CN114037052A - 检测模型的训练方法、装置、电子设备及存储介质 - Google Patents
检测模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114037052A CN114037052A CN202111269576.4A CN202111269576A CN114037052A CN 114037052 A CN114037052 A CN 114037052A CN 202111269576 A CN202111269576 A CN 202111269576A CN 114037052 A CN114037052 A CN 114037052A
- Authority
- CN
- China
- Prior art keywords
- model
- teacher
- trained
- data
- result 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
- 238000001514 detection method Methods 0.000 title claims abstract description 235
- 238000012549 training Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 21
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 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
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种检测模型的训练方法、装置、电子设备及存储介质,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于智慧城市和智能交通场景下。具体实现方案为:获取样本数据,并获取参考教师模型,根据参考教师模型生成多个待训练教师模型,不同待训练教师模型不相同,将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据,根据样本数据、多个结果数据训练初始的学生检测模型,以得到目标检测模型,能够实现有效地提升学生检测模型的训练效果,有效地提升目标检测模型的检测性能,提升目标检测模型的检测准确性。
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和深度学习技术,可用于智慧城市和智能交通场景下,尤其涉及一种检测模型的训练方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术,以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中,通常是直接利用已有教师模型在无标注数据上进行估计计算,利用已有教师模型在无标注数据上的输出和无标注数据直接训练学生模型。
发明内容
本公开提供了一种检测模型的训练方法、检测方法、装置、电子设备、存储介质及计算机程序产品。
根据本公开的第一方面,提供了一种检测模型的训练方法,包括:获取样本数据,并获取参考教师模型;根据所述参考教师模型生成多个待训练教师模型,不同所述待训练教师模型不相同;将所述样本数据分别输入至所述多个待训练教师模型之中,以得到所述多个待训练教师模型分别输出的多个结果数据;根据所述样本数据、所述多个结果数据训练初始的学生检测模型,以得到目标检测模型。
根据本公开的第二方面,提供了一种检测方法,包括:获取待检测数据;将所述待检测数据输入至如本公开第一方面的检测模型的训练方法训练得到的目标检测模型之中,以得到所述目标检测模型输出的目标结果数据。
根据本公开的第三方面,提供了一种检测模型的训练装置,包括:第一获取模块,用于获取样本数据,并获取参考教师模型;第一生成模块,用于根据所述参考教师模型生成多个待训练教师模型,不同所述待训练教师模型不相同;第一处理模块,用于将所述样本数据分别输入至所述多个待训练教师模型之中,以得到所述多个待训练教师模型分别输出的多个结果数据;训练模块,用于根据所述样本数据、所述多个结果数据训练初始的学生检测模型,以得到目标检测模型。
根据本公开的第四方面,提供了一种检测装置,包括:第二获取模块,用于获取待检测数据;第二处理模块,用于将所述待检测数据输入至如本公开第三方面的所述的检测模型的训练装置训练得到的目标检测模型之中,以得到所述目标检测模型输出的目标结果数据。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开第一方面提出的检测模型的训练方法,或者实现如本公开第二方面提出的检测方法。
根据本公开的第六方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本公开第一方面提出的检测模型的训练方法,或者实现如本公开第二方面提出的检测方法。
根据本公开的第七方面,提出了一种计算机程序产品,包括计算机程序,当计算机程序由处理器执行时实现本公开第一方面提出的检测模型的训练方法,或者实现如本公开第二方面提出的检测方法。
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。本公开的其他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是根据本公开实施例的模型检测流程示意图;
图5是根据本公开第四实施例的示意图;
图6是根据本公开第五实施例的示意图;
图7是根据本公开第六实施例的示意图;
图8示出了可以用来实施本公开的实施例的检测模型的训练方法的示例电子设备的示意性框图。
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。
其中,需要说明的是,本实施例的检测模型的训练方法的执行主体为检测模型的训练装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本公开实施例涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术,可用于智慧城市和智能交通场景下。
其中,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习,是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
计算机视觉,计算机视觉是用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
而智慧城市,是指利用各种信息技术或创新概念,将城市的系统和服务打通、集成,以提升资源运用的效率,优化城市管理和服务,以及改善市民生活质量;智能交通,是指是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输策略。
当将本公开实施例提供的检测模型的训练方法和检测方法应用于智慧城市和智能交通场景时,能够有效地保障智慧城市和智能交通场景中相关分类、检测、图像识别、目标追踪等算法中所涉及模型的检测性能,从而能够有效地提升目标检测模型在智慧城市和智能交通场景的应用效果。
如图1所示,该检测模型的训练方法,包括:
S101:获取样本数据,并获取参考教师模型。
其中,用于对模型进行训练的数据可以被称为样本数据,该样本数据可以是无标注数据。
举例而言,样本数据可以是多个图像,有标注数据可以是对图像中的物体对象的物体类别进行标注之后的图像,无标注数据可以是未对图像中的物体对象进行标注处理的图像。
举例而言,样本数据还可以是多个语音,有标注数据可以是对语音中的目标对象的语音类别进行标注之后的语音,无标注数据可以是未对语音中的目标对象的语音类别进行标注处理的语音,当然,样本数据的形式也可以为智慧城市和智能交通场景中任意可能的形式,对此不做限制。
本公开实施例中,在获取样本数据时,可以针对检测模型的训练装置预先配置相应的数据采集装置,数据采集装置可以采集数据作为样本数据,或者也可以在检测模型的训练装置上配置数据传输接口,经由该接口接收其他电子设备传输的数据作为样本数据,对此不做限制。
其中,模型可以是人工智能模型,例如,神经网络模型或者是机器学习模型,该模型具备检测能力,能够执行检测任务,检测任务例如可以是从样本数据的图像中检测出物体对象所在的位置,或者是物体对象的物体类别并进行标注,或者是其他类型的检测任务,对此不做限制。
其中,相对的具有更深且更复杂的网络结构,且检测精度相对较高的模型,可以被称为参考教师模型,相应的,相对教师模型的网络结构较为轻量级的模型可以被称为学生检测模型,本公开实施例中,可以采用参考教师模型辅助训练学生检测模型,以得到目标检测模型。
本公开实施例中,该参考教师模型可以是预先训练得到的检测模型,在训练得到参考教师模型时,可以利用迭代训练的方式利用多个数据对检测模型进行训练,逐步更新检测模型参数,直至检测模型收敛,则该检测模型可以作为参考教师模型。
S102:根据参考教师模型生成多个待训练教师模型,不同待训练教师模型不相同。
其中,当前待对其进行训练的教师模型可以被称为待训练教师模型,不同待训练教师模型不相同,不同待训练教师模型可以在参数及权重方面存在差异。
也即是说,本公开实施例在获取样本数据,并获取参考教师模型之后,可以采用一定的策略对参考教师模型进行优化处理,将参考教师模型优化处理为多个优化后的教师模型,并分别作为多个待训练教师模型,而后,基于多个待训练教师模型辅助指导学生检测模型的训练过程,对此不做限制。
其中,优化的策略,可以例如为对参考教师模型的参数或者权重进行优化处理,或者,也可以是对参考教师模型的更新速率进行优化处理,或者,对判定参考教师模型收敛的损失函数进行优化处理等等,对此不做限制。
在上述获取参考教师模型之后,可以根据参考教师模型生成多个待训练教师模型,在根据参考教师模型生成多个待训练教师模型时,可以是将参考教师模型复制为两个教师模型,并对两个教师模型的权重或参数等进行调整,以得到多个不同的待训练教师模型,对此不做限制。
S103:将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据。
本公开实施例在上述根据参考教师模型生成多个不相同的待训练教师模型之后,可以将获取的样本数据分别输入至多个待训练教师模型之中,利用待训练教师模型对样本数据进行处理,得到多个待训练教师模型的输出作为多个结果数据。
本公开实施例中,在将样本数据分别输入至多个待训练教师模型之中时,以得到多个待训练教师模型分别输出的多个结果数据时,可以利用不同的指数移动分别对多个待训练教师模型的权重进行更新,例如可以设置一个快更新网络A和一个慢更新老师网络B,将样本数据分别输入至快更新网络A和慢更新老师网络B中,得到不同的数据结果作为多个结果数据。
