样本数据集中随机抽取一个随机样本,并将所述随机样本输入初始化后的所述初始网络模型中,通过初始化后的所述初始网络模型对所述随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理后,输出对应所述随机样本的实际输出数据。
6.根据权利要求1所述的方法,其特征在于,所述通过所述第一样本数据集对所述初始网络模型进行初次训练,得到初次训练完成的初始网络模型,包括:
将所述第一样本数据集分为第一训练数据集以及第一验证数据集;
通过所述第一训练数据集对所述初始网络模型进行初次训练,得到训练后的初始网络模型;
通过所述第一验证数据集对所述训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型。
7.根据权利要求6所述的方法,其特征在于,所述通过所述第一验证数据集对所述训练后的初始网络模型进行验证,并在验证通过后得到初次训练完成的初始网络模型,包括:
将所述第一验证数据集输入所述训练后的初始网络模型,生成对应所述训练后的初始网络模型的验证结果;
基于所述验证结果以及所述第一验证数据集,确定所述训练后的初始网络模型的正确率;
判断所述正确率是否大于或等于预设正确率阈值;
当所述正确率大于或等于预设所述正确率阈值时,确定验证通过,得到初次训练完成的初始网络模型。
8.一种模型训练装置,其特征在于,所述装置包括:
样本数据集获取模块,用于获取样本数据集,所述样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集;
模型构建模块,用于构建初始网络模型;
初次训练模块,用于通过所述第一样本数据集对所述初始网络模型进行初次训练,得到初次训练完成的初始网络模型;
二次训练模块,用于基于所述第二样本数据集对所述初次训练完成的初始网络模型进行二次训练,得到训练完成的目标网络模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400104.1A CN113192175A (zh) | 2021-04-14 | 2021-04-14 | 模型训练方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400104.1A CN113192175A (zh) | 2021-04-14 | 2021-04-14 | 模型训练方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113192175A true CN113192175A (zh) | 2021-07-30 |
Family
ID=76974048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110400104.1A Pending CN113192175A (zh) | 2021-04-14 | 2021-04-14 | 模型训练方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192175A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710325A (zh) * | 2022-03-17 | 2022-07-05 | 广州杰赛科技股份有限公司 | 网络入侵检测模型的构建方法、装置、设备及存储介质 |
CN116071621A (zh) * | 2023-03-15 | 2023-05-05 | 中汽智联技术有限公司 | 针对感知算法的训练样本生成和验证方法、设备和介质 |
CN116415687A (zh) * | 2022-12-29 | 2023-07-11 | 江苏东蓝信息技术有限公司 | 一种基于深度学习的人工智能网络优化训练系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
CN109190580A (zh) * | 2018-09-15 | 2019-01-11 | 武汉智觉空间信息技术有限公司 | 一种混合式虚拟场景辅助学习的电力部件识别方法 |
CN110490960A (zh) * | 2019-07-11 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种合成图像生成方法及装置 |
CN111488890A (zh) * | 2019-01-09 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 一种物品检测模型的训练方法和装置 |
US20200387698A1 (en) * | 2018-07-10 | 2020-12-10 | Tencent Technology (Shenzhen) Company Limited | Hand key point recognition model training method, hand key point recognition method and device |
CN112132213A (zh) * | 2020-09-23 | 2020-12-25 | 创新奇智(南京)科技有限公司 | 样本图像的处理方法及装置、电子设备、存储介质 |
CN112150575A (zh) * | 2020-10-30 | 2020-12-29 | 深圳市优必选科技股份有限公司 | 场景数据获取方法及模型训练方法、装置及计算机设备 |
CN112232293A (zh) * | 2020-11-09 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 图像处理模型训练、图像处理方法及相关设备 |
-
2021
- 2021-04-14 CN CN202110400104.1A patent/CN113192175A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
US20200387698A1 (en) * | 2018-07-10 | 2020-12-10 | Tencent Technology (Shenzhen) Company Limited | Hand key point recognition model training method, hand key point recognition method and device |
CN109190580A (zh) * | 2018-09-15 | 2019-01-11 | 武汉智觉空间信息技术有限公司 | 一种混合式虚拟场景辅助学习的电力部件识别方法 |
CN111488890A (zh) * | 2019-01-09 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 一种物品检测模型的训练方法和装置 |
CN110490960A (zh) * | 2019-07-11 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种合成图像生成方法及装置 |
CN112132213A (zh) * | 2020-09-23 | 2020-12-25 | 创新奇智(南京)科技有限公司 | 样本图像的处理方法及装置、电子设备、存储介质 |
CN112150575A (zh) * | 2020-10-30 | 2020-12-29 | 深圳市优必选科技股份有限公司 | 场景数据获取方法及模型训练方法、装置及计算机设备 |
CN112232293A (zh) * | 2020-11-09 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 图像处理模型训练、图像处理方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
李公法等: "人工智能与计算智能及其应用", 华中科技大学出版社, pages: 148 - 154 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710325A (zh) * | 2022-03-17 | 2022-07-05 | 广州杰赛科技股份有限公司 | 网络入侵检测模型的构建方法、装置、设备及存储介质 |
CN114710325B (zh) * | 2022-03-17 | 2023-09-15 | 广州杰赛科技股份有限公司 | 网络入侵检测模型的构建方法、装置、设备及存储介质 |
CN116415687A (zh) * | 2022-12-29 | 2023-07-11 | 江苏东蓝信息技术有限公司 | 一种基于深度学习的人工智能网络优化训练系统及方法 |
CN116415687B (zh) * | 2022-12-29 | 2023-11-21 | 江苏东蓝信息技术有限公司 | 一种基于深度学习的人工智能网络优化训练系统及方法 |
CN116071621A (zh) * | 2023-03-15 | 2023-05-05 | 中汽智联技术有限公司 | 针对感知算法的训练样本生成和验证方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797893B (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
CN112330685B (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
CN111832581B (zh) | 肺部特征识别方法、装置、计算机设备及存储介质 | |
CN110889325A (zh) | 多任务面部动作识别模型训练和多任务面部动作识别方法 | |
KR102374747B1 (ko) | 객체를 인식하는 장치 및 방법 | |
CN112270686B (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
EP3992975A1 (en) | Compound property analysis method and apparatus, compound property analysis model training method, and storage medium | |
CN113239874B (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
CN112446302B (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
CN113516778A (zh) | 模型训练数据获取方法、装置、计算机设备和存储介质 | |
CN110824587A (zh) | 图像预测方法、装置、计算机设备和存储介质 | |
CN110750523A (zh) | 数据标注方法、系统、计算机设备和存储介质 | |
CN112395979A (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN111860582B (zh) | 图像分类模型构建方法、装置、计算机设备和存储介质 | |
CN113705685A (zh) | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 | |
CN112115860A (zh) | 人脸关键点定位方法、装置、计算机设备和存储介质 | |
WO2022179603A1 (zh) | 一种增强现实方法及其相关设备 | |
CN113705276A (zh) | 模型构建方法、模型构建装置、计算机设备及介质 | |
CN114821736A (zh) | 基于对比学习的多模态人脸识别方法、装置、设备及介质 | |
CN114387304A (zh) | 目标跟踪方法、计算机程序产品、存储介质及电子设备 | |
KR20170057118A (ko) | 오브젝트 인식 방법 및 장치, 인식 모델 학습 방법 및 장치 | |
CN111340917B (zh) | 三维动画生成方法、装置、存储介质和计算机设备 |
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 |