CN113343803A - 模型训练方法、装置、设备和存储介质 - Google Patents
模型训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113343803A CN113343803A CN202110577048.9A CN202110577048A CN113343803A CN 113343803 A CN113343803 A CN 113343803A CN 202110577048 A CN202110577048 A CN 202110577048A CN 113343803 A CN113343803 A CN 113343803A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- feature
- trained
- fusion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000013140 knowledge distillation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009901 attention process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种模型训练方法、装置、设备和存储介质，涉及人工智能技术领域，具体涉及计算机视觉、深度学习等技术领域。模型训练方法包括：采用多个已训练模型，提取图像样本的图像特征，以获得多个第一图像特征；采用待训练模型，提取所述图像样本的图像特征，以获得第二图像特征；基于所述多个第一图像特征确定融合特征；基于所述融合特征和所述第二图像特征构建损失函数，并采用所述损失函数训练所述待训练模型。本公开可以提高待训练模型的处理效果。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及计算机视觉、深度学习等技术领域，可应用于图像处理场景下，尤其涉及一种模型训练方法、装置、设备和存储介质。
背景技术
知识蒸馏(knowledge distillation)是模型压缩的一种常用方法，不同于模型压缩中的剪枝和量化，知识蒸馏是通过构建一个轻量化的小模型，利用性能更好的大模型的监督信息，来训练这个小模型，以期达到更好的性能和精度。这个大模型称之为教师(teacher)模型，小模型称之为学生(student)模型。来自teacher模型输出的监督信息称之为知识(knowledge)，而student模型学习迁移来自teacher模型的监督信息的过程称之为蒸馏(distillation)。
相关技术中，一般采用单一的教师模型为学生模型提供监督信息。
发明内容
本公开提供了一种图像模型的训练方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种模型训练方法，包括：采用多个已训练模型，提取图像样本的图像特征，以获得多个第一图像特征；采用待训练模型，提取所述图像样本的图像特征，以获得第二图像特征；基于所述多个第一图像特征确定融合特征；基于所述融合特征和所述第二图像特征构建损失函数，并采用所述损失函数训练所述待训练模型。
根据本公开的另一方面，提供了一种模型训练装置，包括：得多个第一图像特征；第二提取模块，用于采用待训练模型，提取所述图像样本的图像特征，以获得第二图像特征；融合模块，用于基于所述多个第一图像特征确定融合特征；训练模块，用于基于所述融合特征和所述第二图像特征构建损失函数，并采用所述损失函数训练所述待训练模型。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以提高待训练模型的处理效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是用来实现本公开实施例的模型训练方法中任一方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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是根据本公开第一实施例的示意图。本实施例提供一种模型训练方法，该方法包括：
101、采用多个已训练模型，提取图像样本的图像特征，以获得多个第一图像特征。
102、采用待训练模型，提取所述图像样本的图像特征，以获得第二图像特征。
103、基于所述多个第一图像特征确定融合特征。
104、基于所述融合特征和所述第二图像特征构建损失函数，并采用所述损失函数训练所述待训练模型。
本实施例的执行主体可以为单一设备主体，比如为终端或者服务器等。
以知识蒸馏为例，上述的已训练模型可以为教师模型，待训练模型为学生模型。
多个是指至少两个，每个已训练模型对应一个第一图像特征，从而通过多个已训练模型的处理，可以获得多个第一图像特征。
待训练模型可以为一个，在知识蒸馏场景下，该待训练的图像模型作为学生模型，待训练的图像模型的输出特征称为第二图像特征。
多个教师模型的结构可以相同或者不同，一般来讲，任一教师模型的精度是高于学生模型的，以便学生模型学习到更精确的知识，以获得更精确的模型参数。
本实施例中，教师模型和学生模型的结构不限定，可以根据实际需要选择，比如，教师模型为resnet152，学生模型为mobilenet。
以两个教师模型为例，如图2所示，图像样本经过两个教师模型的处理，可以输出两个第一图像特征，之后，可以基于这两个第一图像特征获得融合特征。图2中两个教师模型分别用第一教师模型和第二教师模型表示。
图像样本可以从已有的样本集中获取，样本集比如为ImageNet。