可以理解的是,由于多个待训练教师模型是采用一定的优化策略对参考教师模型优化处理得到的,且多个待训练教师模型互不相同,即不同待训练教师模型可以在参数及权重方面存在差异,从而基于不同待训练教师模型对样本数据进行检测处理,得到的多个结果数据能够表征出不同待训练教师模型之间检测结果的差异,当后续根据样本数据、多个结果数据训练学生检测模型时,能够相应的参考该不同待训练教师模型之间检测结果的差异对学生检测模型进行调优校准,从而能够有效地提升学生检测模型的训练效果,辅助提升训练得到的目标检测模型的检测准确性。
S104:根据样本数据、多个结果数据训练初始的学生检测模型,以得到目标检测模型。
其中,相对参考教师模型的网络结构较为轻量级的检测模型,可以被称为学生检测模型,该学生检测模型可以是人工智能模型,例如,神经网络模型或者是机器学习模型,学生检测具备检测能力,能够执行检测任务,而在训练初始阶段获取得到的学生检测模型,可以被称为初始的学生检测模型。
本公开实施例中,在上述将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据之后,可以联合多个结果数据和样本数据训练初始的学生检测模型,以得到目标检测模型。
举例而言,可以是联合多个结果数据和样本数据对初始的学生检测模型进行多次迭代训练,利用特征提取算法对学生检测模型的特征进行提取,利用提取到的特征确定学生检测模型的损失值,根据模型的损失值判断模型是否已训练至收敛,每次训练后更新学生检测模型的参数,直至模型训练至收敛,则训练至收敛后的学生检测模型可以作为目标检测模型。
另一些实施例中,可以通过比对多个待训练教师模型输出的多个结果数据之间的差异,对结果数据进行修正,利用修正后的结果数据对初始的学生检测模型进行训练,以得到目标检测模型。
本实施例中,通过获取样本数据,并获取参考教师模型,根据参考教师模型生成多个待训练教师模型,不同待训练教师模型不相同,将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据,根据样本数据、多个结果数据训练初始的学生检测模型,以得到目标检测模型,由于多个待训练教师模型是根据参考教师模型优化得到的,且结合多个待训练教师模型分别输出的多个结果数据和样本数据,以联合训练学生检测模型,从而实现有效地提升学生检测模型的训练效果,有效地提升目标检测模型的检测性能,提升目标检测模型的检测准确性。
图2是根据本公开第二实施例的示意图。
如图2所示,该检测模型的训练方法,包括:
S201:获取样本数据,并获取参考教师模型。
可选地,一些实施例中,在获取参考教师模型时,可以获取与样本数据对应的初始标注数据,根据样本数据和初始标注数据训练初始的教师模型,以得到参考教师模型,从而能够利用初始标注数据对初始的教师模型进行训练,提升教师模型获取得到的结果数据的检测准确性,降低训练初始阶段得到的结果数据的错误率,联合样本数据和初始标注数据对初始的教师模型进行训练,可以较大程度上提升教师模型的训练速度。
其中,与样本数据对应的初始标注数据可以是对样本数据进行标注处理后的数据,例如可以将样本数据中的一张图像中的不同物体对象的框选出来,并对该物体对象的种类进行标注,标注处理后的图像可以作为与该样本数据中的图像对应的初始标注数据。
本公开实施例中,在获取与样本数据对应的初始标注数据之后,可以将初始标注数据输入至初始的教师模型中,利用交叉熵损失函数将初始的教师模型在初始标记数据上的输出转换为一个概率分布,通过交叉熵和该概率分布来判断初始的教师模型是否训练至收敛,收敛的教师模型可以作为参考教师模型。
另一些实施例中也可以利用平滑L1损失函数在初始标记数据上训练初始的教师模型,计算训练过程中教师模型的损失值,根据教师模型的损失值对模型的参数进行更新,而后对教师模型进行迭代训练,直至教师模型收敛,将训练至收敛的教师模型作为参考教师模型,或者也可以使用其他任意可能函数对初始的教师模型进行训练,以得到参考教师模型,对此不做限制。
S202:确定多个模型更新速率,不同模型更新速率不相同。
其中,模型权重更新的速率可以被作为模型的更新速率,模型更新速率用于表征模型训练过程中模型迭代更新的速率,不同模型的更新速率不相同,例如可以分为快更新模型和慢更新模型等,对此不做限制。
本公开实施例中,在确定多个模型更新速率时,可以通过计算模型梯度来确定模型权重的更新速率,例如可以利用随机梯度下降算法确定多个模型的权重更新速率,将该模型权重更新速率作为模型更新速率,或者可以采用其他梯度计算算法以确定多个模型更新速率,对此不做限制。
S203:分别采用多个模型更新速率对参考教师模型进行调整,以得到多个待训练教师模型,多个待训练教师模型分别对应多个权重更新速率,多个权重更新速率分别对应多个模型更新速率。
在上述确定了多个模型更新速率之后,可以采用多个模型更新速率对参考教师模型进行调整,可以将参考教师模型复制为两个教师模型,分别对两个教师模型的参数及权重进行调整,以得到两个待训练教师模型,例如可以采用多个模型更新速率对复制得到的两个教师模型进行调整,得到快更新教师模型和慢更新教师模型等。
其中,多个待训练教师模型分别对应多个权重更新速率,多个权重更新速率分别对应多个模型更新速率,不同的待训练教师模型的模型更新速率不相同,多个待训练教师模型分别对应多个权重更新速率不相同。
本实施例中,通过确定多个模型更新速率,不同模型更新速率不相同,并分别采用多个模型更新速率对参考教师模型进行调整,以得到多个待训练教师模型,多个待训练教师模型分别对应多个权重更新速率,多个权重更新速率分别对应多个模型更新速率,由于不同模型的更新速率不相同,则不同模型对于相同的样本数据的输出会相应的存在差异,从而可以根据不同教师模型的输出差异对结果数据进行修正,修正后的结果数据可以辅助训练教师模型,从而可以提升教师模型的训练效率,提升获取得到的参考教师模型的性能。
S204:将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据。
可选地,一些实施例中,多个待训练教师模型包括:第一待训练教师模型和第二待训练教师模型,在将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据时,可以将样本数据输入至第一待训练教师模型之中,以得到第一待训练教师模型输出的第一结果数据,将样本数据输入至第二待训练教师模型之中,以得到第二待训练教师模型输出的第二结果数据,第一结果数据和第二结果数据被共同作为结果数据,从而能够获取到两种不同待训练教师模型的结果数据,将第一结果数据和第二结果数据共同作为结果数据,较大程度上丰富了结果数据,并且有效地避免占用过多的模型训练资源消耗,利用不同结果数据辅助进行学生检测模型的训练,辅助提升学生检测模型的训练效果。
本公开实施例中,在根据参考教师模型生成多个待训练教师模型时,可以对参考教师模型的更新速率进行调整,以得到第一待训练教师模型和第二待训练教师模型,例如,第一待训练教师模型可以是快更新教师模型,第二待训练教师模型可以是慢更新教师模型,而后可以将样本数据分别输入至第一待训练教师模型和第二待训练教师模型中,以分别得到第一待训练教师模型输出的第一结果数据和第二待训练教师模型输出的第二结果数据,第一结果数据和第二结果数据被共同作为结果数据,结果数据可以用于训练初始的学生检测模型,以得到目标检测模型,具体可见后续实施例。
S205:根据多个结果数据生成目标标注数据。
在上述将样本数据分别输入至第一待训练教师模型和第二待训练教师模型中,以分别得到第一待训练教师模型输出的第一结果数据和第二待训练教师模型输出的第二结果数据之后,可以根据多个结果数据生成目标标注数据。
本公开实施例中,在根据多个结果数据生成目标标注数据时,可以对多个结果数据进行比对,得到多个结果数据之间的差异,根据多个结果数据之间的差异对结果数据中的标注进行修正,修正后的结果数据可以作为目标标注数据。
可选地,一些实施例中,在根据多个结果数据生成目标标注数据时,可以确定与多个待训练教师模型分别对应的多个模型权重信息,根据多个模型权重信息分别对相应多个结果数据进行加权,以得到多个加权结果数据,融合多个加权结果数据,以得到目标标注数据,从而能够对多个结果数据进行处理以得到目标标注,从而可以修正多个待训练教师模型输出的结果数据中的不准确的数据,提升教师模型估计计算的准确率,目标标注数据可以用于对学生检测模型进行训练,从而可以辅助提升学生检测模型的训练效果。
其中,模型权重信息可以在待训练教师模型的训练过程中得到。
本公开实施例中,在确定与多个待训练教师模型分别对应的多个模型权重信息时,可以在待训练教师模型的训练过程中根据多个模型的权重更新速率实时获取多个待训练教师模型对应的模型权重信息。
在上述确定了多个待训练教师的模型权重信息之后,可以根据多个模型权重信息分别对相应多个结果数据进行加权,以得到多个加权结果数据,而后可以根据多个结果信息的权重对多个结果信息进行融合处理,融合处理后的数据可以作为目标标注数据。
S206:将样本数据输入至初始的学生检测模型之中,以得到学生检测模型输出的预测结果数据。
在上述获取样本数据之后,可以将样本数据输入至初始的学生检测模型中,利用初始的学生检测模型对样本数据进行检测处理,例如可以利用初始的学生检测模型对样本数据中的图像中的物体对象进行初步的识别和框选处理,得到的输出结果是对样本数据中的图像进行初步标记后的结果,该结果可以作为学生检测模型的预测结果数据。
S207:根据预测结果数据和目标标注数据确定模型损失值。
在上述将样本数据输入至初始的学生检测模型之中,以得到学生检测模型输出的预测结果数据之后,可以联合预测结果数据和目标标注数据确定模型损失值,可以将预测结果数据和目标标注数据输入至损失函数中,计算出学生检测模型对应的模型损失值。
举例而言,可以使用交叉熵损失函数或者平滑L1损失函数对学生检测模型的损失值进行计算,或者也可以使用其他的损失函数计算学生检测模型的损失值,对此不做限制。
S208:如果模型损失值满足设定条件,则将训练得到的学生检测模型作为目标检测模型。
其中,设定条件可以是在模型训练之前人为设定的,可以对目标检测模型预期的检测精度进行设定,以得到满足设定检测精度的学生检测模型作为目标检测模型,例如可以设定为模型损失值小于数值阈值。
本公开实施例中,在上述确定学生检测模型对应的模型损失值之后,可以触发对学生检测模型对应的模型损失值进行检验,如果模型损失值小于数值阈值,则表明模型损失值满足设定条件,则将训练得到的学生检测模型作为目标检测模型。
本实施例中,通过根据多个结果数据生成目标标注数据,将样本数据输入至初始的学生检测模型之中,以得到学生检测模型输出的预测结果数据,根据预测结果数据和目标标注数据确定模型损失值,如果模型损失值满足设定条件,则将训练得到的学生检测模型作为目标检测模型,从而能够根据设定条件对模型损失值进行检验,以得到满足检测精度的学生检测模型作为目标检测模型,从而可以提升目标检测模型的检测识别效果,有效地提升目标检测模型的检测性能,提升目标检测模型检测的准确性。
本实施例中,通过确定多个模型更新速率,不同模型更新速率不相同,并分别采用多个模型更新速率对参考教师模型进行调整,以得到多个待训练教师模型,多个待训练教师模型分别对应多个权重更新速率,多个权重更新速率分别对应多个模型更新速率,由于不同模型的更新速率不相同,则不同模型对于相同的样本数据的输出会相应的存在差异,从而可以根据不同教师模型的输出差异对结果数据进行修正,修正后的结果数据可以辅助训练教师模型,从而可以提升教师模型的训练效率,提升获取得到的参考教师模型的性能,在将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据之后,根据多个结果数据生成目标标注数据,将样本数据输入至初始的学生检测模型之中,以得到学生检测模型输出的预测结果数据,根据预测结果数据和目标标注数据确定模型损失值,如果模型损失值满足设定条件,则将训练得到的学生检测模型作为目标检测模型,从而能够根据设定条件对模型损失值进行检验,以得到满足检测精度的学生检测模型作为目标检测模型,从而可以提升目标检测模型的检测识别效果,有效地提升目标检测模型的检测性能,提升目标检测模型检测的准确性。
图3是根据本公开第三实施例的示意图。
如图3所示,该检测方法,包括:
其中,需要说明的是,本实施例的检测方法的执行主体为检测装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
S301:获取待检测数据。
其中,当前待通过目标检测模型进行检测的数据,可以被称为待检测数据,该待检测数据例如可以为未经过标注处理的图像或者是语音,对此不做限制。
本公开实施例中,在获取待检测数据时,可以针对检测装置预先配置相应的数据采集装置,数据采集装置可以采集数据作为待检测数据,或者也可以在检测装置上配置数据传输接口,经由该接口接收其他电子设备传输的数据作为待检测数据,对此不做限制。
S302:将待检测数据输入至检测模型的训练方法训练得到的目标检测模型之中,以得到目标检测模型输出的目标结果数据。
在上述初始的学生检测模型经由检测模型的训练方法训练得到目标检测模型之后,可以利用该目标检测模型对待检测数据进行检测处理,可以将待检测数据输入至目标检测模型中,将目标检测模型的输出作为目标结果数据。
举例而言,如图4所示,图4是根据本公开实施例的模型检测流程示意图,在训练初始的学生检测模型得到目标检测模型之后,可以利用目标检测模型执行物体检测任务,从而得到目标检测模型的输出作为目标结果数据。
本实施例中,通过获取待检测数据,将待检测数据输入至上述检测模型的训练方法训练得到的目标检测模型之中,以得到目标检测模型输出的目标结果数据,由此,由于目标检测模型是参考不同待训练教师模型之间检测结果的差异进行调优校准训练得到的,从而当利用训练得到的目标检测模型对待检测数据进行处理时,能够有效地提升目标结果数据的检测准确性。
图5是根据本公开第四实施例的示意图。
如图5所示,该检测模型的训练装置50,包括:
第一获取模块501,用于获取样本数据,并获取参考教师模型;
第一生成模块502,用于根据参考教师模型生成多个待训练教师模型,不同待训练教师模型不相同;
第一处理模块503,用于将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据;
训练模块504,用于根据样本数据、多个结果数据训练初始的学生检测模型,以得到目标检测模型。
在本公开的一些实施例中,如图6所示,图6是根据本公开第五实施例的示意图,该检测模型的训练装置60,包括:第一获取模块601,第一生成模块602,第一处理模块603,训练模块604,其中,第一获取模块601,具体用于:
获取与样本数据对应的初始标注数据;
根据样本数据和初始标注数据训练初始的教师模型,以得到参考教师模型。
在本公开的一些实施例中,其中,第一生成模块602,包括:
确定子模块6021,用于确定多个模型更新速率,不同模型更新速率不相同;
调整子模块6022,用于分别采用多个模型更新速率对参考教师模型进行调整,以得到多个待训练教师模型,多个待训练教师模型分别对应多个权重更新速率,多个权重更新速率分别对应多个模型更新速率。
在本公开的一些实施例中,还包括:
第二生成模块605,用于在将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据之后,根据多个结果数据生成目标标注数据;
其中,训练模块604,具体用于:
将样本数据输入至初始的学生检测模型之中,以得到学生检测模型输出的预测结果数据;
根据预测结果数据和目标标注数据确定模型损失值;
如果模型损失值满足设定条件,则将训练得到的学生检测模型作为目标检测模型。
在本公开的一些实施例中,其中,第二生成模块605,具体用于:
确定与多个待训练教师模型分别对应的多个模型权重信息;
根据多个模型权重信息分别对相应多个结果数据进行加权,以得到多个加权结果数据;
融合多个加权结果数据,以得到目标标注数据。
在本公开的一些实施例中,其中,多个待训练教师模型包括:第一待训练教师模型和第二待训练教师模型,第一处理模块603,具体用于:
将样本数据输入至第一待训练教师模型之中,以得到第一待训练教师模型输出的第一结果数据;
将样本数据输入至第二待训练教师模型之中,以得到第二待训练教师模型输出的第二结果数据,第一结果数据和第二结果数据被共同作为结果数据。
可以理解的是,本实施例附图6中的检测模型的训练装置60与上述实施例中的检测模型的训练装置50,第一获取模块601与上述实施例中的第一获取模块501,第一生成模块602与上述实施例中的第一生成模块502,第一处理模块603与上述实施例中的第一处理模块503,训练模块604与上述实施例中的训练模块504可以具有相同的功能和结构。
需要说明的是,前述对检测模型的训练方法的解释说明也适用于本实施例的检测模型的训练装置,在此不再赘述。
本实施例中,通过获取样本数据,并获取参考教师模型,根据参考教师模型生成多个待训练教师模型,不同待训练教师模型不相同,将样本数据分别输入至多个待训练教师模型之中,以得到多个待训练教师模型分别输出的多个结果数据,根据样本数据、多个结果数据训练初始的学生检测模型,以得到目标检测模型,由于多个待训练教师模型是根据参考教师模型优化得到的,且结合多个待训练教师模型分别输出的多个结果数据和样本数据,以联合训练学生检测模型,从而实现有效地提升学生检测模型的训练效果,有效地提升目标检测模型的检测性能,提升目标检测模型的检测准确性。
图7是根据本公开第六实施例的示意图。
如图7所示,该检测装置70,包括:
第二获取模块701,用于获取待检测数据;
第二处理模块702,用于将待检测数据输入至上述检测模型的训练装置训练得到的目标检测模型之中,以得到目标检测模型输出的目标结果数据。
需要说明的是,前述对检测方法的解释说明也适用于本实施例的检测装置,在此不再赘述。
本实施例中,通过获取待检测数据,将待检测数据输入至上述检测模型的训练装置训练得到的目标检测模型之中,以得到目标检测模型输出的目标结果数据,由此,由于目标检测模型是参考不同待训练教师模型之间检测结果的差异进行调优校准训练得到的,从而当利用训练得到的目标检测模型对待检测数据进行处理时,能够有效地提升目标结果数据的检测准确性。
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8示出了可以用来实施本公开的实施例的示例电子设备800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、个人数字助理、服务器、刀片式服务器、大型计算机、和其他适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其他类似的计算装置。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8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理,例如检测模型的训练方法,或者检测方法。例如,在一些实施例中,检测模型的训练方法或者检测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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的检测模型的训练方法或者检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行检测模型的训练方法,或者执行检测方法。
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。其他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)、互联网及区块链网络。
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("Virtual Private 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 (17)
1.一种检测模型的训练方法,包括:
获取样本数据,并获取参考教师模型;
根据所述参考教师模型生成多个待训练教师模型,不同所述待训练教师模型不相同;
将所述样本数据分别输入至所述多个待训练教师模型之中,以得到所述多个待训练教师模型分别输出的多个结果数据;
根据所述样本数据、所述多个结果数据训练初始的学生检测模型,以得到目标检测模型。
2.根据权利要求1所述的方法,其中,所述获取参考教师模型,包括:
获取与所述样本数据对应的初始标注数据;
根据所述样本数据和所述初始标注数据训练初始的教师模型,以得到所述参考教师模型。
3.根据权利要求1所述的方法,其中,所述根据所述参考教师模型生成多个待训练教师模型,不同所述待训练教师模型不相同,包括:
确定多个模型更新速率,不同所述模型更新速率不相同;
分别采用所述多个模型更新速率对所述参考教师模型进行调整,以得到所述多个待训练教师模型,所述多个待训练教师模型分别对应多个权重更新速率,所述多个权重更新速率分别对应所述多个模型更新速率。
4.根据权利要求1所述的方法,在所述将所述样本数据分别输入至所述多个待训练教师模型之中,以得到所述多个待训练教师模型分别输出的多个结果数据之后,还包括:
根据所述多个结果数据生成目标标注数据;
其中,所述根据所述样本数据、所述多个结果数据训练初始的学生检测模型,以得到目标检测模型,包括:
将所述样本数据输入至所述初始的学生检测模型之中,以得到所述学生检测模型输出的预测结果数据;
根据所述预测结果数据和所述目标标注数据确定模型损失值;
如果所述模型损失值满足设定条件,则将训练得到的所述学生检测模型作为所述目标检测模型。
5.根据权利要求4所述的方法,其中,所述根据所述多个结果数据生成目标标注数据,包括:
确定与所述多个待训练教师模型分别对应的多个模型权重信息;
根据所述多个模型权重信息分别对相应所述多个结果数据进行加权,以得到多个加权结果数据;
融合所述多个加权结果数据,以得到所述目标标注数据。
6.根据权利要求1所述的方法,所述多个待训练教师模型包括:第一待训练教师模型和第二待训练教师模型,其中,所述将所述样本数据分别输入至所述多个待训练教师模型之中,以得到所述多个待训练教师模型分别输出的多个结果数据,包括:
将所述样本数据输入至所述第一待训练教师模型之中,以得到所述第一待训练教师模型输出的第一结果数据;
将所述样本数据输入至所述第二待训练教师模型之中,以得到所述第二待训练教师模型输出的第二结果数据,所述第一结果数据和所述第二结果数据被共同作为所述结果数据。
7.一种检测方法,包括:
获取待检测数据;
将所述待检测数据输入至如上述权利要求1-6任一项所述的检测模型的训练方法训练得到的目标检测模型之中,以得到所述目标检测模型输出的目标结果数据。
8.一种检测模型的训练装置,包括:
第一获取模块,用于获取样本数据,并获取参考教师模型;
第一生成模块,用于根据所述参考教师模型生成多个待训练教师模型,不同所述待训练教师模型不相同;
第一处理模块,用于将所述样本数据分别输入至所述多个待训练教师模型之中,以得到所述多个待训练教师模型分别输出的多个结果数据;
训练模块,用于根据所述样本数据、所述多个结果数据训练初始的学生检测模型,以得到目标检测模型。
9.根据权利要求8所述的装置,其中,第一获取模块,具体用于:
获取与所述样本数据对应的初始标注数据;
根据所述样本数据和所述初始标注数据训练初始的教师模型,以得到所述参考教师模型。
10.根据权利要求8所述的装置,其中,第一生成模块,包括:
确定子模块,用于确定多个模型更新速率,不同所述模型更新速率不相同;
调整子模块,用于分别采用所述多个模型更新速率对所述参考教师模型进行调整,以得到所述多个待训练教师模型,所述多个待训练教师模型分别对应多个权重更新速率,所述多个权重更新速率分别对应所述多个模型更新速率。
11.根据权利要求8所述的装置,还包括:
第二生成模块,用于在所述将所述样本数据分别输入至所述多个待训练教师模型之中,以得到所述多个待训练教师模型分别输出的多个结果数据之后,根据所述多个结果数据生成目标标注数据;
其中,所述训练模块,具体用于:
将所述样本数据输入至所述初始的学生检测模型之中,以得到所述学生检测模型输出的预测结果数据;
根据所述预测结果数据和所述目标标注数据确定模型损失值;
如果所述模型损失值满足设定条件,则将训练得到的所述学生检测模型作为所述目标检测模型。
12.根据权利要求11所述的装置,其中,所述第二生成模块,具体用于:
确定与所述多个待训练教师模型分别对应的多个模型权重信息;
根据所述多个模型权重信息分别对相应所述多个结果数据进行加权,以得到多个加权结果数据;
融合所述多个加权结果数据,以得到所述目标标注数据。
13.根据权利要求8所述的装置,所述多个待训练教师模型包括:第一待训练教师模型和第二待训练教师模型,其中,所述第一处理模块,具体用于:
将所述样本数据输入至所述第一待训练教师模型之中,以得到所述第一待训练教师模型输出的第一结果数据;
将所述样本数据输入至所述第二待训练教师模型之中,以得到所述第二待训练教师模型输出的第二结果数据,所述第一结果数据和所述第二结果数据被共同作为所述结果数据。
14.一种检测装置,包括:
第二获取模块,用于获取待检测数据;
第二处理模块,用于将所述待检测数据输入至如上述权利要求8-13任一项所述的检测模型的训练装置训练得到的目标检测模型之中,以得到所述目标检测模型输出的目标结果数据。
15.一种电子设备,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1-6中任一项所述的方法,或者执行权利要求7所述的方法。
16.一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1-6中任一项所述的方法,或者执行权利要求7所述的方法。
17.一种计算机程序产品,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1-6中任一项所述方法的步骤,或者执行权利要求7所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111269576.4A CN114037052A (zh) | 2021-10-29 | 2021-10-29 | 检测模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111269576.4A CN114037052A (zh) | 2021-10-29 | 2021-10-29 | 检测模型的训练方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037052A true CN114037052A (zh) | 2022-02-11 |
Family
ID=80135782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111269576.4A Pending CN114037052A (zh) | 2021-10-29 | 2021-10-29 | 检测模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037052A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131600A (zh) * | 2022-04-28 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 检测模型训练方法、检测方法、装置、设备及存储介质 |
WO2024036847A1 (zh) * | 2022-08-16 | 2024-02-22 | 北京百度网讯科技有限公司 | 图像处理方法和装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418343A (zh) * | 2020-12-08 | 2021-02-26 | 中山大学 | 多教师自适应联合知识蒸馏 |
CN112541122A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、装置、电子设备及存储介质 |
CN113361710A (zh) * | 2021-06-29 | 2021-09-07 | 北京百度网讯科技有限公司 | 学生模型训练方法、图片处理方法、装置及电子设备 |
CN113435208A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 学生模型的训练方法、装置及电子设备 |
-
2021
- 2021-10-29 CN CN202111269576.4A patent/CN114037052A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418343A (zh) * | 2020-12-08 | 2021-02-26 | 中山大学 | 多教师自适应联合知识蒸馏 |
CN112541122A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、装置、电子设备及存储介质 |
CN113435208A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 学生模型的训练方法、装置及电子设备 |
CN113361710A (zh) * | 2021-06-29 | 2021-09-07 | 北京百度网讯科技有限公司 | 学生模型训练方法、图片处理方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131600A (zh) * | 2022-04-28 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 检测模型训练方法、检测方法、装置、设备及存储介质 |
WO2024036847A1 (zh) * | 2022-08-16 | 2024-02-22 | 北京百度网讯科技有限公司 | 图像处理方法和装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN112633380A (zh) | 兴趣点特征提取方法、装置、电子设备及存储介质 | |
CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
CN113361363B (zh) | 人脸图像识别模型的训练方法、装置、设备及存储介质 | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113361572B (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
CN113379813A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113836925A (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN112949818A (zh) | 模型蒸馏方法、装置、设备以及存储介质 | |
CN115829058A (zh) | 训练样本处理方法、跨模态匹配方法、装置、设备和介质 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN113033774B (zh) | 图处理网络模型的训练方法、装置、电子设备和存储介质 | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN114792097B (zh) | 预训练模型提示向量的确定方法、装置及电子设备 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN115984791A (zh) | 自动驾驶感知模型的生成方法、装置及电子设备 | |
CN112541557B (zh) | 生成式对抗网络的训练方法、装置及电子设备 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |