CN113642667A - 一种增强策略确定方法、装置、电子设备及存储介质 - Google Patents

一种增强策略确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113642667A
CN113642667A CN202111003321.3A CN202111003321A CN113642667A CN 113642667 A CN113642667 A CN 113642667A CN 202111003321 A CN202111003321 A CN 202111003321A CN 113642667 A CN113642667 A CN 113642667A
Authority
CN
China
Prior art keywords
enhancement
model
models
target
test results
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
Application number
CN202111003321.3A
Other languages
English (en)
Other versions
CN113642667B (zh
Inventor
何旋
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.)
Chongqing Unisinsight Technology Co Ltd
Original Assignee
Chongqing Unisinsight Technology Co 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 Chongqing Unisinsight Technology Co Ltd filed Critical Chongqing Unisinsight Technology Co Ltd
Priority to CN202111003321.3A priority Critical patent/CN113642667B/zh
Publication of CN113642667A publication Critical patent/CN113642667A/zh
Application granted granted Critical
Publication of CN113642667B publication Critical patent/CN113642667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供的一种增强策略确定方法、装置、电子设备及存储介质，涉及图像处理技术领域。首先，利用训练数据集对基础网络进行训练得到多个中间模型，包括M个偏移模型和M个第一模型，并获得M个偏移模型的第一测试结果；然后，利用N个增强策略对训练数据集进行数据增强得到N个增强数据集，利用这N个增强数据集对第一模型进行训练得到N个第二模型，N个第二模型为一个模型组，共有M个模型组，获得M个模型组的第二测试结果；最后，根据M个第一测试结果和M个第二测试结果，确定出目标增强策略。该方法根据模型训练的各个阶段对模型训练效果的影响，从多个增强策略中准确选择出最合适的增强策略，提高模型训练的效果。

Description

一种增强策略确定方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，具体而言，涉及一种增强策略确定方法、装置、电子设备及存储介质。
背景技术
深度学习需要大量的样本进行训练，学习样本的数据分布，而实际任务过程中很难获取较为丰富的训练素材。在模型训练过程中，如果数据集较小、较为单一，模型容易过拟合，缺乏泛化能力。而采用数据增强方法，通过翻转、旋转、颜色抖动、遮挡等方法，扩充数据集、填补数据分布的空洞，防止模型过拟合，增强模型的泛化能力。
目前增强策略主要依靠人工经验设置，人为因素影响较大，确定出的增强策略并不一定适合待训练模型，导致后续模型训练效果不佳。
发明内容
本发明实施例的目的在于提供一种增强策略确定方法、装置、电子设备及计算机可读存储介质，用以根据模型训练的各个阶段对模型训练效果的影响，从多个增强策略中准确选择出最合适的增强策略，提高模型训练的效果。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种增强策略确定方法，所述方法包括：
获得M个偏移模型的第一测试结果，其中，一个所述偏移模型对应一个第一模型，所述第一模型和所述偏移模型均是利用训练数据集对预先建立的基础网络进行训练得到的中间模型；
获得M个模型组的第二测试结果，其中，一个所述模型组对应一个所述第一模型，且一个所述模型组包括所述N个第二模型，所述N个第二模型是利用N个增强数据集对所述第一模型进行训练得到的，所述N个增强数据集是利用N个增强策略对所述训练数据集进行数据增强得到的；
根据M个第一测试结果和M个第二测试结果，从所述N个增强策略中确定出目标增强策略。
在一种可能的实施方式中，所述获得M个偏移模型的第一测试结果的步骤，包括：
获得M个第一设定次数和M个第二设定次数，其中，所述M个第一设定次数和所述M个第二设定次数一一对应，且所述第二设定次数为所述第一设定次数与预设偏移次数之和；
利用所述训练数据集对所述基础网络进行训练；
在训练过程中，将迭代次数达到所述第一设定次数时的中间模型作为所述第一模型、以及将所述迭代次数达到所述第二设定次数时的中间模型作为所述偏移模型，得到所述M个第一模型和所述M个偏移模型；
利用测试数据集分别对所述M个偏移模型进行测试，得到所述M个第一测试结果。
在一种可能的实施方式中，所述获得M个模型组的第二测试结果的步骤，包括：
利用所述N个增强策略对所述训练数据集进行数据增强，得到所述N个增强数据集，其中，所述N个增强策略和所述N个增强数据集一一对应；
获取M个第一模型中的任意一个目标第一模型；
利用所述N个增强数据集分别对所述目标第一模型进行训练，直至迭代次数达到所述预设偏移次数，得到所述N个第二模型，其中，一个所述增强数据集对应一个所述第二模型；
利用所述测试数据集分别对所述N个第二模型进行测试，得到所述第二测试结果，其中，所述第二测试结果包括每个所述第二模型的测试结果；
遍历每个所述第一模型，得到所述M个第二测试结果。
在一种可能的实施方式中，所述根据M个第一测试结果和M个第二测试结果，从所述N个增强策略中确定出目标增强策略的步骤，包括：
根据所述M个第一测试结果和所述M个第二测试结果，计算每个所述增强策略的得分；
根据每个所述增强策略的得分，从所述N个增强策略中确定出所述目标增强策略。
在一种可能的实施方式中，所述第一测试结果包括第一准确率和第一损失率，所述第二测试结果包括N个第二模型的测试结果，一个所述增强策略对应一个第二模型，所述测试结果包括第二准确率和第二损失率；
所述根据所述M个第一测试结果和所述M个第二测试结果，计算每个所述增强策略的得分的步骤，包括：
获取所述M个第一模型中的任意一个目标第一模型；
获取与所述目标第一模型关联的目标第一测试结果和目标第二测试结果；
根据所述目标第一测试结果和所述目标第二测试结果，利用公式
Figure BDA0003236344300000041
计算第i个增强策略的指标差值，其中，diffi表示第i个增强策略的指标差值，ae表示目标第一测试结果中的第一准确率，le表示目标第一测试结果中的第一损失率，
Figure BDA0003236344300000044
表示目标第二测试结果中第i个增强策略对应的第二准确率，
Figure BDA0003236344300000045
表示目标第二测试结果中第i个增强策略对应的第二损失率；
根据第i个增强策略的指标差值，利用公式
Figure BDA0003236344300000042
计算第i个增强策略对应所述目标第一模型的得分，其中，
Figure BDA0003236344300000043
表示第i个增强策略对应所述目标第一模型的得分，th为预设阈值，T为预设负值；
重复执行所述获取所述M个第一模型中的任意一个目标第一模型的步骤，得到第i个增强策略对应每个所述第一模型的得分；
根据第i个增强策略对应每个所述第一模型的得分，利用公式
Figure BDA0003236344300000051
计算出第i个增强策略的得分，其中，
Figure BDA0003236344300000052
表示第i个增强策略的得分，δ表示
Figure BDA0003236344300000053
的权值。
在一种可能的实施方式中，所述根据每个所述增强策略的得分，从所述N个增强策略中确定出所述目标增强策略，包括：
根据每个所述增强策略的得分，将所述N个增强策略按照所述得分从大到小的顺序进行排序，并将前预设数目个增强策略作为所述目标增强策略；
或者，
根据每个所述增强策略的得分，将所述得分大于预设阈值的增强策略作为所述目标增强策略。
在一种可能的实施方式中，所述基础网络包括m个不同深度的分支网络，所述第一模型包括m个不同深度的子模型，所述偏移模型包括m个不同深度的偏移子模型；所述m个不同深度的分支网络与m个不同深度的子模型一一对应，所述m个不同深度的分支网络与所述m个不同深度的偏移子模型一一对应。
在一种可能的实施方式中，所述增强策略由两个或两个以上的数据增强方法组合而成。
第二方面，本发明实施例还提供了一种增强策略确定装置，所述装置包括：
第一获得模块，用于获得M个偏移模型的第一测试结果，其中，一个所述偏移模型对应一个第一模型，所述第一模型和所述偏移模型均是利用训练数据集对预先建立的基础网络进行训练得到的中间模型；
第二获得模块，用于获得M个模型组的第二测试结果，其中，一个所述模型组对应一个所述第一模型，且一个所述模型组包括所述N个第二模型，所述N个第二模型是利用N个增强数据集对所述第一模型进行训练得到的，所述N个增强数据集是利用N个增强策略对所述训练数据集进行数据增强得到的；
执行模块，用于根据M个第一测试结果和M个第二测试结果，从所述N个增强策略中确定出目标增强策略。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，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时，使得所述一个或多个处理器实现上述的增强策略确定方法。
第四方面，本发明实施例还提供了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，该计算机程序被处理器执行时实现上述的增强策略确定方法。
相对现有技术，本发明实施例提供的一种增强策略确定方法、装置、电子设备及存储介质，首先，利用训练数据集对基础网络进行训练得到多个中间模型，包括M个偏移模型和M个第一模型，并获得M个偏移模型的第一测试结果；然后，利用N个增强策略对训练数据集进行数据增强得到N个增强数据集，利用这N个增强数据集对第一模型进行训练得到N个第二模型，N个第二模型为一个模型组，共有M个模型组，获得M个模型组的第二测试结果；最后，根据M个第一测试结果和M个第二测试结果，从N个增强策略中确定出目标增强策略。该方法根据模型训练的各个阶段对模型训练效果的影响，从多个增强策略中准确选择出最合适的增强策略，提高模型训练的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明实施例的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的增强策略确定方法的流程示意图。
图2为本发明实施例提供的第一模型和偏移模型的关系示意图。
图3为本发明实施例提供的第一模型和模型组的关系示意图。
图4为本发明实施例提供的第二模型和增强策略的关系示意图。
图5为图1示出的增强策略确定方法中步骤S101的流程示意图。
图6为图1示出的增强策略确定方法中步骤S102的流程示意图。
图7为图1示出的增强策略确定方法中步骤S103的流程示意图。
图8为图7示出的增强策略确定方法中步骤S1031的流程示意图。
图9为本发明实施例提供的基础网络的示意图。
图10为本发明实施例提供的增强策略确定装置的方框示意图。
图11为本发明实施例提供的电子设备的方框示意图。
图标：100-增强策略确定装置；101-第一获取模块；102-第二获取模块；103-执行模块；200-电子设备；201-存储器；202-处理器；203-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
深度学习需要大量的样本进行训练，在模型训练过程中，通常采用数据增强方法对数据集进行增强，从而扩充数据集。
目前，在实际中，增强策略的确定一般依靠人工经验，人为因素影响较大，确定出的增强策略并不一定适合待训练模型，导致后续模型训练效果不佳。
随着自动机器学习的不断发展，目前可以采用如下方法从多个增强策略中确定适合于模型训练的增强策略：
首先，使用共享增强策略训练一个基础模型；之后，使用每个增强策略对数据集进行增强，并使用增强后的数据集对基础模型进行微调训练；训练完成后，再使用测试集对模型进行测试，并根据测试结果，利用强化学习对增强策略进行排序，选择出适合于模型训练的增强策略。
但是，上述技术方案仅仅使用最后的训练结果进行评价，没有考虑不同训练阶段对数据增强效果的影响，对增强策略的评价不够全面，因此选择出的增强策略对模型训练来说并不一定是最合适的。
针对这一问题，本实施例提供一种增强策略确定方法，根据模型训练的各个阶段对模型训练效果的影响，从多个增强策略中准确选择出最合适的增强策略，提高模型训练的效果。
下面进行详细介绍。
请参考图1，图1示出了本实施例提供的增强策略确定方法的流程示意图，该增强策略确定方法可以包括以下步骤：
S101，获得M个偏移模型的第一测试结果，其中，一个偏移模型对应一个第一模型，第一模型和偏移模型均是利用训练数据集对预先建立的基础网络进行训练得到的中间模型。
在本实施例中，偏移模型和第一模型的关系如图2所示，在图2中，左边的为M个第一模型{m1,m2...mM}，右边的为M个偏移模型{mO1,mO2...mOM}，其中，m1和mO1对应，m2和mO2对应……mM和mOM对应。
上述中间模型是指，在利用训练数据集对基础网络进行一次完整的训练过程中，在不同的训练阶段所对应的未经完整训练的模型。例如，利用训练数据集对基础网络进行一次完整的训练，该训练共迭代m次，那么迭代次数为1、2…m-1时对应的模型均为中间模型。
上述训练数据集可以是图片集，可以通过如下方式得到：从图片量为Q的数据集P中，随机采样q张图片，作为实验数据集p；将p按照一定比例，分为训练数据集和测试数据集。
上述训练数据集用于训练模型，上述测试数据集用于对训练后的模型进行测试，以评估该模型的效果。
上述第一测试结果是指，利用测试数据集对偏移模型进行测试得到的结果，M个偏移模型和M个第一测试结果一一对应。
S102，获得M个模型组的第二测试结果，其中，一个模型组对应一个第一模型，且一个模型组包括N个第二模型，N个第二模型是利用N个增强数据集对第一模型进行训练得到的，N个增强数据集是利用N个增强策略对训练数据集进行数据增强得到的。
在本实施例中，模型组和第一模型的关系如图3所示，图3中，左边为M个第一模型{m1,m2...mM}，右边为M个模型组{M1,M2...MM}，其中，m1和M1对应，m2和M2对应……mM和MM对应。
第二模型和增强策略之间的关系如图4所示，图4中，左边表示一个模型组包括N个第二模型{Mm1,Mm2...MmN}，右边为N个增强策略{C1,C2...CN}，其中，Mm1和C1对应，Mm2和C2对应……MmN和CN对应。
上述第二测试结果是指，利用测试数据集对模型组进行测试得到的结果，M个模型组和M个第二测试结果一一对应。
上述每个增强策略由两个或两个以上的数据增强方法组合而成，常用的数据增强方法以及其常用的参数如下表1所示。在使用增强策略对数据集进行增强时，包含的两个或两个以上的数据增强方法按照顺序依次使用，例如，增强策略c1＝[(HorizontalShear,0.2),(Brightness,None)]，使用该增强策略对数据集进行增强时，先使用HorizontalShear对数据集进行增强，再使用Brightness对数据集进行增强，得到通过增强策略c1增强后的增强数据集。
表1常用的数据增强方法以及其常用的参数
数据增强名称 参数 数据增强名称 参数
HorizontalShear {0.1,0.2,0.3} HorizontalTranslate {0.15,0.3,0.45}
VerticalShear {0.1,0.2,0.3} VerticalTranslate {0.15,0.3,0.45}
Rotate {5,10,20,30} Sharpness {1.3,1.6,1.9}
Color Adjust {0.3,0.6,0.9} Brightness {1.3,1.6,1.9}
Posterize {4.4,5.6,6.8} AutoContrast None
solarize {26,102,179} Equalize None
Contrast {1.3,1.6,1.9} Invert None
在上表中，第一列和第三列为常用的数据增强方法名称，第二列和第四列为每个数据增强方法常用的参数集合，在使用时，随机选取上表中的两个或两个以上数据增强方法组成增强策略。
S103，根据M个第一测试结果和M个第二测试结果，从N个增强策略中确定出目标增强策略。
在本实施例中，目标增强策略是指，根据第一测试结果和第二测试结果，对每个增强策略进行评估，确定出的适合于模型训练的增强策略。
下面对步骤S101进行详细介绍。在图1的基础上，请参考图5，步骤S101可以包括以下子步骤：
S1011，获得M个第一设定次数和M个第二设定次数，其中，M个第一设定次数和M个第二设定次数一一对应，且第二设定次数为第一设定次数与预设偏移次数之和。
在本实施例中，第一设定次数用于在模型训练的过程中，获取每个第一模型，第二设定次数用于获取每个偏移模型。
为了方便表示，上述M个第一设定次数和M个第二设定次数可分别用集合表示，每个集合里面分别是各个第一设定次数和各个第二设定次数。
例如，第一设定次数集合为Is＝{i1,i2...iM|0＜i＜m-x}，其中，i为第一设定次数的取值，M为第一设定次数的个数，m为利用训练数据集对基础网络进行一次完整训练所迭代的次数，x为预设偏移次数，该集合表示共有M个第一设定次数，每个第一设定次数的取值范围为(0，m-x)。
第二设定次数集合为Ie＝{i1+x,i2+x...iM+x|0＜i＜m-x}，该集合表示共有M个第二设定次数，每个第二设定次数的取值范围为(x，m)，M个第二设定次数和M个第一设定次数一一对应，且第二设定次数为第一设定次数与预设偏移次数之和。
S1012，利用训练数据集对基础网络进行训练。
S1013，在训练过程中，将迭代次数达到第一设定次数时的中间模型作为第一模型、以及将迭代次数达到第二设定次数时的中间模型作为偏移模型，得到M个第一模型和M个偏移模型。
在本实施例中，在训练基础网络的过程中，每完成一次迭代，就判断迭代次数是否为第一设定次数，若是，则保存该迭代次数对应的中间模型，作为第一模型，若否，则继续下一次迭代，重复上述过程，直至遍历每一个第一设定次数，获得M个第一模型。M个第一模型可以记作model1＝{m1,m2...mM}。
同样的，通过上述方法遍历每一个第二设定次数，获得M个偏移模型。M个偏移模型可以记作model2＝{mo1,mo2...moM}。
例如，利用训练数据集对基础网络进行一次完整的训练，该训练共迭代m次，m为20；预设第一设定次数集合为Is＝{5,10,15}，则在训练过程中，将迭代次数分别为5、10及15对应的中间模型作为第一模型，记为model1＝{m1,m2,m3}；预设第二设定次数集合为Ie＝{7,12,17}，则在训练过程中，将迭代次数分别为7、12及17对应的中间模型作为偏移模型，记为model2＝{mo1,mo2,mo3}；共得到3个第一模型和3个偏移模型。
S1014，利用测试数据集分别对M个偏移模型进行测试，得到M个第一测试结果。
在本实施例中，M个偏移模型和M个第一测试结果一一对应，第一测试结果包括第一准确率和第一损失率。
例如，M个偏移模型model2＝{mo1,mo2...moM}所对应的M个第一准确率可以记作Ae＝{ae1,ae2...aeM}，M个第一损失率可以记作Le＝{le1,le2...leM}。
上面介绍了如何获得M个偏移模型的第一测试结果，下面对获得M个模型组的第二测试结果的步骤做详细介绍，在图1的基础上，请参照图6，步骤S102可以包括以下子步骤：
S1021，利用N个增强策略对训练数据集进行数据增强，得到N个增强数据集，其中，N个增强策略和所述N个增强数据集一一对应。
S1022，获取M个第一模型中的任意一个目标第一模型。
在本实施例中，目标第一模型是指，M个第一模型中的任意一个第一模型，例如，model1＝{m1,m2...mM}中的m1。
S1023，利用N个增强数据集分别对目标第一模型进行训练，直至迭代次数达到预设偏移次数，得到N个第二模型，其中，一个增强数据集对应一个第二模型。
在本实施例中，N个增强数据集和N个第二模型一一对应，N个第二模型即为该目标第一模型对应的一个模型组。
由于第一模型的迭代次数和偏移模型的迭代次数相差预设偏移次数，为使第二模型和偏移模型处在同一训练阶段，需要对第一模型迭代预设偏移次数得到第二模型，即第二模型的总迭代次数和偏移模型的总迭代次数相同，不同的是，第二模型是利用通过增强策略增强后的训练数据集对第一模型迭代预设偏移次数得到的。
S1024，利用测试数据集分别对N个第二模型进行测试，得到第二测试结果，其中，第二测试结果包括每个第二模型的测试结果，重复执行获取M个第一模型中的任意一个目标第一模型直至遍历M个第一模型，得到M个第二测试结果。
在本实施例中，以一个模型组为例，该模型组包括N个第二模型，用测试数据集分别对该N个第二模型进行测试，就能得到每个第二模型的测试结果，N个第二模型的测试结果构成第二测试结果。
重复执行直至遍历M个第一模型后，得到M个模型组，M个模型组和M个第一模型一一对应；其中，每个模型组都包括N个第二模型，N第二模型和N个增强策略一一对应。
重复执行直至遍历M个第一模型后，还得到M个第二测试结果，M个第二测试结果和M个模型组一一对应，其中，每个第二测试结果都包括N个第二模型的测试结果，N个第二模型的测试结果和N个增强策略一一对应。
上述测试结果包括第二准确率和第二损失率，每个增强策略都对应M个第二准确率和M个第二损失率。
例如，对于第i个增强策略来说，M个模型组{M1,M2...MM}对应的M个第二准确率可以记作Afi＝{afi1,afi2...afiM}，M个第二损失率可以记作Lfi＝{lfi1,lfi2...lfiM}。
上面介绍了如何获得M个模型组的第二测试结果，下面对根据M个第一测试结果和M个第二测试结果，从所述N个增强策略中确定出目标增强策略的步骤做详细介绍，在图1的基础上，请参照图7，步骤S103可以包括以下子步骤：
S1031，根据M个第一测试结果和M个第二测试结果，计算每个增强策略的得分。
步骤S1031可以包括以下子步骤，如图8所示：
S10311，获取M个第一模型中的任意一个目标第一模型。
S10312，获取与目标第一模型关联的目标第一测试结果和目标第二测试结果。
在本实施例中，目标第一测试结果，是指M个第一测试结果中和选取的目标第一模型所关联的第一测试结果。
例如，获取的目标第一模型为model1＝{m1,m2...mM}中的m1，则目标第一测试结果为Ae＝{ae1,ae2...aeM}中的ae1和Le＝{le1,le2...leM}中le1。
目标第二测试结果，是指M个第二测试结果中和选取的目标第一模型所关联的第二测试结果，目标第二测试结果包括N个第二模型的测试结果，其中，N个第二模型的测试结果和N个增强策略一一对应。
例如获取的目标第一模型为model1＝{m1,m2...mM}中的m1，对应的模型组为{M1,M2...MM}中的M1，则目标第二结果为Afi＝{afi1,afi2...afiM}中的afi1和Lfi＝{lfi1,lfi2...lfiM}中的lfi1，其中，i的取值范围为[1,N]。
S10313，根据目标第一测试结果和目标第二测试结果，利用公式：
Figure BDA0003236344300000171
计算第i个增强策略的指标差值，其中，diffi表示第i个增强策略的指标差值，ae表示目标第一测试结果中的第一准确率，le表示目标第一测试结果中的第一损失率，
Figure BDA0003236344300000172
表示目标第二测试结果中第i个增强策略对应的第二准确率，
Figure BDA0003236344300000189
表示目标第二测试结果中第i个增强策略对应的第二损失率。
S10314，根据第i个增强策略的指标差值，利用公式：
Figure BDA0003236344300000181
计算第i个增强策略对应所述目标第一模型的得分，其中，
Figure BDA0003236344300000182
表示第i个增强策略对应目标第一模型的得分，th为预设阈值，T为预设负值；重复执行上述步骤S10311，得到第i个增强策略对应每个第一模型的得分。
在本实施例中，上述第i个增强策略对应每个第一模型的得分可以记为：
Figure BDA0003236344300000183
S10315，根据第i个增强策略对应每个第一模型的得分，利用公式：
Figure BDA0003236344300000184
计算出第i个增强策略的得分，其中，
Figure BDA0003236344300000185
表示第i个增强策略的得分，δ表示
Figure BDA0003236344300000186
的权值。
在本实施例中，δ的大小和所对应的第一模型的迭代次数有关，迭代次数越多，表示模型训练的阶段越接近完整的训练，则δ取值越大。
上述公式可以更加具体地表示为
Figure BDA00032363443000001810
表示第i个增强策略对应第j个第一模型的得分，j的取值范围为[1，M]。通过该公式，可以计算出第i个增强策略的得分。
根据上述步骤S10311-S10315，计算出每个增强策略的得分后，接着进行如下步骤：
S1032：根据每个增强策略的得分，从N个增强策略中确定出目标增强策略。
在本实施例中，根据每个所述增强策略的得分，将N个增强策略按照得分从大到小的顺序进行排序，并将前预设数目个增强策略作为所述目标增强策略。
或者，根据每个增强策略的得分，将得分大于预设阈值的增强策略作为所述目标增强策略。
例如，根据步骤S1031计算出的每个增强策略的得分，得到每个增强策略的得分集合
Figure BDA0003236344300000191
再将N个增强策略按照得分从大到小的顺序进行排序得到增强策略集合efficient aug＝[aug1,aug2..augN]，在实际使用时，选择高于某个阈值th_score的增强策略，或者选择得分排名前W名的增强策略进行使用。
以上介绍了在模型训练过程中，根据模型训练的各个阶段对模型训练效果的影响，从多个增强策略中准确选择出最合适的增强策略的具体过程。
在一种可能的情形下，通常，在实际中，所构建的模型具有一定的深度，不同深度也会对模型训练效果产生影响，因此，在选择增强策略时，还应考虑到不同深度的模型对模型训练效果的影响。
针对上述问题，本实施例提供的增强策略确定方法中所使用的基础网络可以包括m个不同深度的分支网络，第一模型包括m个不同深度的子模型，偏移模型包括m个不同深度的偏移子模型；m个不同深度的分支网络与m个不同深度的子模型一一对应，m个不同深度的分支网络与m个不同深度的偏移子模型一一对应。
例如，构造一个具有3个不同深度的分支网络的基础网络，使用训练数据集对该基础网络进行训练，一次训练就可以获得3个不同深度的网络模型，如图9所示。其中卷积网络1+分类模块1就构成了一个较浅的网络模型；卷积网络1+卷积网络2+分类模块2就构成了一个较深的网络模型；卷积网络1+卷积网络2+卷积网络2+分类模块3就构成了一个更深的网络模型。
在实际运用中，当基础网络具有多个不同深度的分支网络时，对于公式(3)中的权值δ来说，它的大小除了和所对应的第一模型的迭代次数有关之外，还和第一模型所在的网络深度有关，一般来说，网络深度越深，权值δ越小。
此外，在实际中，为了确定出目标增强策略，一般采用强化学习对增强策略进行排序，需要训练大量的模型。在本实施例中，按照上述方式，可以构造任意数量、任意深度的网络，而且只需要一次完整的训练，就可以获得多个不同深度的网络模型。不需要分成多个模型分开从头训练，增加了模型的多样性。
与现有技术相比，本发明实施例具有以下有益效果：
首先，本实施例提供的增强策略确定方法，根据模型训练的各个阶段对模型训练效果的影响，从多个增强策略中准确选择出最合适的增强策略，提高模型训练的效果；
其次，相较于传统的强化学习对增强策略进行排序的方法，本实施例通过得分对增强策略进行评价，没有繁杂的参数搜索过程，耗时大大减少；
最后，本实施例设计了一个具有多个不同深度的网络分支的网络作为基础网络，一次训练，就可以获得多个不同深度的网络模型，不用通过多次训练来获取多个模型，增加了模型的多样性。
为了执行上述增强策略确定方法实施例中的相应步骤，下面给出一种应用于增强策略装置的实现方式。
请参考图10，图10示出了本实施例提供的增强策略确定装置100的方框示意图。增强策略确定装置应用于电子设备，包括：第一获得模块101，第二获得模块102及执行模块103。
第一获得模块101，用于获得M个偏移模型的第一测试结果，其中，一个偏移模型对应一个第一模型，第一模型和偏移模型均是利用训练数据集对预先建立的基础网络进行训练得到的中间模型。
第二获得模块102，用于获得M个模型组的第二测试结果，其中，一个模型组对应一个第一模型，且一个模型组包括N个第二模型，N个第二模型是利用N个增强数据集对第一模型进行训练得到的，N个增强数据集是利用N个增强策略对训练数据集进行数据增强得到的。
执行模块103，用于根据M个第一测试结果和M个第二测试结果，从N个增强策略中确定出目标增强策略。
可选的，第一获得模块101具体用于：
获得M个第一设定次数和M个第二设定次数，其中，M个第一设定次数和M个第二设定次数一一对应，且第二设定次数为第一设定次数与预设偏移次数之和；
利用训练数据集对基础网络进行训练；
在训练过程中，将迭代次数达到第一设定次数时的中间模型作为第一模型、以及将迭代次数达到第二设定次数时的中间模型作为偏移模型，得到M个第一模型和M个偏移模型；
利用测试数据集分别对M个偏移模型进行测试，得到M个第一测试结果。
可选的，第二获得模块102具体用于：
利用N个增强策略对训练数据集进行数据增强，得到N个增强数据集，其中，N个增强策略和所述N个增强数据集一一对应；
获取M个第一模型中的任意一个目标第一模型；
利用N个增强数据集分别对目标第一模型进行训练，直至迭代次数达到预设偏移次数，得到N个第二模型，其中，一个增强数据集对应一个第二模型；
利用测试数据集分别对N个第二模型进行测试，得到第二测试结果，其中，第二测试结果包括每个第二模型的测试结果，重复执行获取M个第一模型中的任意一个目标第一模型直至遍历M个第一模型，得到M个第二测试结果。
可选的，执行模块103具体用于：
根据M个第一测试结果和M个第二测试结果，计算每个增强策略的得分；
根据每个增强策略的得分，从N个增强策略中确定出目标增强策略。
可选的，第一测试结果包括第一准确率和第一损失率，第二测试结果包括N个第二模型的测试结果，一个增强策略对应一个第二模型，测试结果包括第二准确率和第二损失率；
执行模块103执行根据M个第一测试结果和M个第二测试结果，计算每个增强策略的得分的方式，包括：
获取M个第一模型中的任意一个目标第一模型；
获取与目标第一模型关联的目标第一测试结果和目标第二测试结果；
根据目标第一测试结果和目标第二测试结果，利用公式
Figure BDA0003236344300000231
计算第i个增强策略的指标差值，其中，diffi表示第i个增强策略的指标差值，ae表示目标第一测试结果中的第一准确率，le表示目标第一测试结果中的第一损失率，
Figure BDA0003236344300000232
表示目标第二测试结果中第i个增强策略对应的第二准确率，
Figure BDA0003236344300000241
表示目标第二测试结果中第i个增强策略对应的第二损失率；
根据第i个增强策略的指标差值，利用公式
Figure BDA0003236344300000242
计算第i个增强策略对应目标第一模型的得分，其中，
Figure BDA0003236344300000243
表示第i个增强策略对应目标第一模型的得分，th为预设阈值，T为预设负值，；
重复执行获取所述M个第一模型中的任意一个目标第一模型的步骤，得到第i个增强策略对应每个第一模型的得分；
根据第i个增强策略对应每个第一模型的得分，利用公式
Figure BDA0003236344300000244
计算出第i个增强策略的得分，其中，
Figure BDA0003236344300000245
表示第i个增强策略的得分，δ表示
Figure BDA0003236344300000246
的权值。
可选的，执行模块103执行根据每个增强策略的得分，从N个增强策略中确定出目标增强策略的方式，包括：
根据每个增强策略的得分，将N个增强策略按照得分从大到小的顺序进行排序，并将前预设数目个增强策略作为目标增强策略；或者，根据每个增强策略的得分，将得分大于预设阈值的增强策略作为目标增强策略。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的增强策略确定装置100的具体工作过程。可以参考前述方法实施例中的对应过程，在此不再赘述。
请参考图11，图11示出了本实施例提供的电子设备200的方框示意图。电子设备200可以是，但不限于，手机、平板电脑、笔记本电脑、服务器或其它具有处理能力的电子设备。电子设备200包括存储器201、处理器202及总线203。该存储器201和处理器202通过总线203连接。
存储器201用于存储程序，例如图10所示的增强策略确定装置100，增强策略确定装置100包括至少一个可以软件或固件(firmware)的形式存储于存储器201中的软件功能模块、处理器202在接收到执行指令后，执行所述程序以实现上述实施例揭示的增强策略确定方法。
存储器201可能包括高速随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失存储器(non-volatile memory，NVM)。
处理器202可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器202中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器202可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、微控制单元(Microcontroller Unit，MCU)、复杂可编程逻辑器件(Complex ProgrammableLogic Device，CPLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、嵌入式ARM等芯片。
本实施例还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202执行时实现上述实施例揭示的增强策略确定方法。
综上所述，本发明实施例提供的一种增强策略确定方法、装置、电子设备及存储介质，首先，利用训练数据集对基础网络进行训练得到多个中间模型，包括M个偏移模型和M个第一模型，并获得M个偏移模型的第一测试结果；然后，利用N个增强策略对训练数据集进行数据增强得到N个增强数据集，利用这N个增强数据集对第一模型进行训练得到N个第二模型，N个第二模型为一个模型组，共有M个模型组，获得M个模型组的第二测试结果；最后，根据M个第一测试结果和M个第二测试结果，从N个增强策略中确定出目标增强策略。该方法根据模型训练的各个阶段对模型训练效果的影响，从多个增强策略中准确选择出最合适的增强策略，提高模型训练的效果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种增强策略确定方法，其特征在于，所述方法包括：
获得M个偏移模型的第一测试结果，其中，一个所述偏移模型对应一个第一模型，所述第一模型和所述偏移模型均是利用训练数据集对预先建立的基础网络进行训练得到的中间模型；
获得M个模型组的第二测试结果，其中，一个所述模型组对应一个所述第一模型，且一个所述模型组包括所述N个第二模型，所述N个第二模型是利用N个增强数据集对所述第一模型进行训练得到的，所述N个增强数据集是利用N个增强策略对所述训练数据集进行数据增强得到的；
根据所述M个第一测试结果和所述M个第二测试结果，从所述N个增强策略中确定出目标增强策略。
2.根据权利要求1所述的方法，其特征在于，所述获得M个偏移模型的第一测试结果的步骤，包括：
获得M个第一设定次数和M个第二设定次数，其中，所述M个第一设定次数和所述M个第二设定次数一一对应，且所述第二设定次数为所述第一设定次数与预设偏移次数之和；
利用所述训练数据集对所述基础网络进行训练；
在训练过程中，将迭代次数达到所述第一设定次数时的中间模型作为所述第一模型、以及将所述迭代次数达到所述第二设定次数时的中间模型作为所述偏移模型，得到所述M个第一模型和所述M个偏移模型；
利用测试数据集分别对所述M个偏移模型进行测试，得到所述M个第一测试结果。
3.根据权利要求1所述的方法，其特征在于，所述获得M个模型组的第二测试结果的步骤，包括：
利用所述N个增强策略对所述训练数据集进行数据增强，得到所述N个增强数据集，其中，所述N个增强策略和所述N个增强数据集一一对应；
获取M个第一模型中的任意一个目标第一模型；
利用所述N个增强数据集分别对所述目标第一模型进行训练，直至迭代次数达到所述预设偏移次数，得到所述N个第二模型，其中，一个所述增强数据集对应一个所述第二模型；
利用所述测试数据集分别对所述N个第二模型进行测试，得到所述第二测试结果，其中，所述第二测试结果包括每个所述第二模型的测试结果；
遍历每个所述第一模型，得到所述M个第二测试结果。
4.根据权利要求1所述的方法，其特征在于，所述根据M个第一测试结果和M个第二测试结果，从所述N个增强策略中确定出目标增强策略的步骤，包括：
根据所述M个第一测试结果和所述M个第二测试结果，计算每个所述增强策略的得分；
根据每个所述增强策略的得分，从所述N个增强策略中确定出所述目标增强策略。
5.根据权利要求4所述的方法，其特征在于，所述第一测试结果包括第一准确率和第一损失率，所述第二测试结果包括N个第二模型的测试结果，一个所述增强策略对应一个第二模型，所述测试结果包括第二准确率和第二损失率；
所述根据所述M个第一测试结果和所述M个第二测试结果，计算每个所述增强策略的得分的步骤，包括：
获取所述M个第一模型中的任意一个目标第一模型；
获取与所述目标第一模型关联的目标第一测试结果和目标第二测试结果；
根据所述目标第一测试结果和所述目标第二测试结果，利用公式
Figure FDA0003236344290000031
计算第i个增强策略的指标差值，其中，diffi表示第i个增强策略的指标差值，ae表示所述目标第一测试结果中的第一准确率，le表示所述目标第一测试结果中的第一损失率，
Figure FDA0003236344290000033
表示所述目标第二测试结果中第i个增强策略对应的第二准确率，
Figure FDA0003236344290000034
表示所述目标第二测试结果中第i个增强策略对应的第二损失率；
根据所述第i个增强策略的指标差值，利用公式
Figure FDA0003236344290000032
计算第i个增强策略对应所述目标第一模型的得分，其中，
Figure FDA0003236344290000044
表示第i个增强策略对应所述目标第一模型的得分，th为预设阈值，T为预设负值；
重复执行所述获取所述M个第一模型中的任意一个目标第一模型的步骤，得到第i个增强策略对应每个所述第一模型的得分；
根据第i个增强策略对应每个所述第一模型的得分，利用公式
Figure FDA0003236344290000041
计算出第i个增强策略的得分，其中，
Figure FDA0003236344290000042
表示第i个增强策略的得分，δ表示
Figure FDA0003236344290000043
的权值。
6.根据权利要求5所述的方法，其特征在于，所述根据每个所述增强策略的得分，从所述N个增强策略中确定出所述目标增强策略，包括：
根据每个所述增强策略的得分，将所述N个增强策略按照所述得分从大到小的顺序进行排序，并将前预设数目个增强策略作为所述目标增强策略；
或者，
根据每个所述增强策略的得分，将所述得分大于预设阈值的增强策略作为所述目标增强策略。
7.根据权利要求1所述的方法，其特征在于，所述基础网络包括m个不同深度的分支网络，所述第一模型包括m个不同深度的子模型，所述偏移模型包括m个不同深度的偏移子模型；所述m个不同深度的分支网络与m个不同深度的子模型一一对应，所述m个不同深度的分支网络与所述m个不同深度的偏移子模型一一对应。
8.根据权利要求1所述的方法，其特征在于，所述增强策略由两个或两个以上的数据增强方法组合而成。
9.一种增强策略确定装置，其特征在于，所述装置包括：
第一获得模块，用于获得M个偏移模型的第一测试结果，其中，一个所述偏移模型对应一个第一模型，所述第一模型和所述偏移模型均是利用训练数据集对预先建立的基础网络进行训练得到的中间模型；
第二获得模块，用于获得M个模型组的第二测试结果，其中，一个所述模型组对应一个所述第一模型，且一个所述模型组包括所述N个第二模型，所述N个第二模型是利用N个增强数据集对所述第一模型进行训练得到的，所述N个增强数据集是利用N个增强策略对所述训练数据集进行数据增强得到的；
执行模块，用于根据M个第一测试结果和M个第二测试结果，从所述N个增强策略中确定出目标增强策略。
10.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，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时，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的增强策略确定方法。
11.一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，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的增强策略确定方法。
CN202111003321.3A 2021-08-30 2021-08-30 一种图片增强策略确定方法、装置、电子设备及存储介质 Active CN113642667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111003321.3A CN113642667B (zh) 2021-08-30 2021-08-30 一种图片增强策略确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111003321.3A CN113642667B (zh) 2021-08-30 2021-08-30 一种图片增强策略确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113642667A true CN113642667A (zh) 2021-11-12
CN113642667B CN113642667B (zh) 2024-02-02

Family

ID=78424417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111003321.3A Active CN113642667B (zh) 2021-08-30 2021-08-30 一种图片增强策略确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113642667B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023155298A1 (zh) * 2022-02-21 2023-08-24 平安科技（深圳）有限公司 数据增强处理方法、装置、计算机设备及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040199430A1 (en) * 2003-03-26 2004-10-07 Victor Hsieh Online intelligent multilingual comparison-shop agents for wireless networks
CN106981009A (zh) * 2017-03-16 2017-07-25 浙江理工大学 一种织物花型检索系统
CN109086672A (zh) * 2018-07-05 2018-12-25 襄阳矩子智能科技有限公司 一种基于强化学习自适应分块的行人再识别方法
CN109242858A (zh) * 2018-07-18 2019-01-18 浙江理工大学 基于自适应模板匹配的织物印花循环图案基元分割方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN110097129A (zh) * 2019-05-05 2019-08-06 西安电子科技大学 基于轮廓波分组特征金字塔卷积的遥感目标检测方法
US20190354895A1 (en) * 2018-05-18 2019-11-21 Google Llc Learning data augmentation policies
CN111754489A (zh) * 2020-06-28 2020-10-09 北京航空航天大学 一种胎儿超声心动图中四腔心分割方法
WO2020249125A1 (zh) * 2019-06-14 2020-12-17 第四范式（北京）技术有限公司 用于自动训练机器学习模型的方法和系统
US20210097348A1 (en) * 2019-10-01 2021-04-01 Google Llc Training neural networks using data augmentation policies
CN112633459A (zh) * 2019-09-24 2021-04-09 华为技术有限公司 训练神经网络的方法、数据处理方法和相关装置
US20210201196A1 (en) * 2019-12-27 2021-07-01 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for training machine reading comprehension model, and storage medium
CN113220883A (zh) * 2021-05-17 2021-08-06 华南师范大学 一种文本分类模型性能优化方法、装置及存储介质
WO2021164228A1 (zh) * 2020-02-17 2021-08-26 平安科技（深圳）有限公司 一种图像数据的增广策略选取方法及系统
CN114549932A (zh) * 2022-02-21 2022-05-27 平安科技（深圳）有限公司 数据增强处理方法、装置、计算机设备及存储介质
CN114565086A (zh) * 2022-03-02 2022-05-31 重庆紫光华山智安科技有限公司 一种模型训练方法、装置、设备及存储介质
CN114595785A (zh) * 2022-03-29 2022-06-07 小米汽车科技有限公司 模型训练方法、装置、电子设备及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040199430A1 (en) * 2003-03-26 2004-10-07 Victor Hsieh Online intelligent multilingual comparison-shop agents for wireless networks
CN106981009A (zh) * 2017-03-16 2017-07-25 浙江理工大学 一种织物花型检索系统
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
US20190354895A1 (en) * 2018-05-18 2019-11-21 Google Llc Learning data augmentation policies
CN109086672A (zh) * 2018-07-05 2018-12-25 襄阳矩子智能科技有限公司 一种基于强化学习自适应分块的行人再识别方法
CN109242858A (zh) * 2018-07-18 2019-01-18 浙江理工大学 基于自适应模板匹配的织物印花循环图案基元分割方法
CN110097129A (zh) * 2019-05-05 2019-08-06 西安电子科技大学 基于轮廓波分组特征金字塔卷积的遥感目标检测方法
WO2020249125A1 (zh) * 2019-06-14 2020-12-17 第四范式（北京）技术有限公司 用于自动训练机器学习模型的方法和系统
CN112633459A (zh) * 2019-09-24 2021-04-09 华为技术有限公司 训练神经网络的方法、数据处理方法和相关装置
US20220215259A1 (en) * 2019-09-24 2022-07-07 Huawei Technologies Co., Ltd. Neural network training method, data processing method, and related apparatus
US20210097348A1 (en) * 2019-10-01 2021-04-01 Google Llc Training neural networks using data augmentation policies
US20210201196A1 (en) * 2019-12-27 2021-07-01 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for training machine reading comprehension model, and storage medium
WO2021164228A1 (zh) * 2020-02-17 2021-08-26 平安科技（深圳）有限公司 一种图像数据的增广策略选取方法及系统
CN111754489A (zh) * 2020-06-28 2020-10-09 北京航空航天大学 一种胎儿超声心动图中四腔心分割方法
CN113220883A (zh) * 2021-05-17 2021-08-06 华南师范大学 一种文本分类模型性能优化方法、装置及存储介质
CN114549932A (zh) * 2022-02-21 2022-05-27 平安科技（深圳）有限公司 数据增强处理方法、装置、计算机设备及存储介质
CN114565086A (zh) * 2022-03-02 2022-05-31 重庆紫光华山智安科技有限公司 一种模型训练方法、装置、设备及存储介质
CN114595785A (zh) * 2022-03-29 2022-06-07 小米汽车科技有限公司 模型训练方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
追逐V风暴: "【数字图像处理知识】基础操作原理及Matlab实现", Retrieved from the Internet <URL:https://blog.csdn.net/weixin_43530678/article/details/85453704> *
黄义明: "雾霾天气下图像增强算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 08, pages 138 - 632 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023155298A1 (zh) * 2022-02-21 2023-08-24 平安科技（深圳）有限公司 数据增强处理方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113642667B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN110147456B (zh) 一种图像分类方法、装置、可读存储介质及终端设备
CN109949219B (zh) 一种超分辨率图像的重构方法、装置及设备
WO2022042123A1 (zh) 图像识别模型生成方法、装置、计算机设备和存储介质
CN111681162B (zh) 一种缺陷样本生成方法、装置、电子设备及存储介质
CN110276442A (zh) 一种神经网络架构的搜索方法及装置
CN108446227A (zh) 一种基于selenium的虚拟机浏览器兼容性测试方法
CN105893561A (zh) 一种排序方法和装置
CN111985518A (zh) 门窗检测方法及其模型训练的方法、装置
CN110675017A (zh) 基于人工智能的绩效评价方法和装置
CN112906865B (zh) 神经网络架构搜索方法、装置、电子设备及存储介质
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN115511071A (zh) 模型训练方法、装置及可读存储介质
CN115391561A (zh) 图网络数据集的处理方法、装置、电子设备、程序及介质
CN113642667A (zh) 一种增强策略确定方法、装置、电子设备及存储介质
CN103870563B (zh) 确定给定文本的主题分布的方法和装置
CN109389215B (zh) 一种深度学习网络的网络结构确定方法及装置
CN116227573B (zh) 分割模型训练方法、图像分割方法、装置及相关介质
CN108229572B (zh) 一种参数寻优方法及计算设备
CN109696614B (zh) 电路测试优化方法及装置
CN113112084B (zh) 一种教练机后机身研发流程优化方法及装置
CN114971354A (zh) 一种水质等级评价方法、装置及介质
CN116152907A (zh) 手势重建方法、装置以及电子设备
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN113886578A (zh) 一种表单分类方法及装置
CN112329715A (zh) 一种人脸识别方法、装置、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