其中，可以对所述多个第一图像特征进行两两处理，以获得所述融合特征。
通过对第一图像特征进行两两处理，可以结合不同的第一图像特征各自的优势，进而提高待训练模型的处理效果。
进一步地，可以对应所述多个第一图像特征中的各个第一图像特征，基于所述各个第一图像特征和所述两两处理时的另外一个第一图像特征确定加权系数；基于所述加权系数和所述各个第一图像特征，确定所述各个第一图像特征对应的融合特征。
通过基于另外一个第一图像特征确定加权系数，并基于加权系数和第一图像特征确定对应的融合特征，可以简便地实现在一个第一图像特征中融入另一个第一图像特征的优势。
以两个教师模型为例，则第一图像特征为2个，可以分别对应这两个第一图像特征中的每个第一图像特征，进行处理，以获得两个融合特征。上述的处理可以称为关系注意力处理，相应的处理模块可以称为关系注意力模块。如图2所示，与两个教师模型分别对应的关系注意力模块可以分别称为第一关系注意力模块和第二关系注意力模块。
每个关系注意力模块对输入的两个第一图像特征进行关系注意力处理。以图2所示的两个关系注意力模块为例，计算公式可以分别为：
F1＝softmax(f1*transpose(f2))*f1
F2＝softmax(f2*transpose(f1))*f2。
其中，F1是第一教师模型输出的图像特征对应的融合特征，F2是第二教师模型输出的图像特征对应的融合特征，f1是对第一教师模型输出的图像特征进行归一化处理后的图像特征，f2是对第二教师模型输出的图像特征进行归一化处理后的图像特征，transpose表示转置操作。图像特征可以具体为特征图(featuremap)，f1和f2的维度是(w*h,c)，w表示特征图的宽度，h表示特征图的高度，c是特征图的通道数。
以f1为例，假设第一教师模型输出的图像特征为f1’，则
f1＝f1’/mod(f1’)，其中，mod(f1’)表示f1’的模。
上述以两个教师模型为例，当教师模型为更多个时，可以依照上述原理执行，比如，教师模型为三个时，则两两处理时，会对应6个关系注意力模块，从而生成6个融合特征。
获得融合特征后，可以基于融合特征和第二图像特征构建损失函数。
损失函数可以为L2损失函数。
构建损失函数可以包括：分别确定所述多个融合特征中的各个融合特征与所述第二图像特征的差值；将所述差值的平方和，构建为所述损失函数。
通过上述损失函数的确定过程，可以在损失函数确定时参考多个融合特征的信息，提高损失函数的准确度。
以图2所示的两个融合特征为例，L2损失函数的计算公式可以为：
L2_loss＝(F1-Fs)2+(F2-Fs)2
其中，L2_loss表示损失函数，F1、F2为上述的两个融合特征，Fs为第二图像特征。
构建损失函数后，可以采用损失函数训练待训练模型，即，基于损失函数不断调整学生模型的模型参数，直至达到预设的结束条件，结束条件比如为预设次数或者损失函数收敛。
在图像处理场景下，待训练模型可以为图像处理模型，将达到预设的结束条件时的模型参数对应的模型作为最终生成的图像处理模型。
在应用阶段，可以基于该最终生成的图像处理模型对待处理的图像进行图像处理。比如，图像处理模型为用于图像分类的模型，待处理的图像输入到该图像模型后，输出为该图像的分类结果，比如，分类结果为老人图像或者小孩图像。
进一步地，多个已训练模型可以为多个场景的已训练模型，具体地，所述多个已训练模型采用多个图像处理场景对应的图像生成。比如，第一教师模型基于老人图像训练后得到，第二教师模型基于小孩图像训练后得到。
通过基于多个场景确定对应的已训练模型，可以充分利用不同场景的优势，使得待训练模型可以融合不同场景的信息，提高模型效果。
本实施例中，通过多个已训练模型提取图像样本的图像特征，以获得多个第一图像特征，以及对多个第一图像特征进行融合处理，可以充分利用多个已训练模型的各自优势，提高待训练模型的效果。另外，上述的模型训练方法可以应用在电子设备上，通过对多个第一图像特征的融合处理，可以提升电子设备的运算精度。
基于上述实施例，提供了模型训练方法。
另外，本公开还可以提供模型的应用过程。
图3是根据本公开第三实施例的示意图，本实施例提供一种模型处理方法，并结合图4所示的结构，该方法包括：
301、接收待处理的图像。
302、采用图像处理模型，对所述待处理的图像进行处理，以获得图像处理结果。
其中，该图像处理模型可以采用上述的训练方式获得，比如，参见图2，对作为学生模型的图像模型进行训练后，去掉第一教师模型和第二教师模型，采用该图像处理模型对图像进行处理，以获得图像处理结果。
图像处理模型可以为图像分类模型，图像处理结果为图像分类结果，比如，采用该图像模型，判断一个输出的图像为老人图像或者为小孩图像。
本实施例的执行主体可以为处理装置，该处理装置可以部署在电子设备上，电子设备比如为终端或者服务器。
本实施例中，通过采用上述的图像处理模型，可以提高图像处理的准确度。并且，在图像处理模型通过知识蒸馏方式获得时，可以在保证图像处理模型的精度的基础上降低图像处理模型的复杂度，从而降低对运行该处理方法的电子设备的资源消耗，节省资源开销，提高处理效率。
图5是本公开第五实施例的示意图，本实施例提供一种模型训练装置，该装置500包括：第一提取模块501、第二提取模块502、融合模块503、训练模块504。
第一提取模块501用于采用多个已训练模型，提取图像样本的图像特征，以获得多个第一图像特征；第二提取模块502用于采用待训练模型，提取所述图像样本的图像特征，以获得第二图像特征；融合模块503用于基于所述多个第一图像特征确定融合特征；训练模块504用于基于所述融合特征和所述第二图像特征构建损失函数，并采用所述损失函数训练所述待训练模型。
一些实施例中，所述融合模块503具体用于：对所述多个第一图像特征进行两两处理，以获得所述融合特征。
一些实施例中，所述融合模块503进一步具体用于：对应所述多个第一图像特征中的各个第一图像特征，基于所述各个第一图像特征和所述两两处理时的另外一个第一图像特征确定加权系数；基于所述加权系数和所述各个第一图像特征，确定所述各个第一图像特征对应的融合特征。
一些实施例中，所述融合特征为多个，所述训练模块504具体用于：分别确定所述多个融合特征中的各个融合特征与所述第二图像特征的差值；将所述差值的平方和，构建为所述损失函数。
一些实施例中，所述多个已训练模型作为多个教师模型，所述待训练模型作为学生模型，且，所述多个教师模型基于多个图像处理场景对应的图像生成。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、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。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如模型训练方法。例如，在一些实施例中，模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("VirtualPrivate Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (13)
1.一种模型训练方法，包括：
采用多个已训练模型，提取图像样本的图像特征，以获得多个第一图像特征；
采用待训练模型，提取所述图像样本的图像特征，以获得第二图像特征；
基于所述多个第一图像特征确定融合特征；
基于所述融合特征和所述第二图像特征构建损失函数，并采用所述损失函数训练所述待训练模型。
2.根据权利要求1所述的方法，其中，所述基于所述多个第一图像特征确定融合特征，包括：
对所述多个第一图像特征进行两两处理，以获得所述融合特征。
3.根据权利要求2所述的方法，其中，所述对所述多个第一图像特征进行两两处理，以获得所述融合特征，包括：
对应所述多个第一图像特征中的各个第一图像特征，基于所述各个第一图像特征和所述两两处理时的另外一个第一图像特征确定加权系数；
基于所述加权系数和所述各个第一图像特征，确定所述各个第一图像特征对应的融合特征。
4.根据权利要求1所述的方法，其中，所述融合特征为多个，所述基于所述融合特征和所述第二图像特征构建损失函数，包括：
分别确定所述多个融合特征中的各个融合特征与所述第二图像特征的差值；
将所述差值的平方和，构建为所述损失函数。
5.根据权利要求1-4任一项所述的方法，其中，
所述多个已训练模型作为多个教师模型，所述待训练模型作为学生模型，且，所述多个教师模型基于多个图像处理场景对应的图像生成。
6.一种模型训练装置，包括：
第一提取模块，用于采用多个已训练模型，提取图像样本的图像特征，以获得多个第一图像特征；
第二提取模块，用于采用待训练模型，提取所述图像样本的图像特征，以获得第二图像特征；
融合模块，用于基于所述多个第一图像特征确定融合特征；
训练模块，用于基于所述融合特征和所述第二图像特征构建损失函数，并采用所述损失函数训练所述待训练模型。
7.根据权利要求6所述的装置，其中，所述融合模块具体用于：
对所述多个第一图像特征进行两两处理，以获得所述融合特征。
8.根据权利要求7所述的装置，其中，所述融合模块进一步具体用于：
对应所述多个第一图像特征中的各个第一图像特征，基于所述各个第一图像特征和所述两两处理时的另外一个第一图像特征确定加权系数；
基于所述加权系数和所述各个第一图像特征，确定所述各个第一图像特征对应的融合特征。
9.根据权利要求6所述的装置，其中，所述融合特征为多个，所述训练模块具体用于：
分别确定所述多个融合特征中的各个融合特征与所述第二图像特征的差值；
将所述差值的平方和，构建为所述损失函数。
10.根据权利要求6-9任一项所述的装置，其中，
所述多个已训练模型作为多个教师模型，所述待训练模型作为学生模型，且，所述多个教师模型基于多个图像处理场景对应的图像生成。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110577048.9A CN113343803B (zh) | 2021-05-26 | 2021-05-26 | 模型训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110577048.9A CN113343803B (zh) | 2021-05-26 | 2021-05-26 | 模型训练方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113343803A true CN113343803A (zh) | 2021-09-03 |
| CN113343803B CN113343803B (zh) | 2023-08-22 |
Family
ID=77471529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110577048.9A Active CN113343803B (zh) | 2021-05-26 | 2021-05-26 | 模型训练方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343803B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920404A (zh) * | 2021-11-09 | 2022-01-11 | 北京百度网讯科技有限公司 | 训练方法、图像处理方法、装置、电子设备以及存储介质 |
| CN113963176A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
| CN114120433A (zh) * | 2021-11-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理装置、电子设备和介质 |
| CN114120416A (zh) * | 2021-11-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及介质 |
| CN114445647A (zh) * | 2022-01-29 | 2022-05-06 | 北京百度网讯科技有限公司 | 用于图像处理的模型训练方法及装置 |
| CN114549947A (zh) * | 2022-01-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备和存储介质 |
| CN114693995A (zh) * | 2022-04-14 | 2022-07-01 | 北京百度网讯科技有限公司 | 应用于图像处理的模型训练方法、图像处理方法和设备 |
| CN114998570A (zh) * | 2022-07-19 | 2022-09-02 | 上海闪马智能科技有限公司 | 一种对象检测框的确定方法、装置、存储介质及电子装置 |
| CN115578614A (zh) * | 2022-10-21 | 2023-01-06 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、图像处理方法和装置 |
| CN116416500A (zh) * | 2023-03-24 | 2023-07-11 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126213A1 (en) * | 2016-12-30 | 2018-07-05 | Google Llc | Multi-task learning using knowledge distillation |
| US20180365564A1 (en) * | 2017-06-15 | 2018-12-20 | TuSimple | Method and device for training neural network |
| CN111695698A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 |
| CN111932561A (zh) * | 2020-09-21 | 2020-11-13 | 深圳大学 | 基于集成知识蒸馏的实时肠镜影像分割方法及装置 |
| CN112182362A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 训练用于在线预测点击率的模型的方法、设备及推荐系统 |
| CN112446476A (zh) * | 2019-09-04 | 2021-03-05 | 华为技术有限公司 | 神经网络模型压缩的方法、装置、存储介质和芯片 |
| CN112801209A (zh) * | 2021-02-26 | 2021-05-14 | 同济大学 | 基于双特长教师模型知识融合的图像分类方法及存储介质 |
-
2021
- 2021-05-26 CN CN202110577048.9A patent/CN113343803B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126213A1 (en) * | 2016-12-30 | 2018-07-05 | Google Llc | Multi-task learning using knowledge distillation |
| US20180365564A1 (en) * | 2017-06-15 | 2018-12-20 | TuSimple | Method and device for training neural network |
| CN112446476A (zh) * | 2019-09-04 | 2021-03-05 | 华为技术有限公司 | 神经网络模型压缩的方法、装置、存储介质和芯片 |
| CN111695698A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 |
| CN112182362A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 训练用于在线预测点击率的模型的方法、设备及推荐系统 |
| CN111932561A (zh) * | 2020-09-21 | 2020-11-13 | 深圳大学 | 基于集成知识蒸馏的实时肠镜影像分割方法及装置 |
| CN112801209A (zh) * | 2021-02-26 | 2021-05-14 | 同济大学 | 基于双特长教师模型知识融合的图像分类方法及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 卢海伟;袁晓彤;: "基于层融合特征系数的动态网络结构化剪枝", 模式识别与人工智能, no. 11 * |
| 葛仕明;赵胜伟;刘文瑜;李晨钰;: "基于深度特征蒸馏的人脸识别", 北京交通大学学报, no. 06 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113963176A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
| CN113963176B (zh) * | 2021-10-28 | 2023-07-07 | 北京百度网讯科技有限公司 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
| CN113920404A (zh) * | 2021-11-09 | 2022-01-11 | 北京百度网讯科技有限公司 | 训练方法、图像处理方法、装置、电子设备以及存储介质 |
| CN114120416A (zh) * | 2021-11-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及介质 |
| CN114120433A (zh) * | 2021-11-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理装置、电子设备和介质 |
| CN114549947A (zh) * | 2022-01-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备和存储介质 |
| CN114445647A (zh) * | 2022-01-29 | 2022-05-06 | 北京百度网讯科技有限公司 | 用于图像处理的模型训练方法及装置 |
| CN114693995A (zh) * | 2022-04-14 | 2022-07-01 | 北京百度网讯科技有限公司 | 应用于图像处理的模型训练方法、图像处理方法和设备 |
| CN114998570A (zh) * | 2022-07-19 | 2022-09-02 | 上海闪马智能科技有限公司 | 一种对象检测框的确定方法、装置、存储介质及电子装置 |
| CN115578614A (zh) * | 2022-10-21 | 2023-01-06 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、图像处理方法和装置 |
| CN115578614B (zh) * | 2022-10-21 | 2024-03-12 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、图像处理方法和装置 |
| CN116416500A (zh) * | 2023-03-24 | 2023-07-11 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
| CN116416500B (zh) * | 2023-03-24 | 2024-04-05 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、图像识别方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113343803B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113343803B (zh) | 模型训练方法、装置、设备和存储介质 | |
| CN114020950B (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
| CN114282670A (zh) | 神经网络模型的压缩方法、设备和存储介质 | |
| CN113641829B (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
| CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
| CN113627536A (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
| CN112508115A (zh) | 建立节点表示模型的方法、装置、设备和计算机存储介质 | |
| CN113627361A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
| CN115482395A (zh) | 模型训练方法、图像分类方法、装置、电子设备和介质 | |
| CN114693934A (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
| CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
| CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
| CN113868254B (zh) | 图数据库中的实体节点去重方法、设备和存储介质 | |
| CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
| CN115482443A (zh) | 图像特征融合及模型训练方法、装置、设备以及存储介质 | |
| CN114758130A (zh) | 图像处理及模型训练方法、装置、设备和存储介质 | |
| CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
| CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
| CN113570067A (zh) | 分布式系统的同步方法、装置及程序产品 | |
| CN113704256A (zh) | 数据识别方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |