CN114494800A - 预测模型训练方法、装置、电子设备及存储介质 - Google Patents
预测模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114494800A CN114494800A CN202210146431.3A CN202210146431A CN114494800A CN 114494800 A CN114494800 A CN 114494800A CN 202210146431 A CN202210146431 A CN 202210146431A CN 114494800 A CN114494800 A CN 114494800A
- Authority
- CN
- China
- Prior art keywords
- prediction
- training
- image
- main
- auxiliary
- 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
- 238000012549 training Methods 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 78
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 239000012190 activator Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 241000555745 Sciuridae Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/21—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
- 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
-
- G06T5/70—
Abstract
本发明涉及人工智能技术，揭露一种预测模型训练方法，包括：对训练图像进行图像增强及特征提取，得到第一特征和第二特征；将第一特征分别输入预测模型中的主预测网络和多个辅助预测网络，得到第一主预测结果和多个第一辅助预测结果；利用第一损失函数集对第一主预测结果、多个第一辅助预测结果和部分训练图像的标签计算，得到第一损失值；根据第一损失值对预测模型的网络参数进行更新，得到基础预测模型；将第二特征输入基础预测模型进行预测，利用第二损失函数集对预测的结果进行计算；并根据计算的结果更新基础预测模型的网络参数，得到目标预测模型。本发明还提出一种预测模型训练装置、设备以及介质。本发明可以提高模型的泛化能力和鲁棒性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种预测模型训练方法、装置、电子设备及计算机可读存储介质。
背景技术
当前技术中主要采用贝叶斯网络BNN和深度集成学习方法，进行深度学习，这些方法往往存在着泛化能力低和不确定度量不清晰的情况。所述泛化能力低是指在域内图像上进行训练的模型迁移到域外图像上时，对域外图像进行自适应效果差。所述不确定性度量是指模型的认知不确定性量化，认知不确定性是指深度学习模型给出的预测结果不可靠程度。
发明内容
本发明提供一种预测模型训练方法、装置及计算机可读存储介质，其主要目的在于解决预测模型泛化能力和鲁棒性较差的问题。
为实现上述目的，本发明提供的一种预测模型训练方法，包括：
获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；
对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；
根据所述第一联合损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；
根据所述多个第二损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
可选地，所述对所述训练图像进行图像增强和特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征，包括：
对所述训练图像进行模糊处理，得到第一增强图像；
对所述训练图像进行色彩处理，得到第二增强图像；
利用预设的卷积核对所述第一增强图像和所述第二增强图像进行卷积，并对卷积后的结果进行池化，得到特征图像，其中所述特征图像包括所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征。
可选地，所述对所述训练图像进行模糊处理，得到第一增强图像，包括：
利用所述多种类型的模糊算法对所述训练图像进行扰动计算，得到多种类型的扰动图像；
将多种类型的扰动图像分别与所述训练图像进行卷积，得到第一增强图像。
可选地，所述对所述训练图像进行色彩处理，得到第二增强图像，包括：
对所述训练图像进行色彩空间转换，得到转换图像；
获取多种颜色参数，遍历并获取所述转换图像中各像素点的像素值；
分别根据所述多种颜色参数对所述像素值进行线性调整，得到第二增强图像。
可选地，所述将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果，包括：
利用筛选算法从所述第一特征筛选掉失活特征，得到保留特征；
将所述保留特征输入所述多个所述辅助预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述辅助预测网络中的Softmax激活器，得到所述多个所述辅助预测网络对应的预测结果；
将所述第一特征输入所述主预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述主预测网络中的Softmax激活器，得到所述主预测网络对应的预测结果。
可选地，所述根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值，包括：
利用所述第一损失函数集中的第一损失函数对所述第一主预测结果和所述多个第一辅助预测结果进行计算，得到第一损失值；
利用所述第一损失函数集中的第二损失函数对所述第一主预测结果和所述第一训练图像对应的标签进行计算，得到第二损失值；
利用所述第一损失函数集中的第三损失函数对所述第一主预测结果进行计算，得到第三损失值；
对所述第一损失值、第二损失值和第三损失值进行联合运算，得到第一联合损失值。
可选地，所述根据所述第一联合损失值对所述预测模型的网络参数进行更新，包括：
根据所述第一联合损失值与所述预测模型中每层网络对应的权重以及偏置值计算得到权重关联式和偏置值关联式；
根据预设的参数更新公式对所述权重关联式和偏置值关联式进行计算，得到网络参数的更新权重和更新偏置值。
为了解决上述问题，本发明还提供一种预测模型训练装置，所述装置包括：
图像特征生成模块，用于获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
第一预测结果生成模块，用于将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
基础预测模型生成模块，用于根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；根据所述第一损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
第二预测结果生成模块，用于将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
目标预测模型生成模块，用于根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；根据所述多个第二损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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上述所述的预测模型训练方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的预测模型训练方法。
本发明实施例通过对训练图像进行图像增强，使模型的输入增加，进而提高了模型提取特征的能力，并且使模型的鲁棒性高；通过主预测网络和辅助预测网络共同预测，约束模型的预测结果，提高了模型预测的准确性和鲁棒性；通过有标签的训练数据进行有监督训练，得到基础预测模型，再通过不同于有标签的训练数据的无标签训练数据进行域适应训练，提高了模型的自适应性和泛化能力。因此本发明提出的预测模型训练方法、装置、电子设备及计算机可读存储介质，可以解决预测模型泛化能力和鲁棒性较差的问题。
附图说明
图1为本发明一实施例提供的预测模型训练方法的流程示意图；
图2为本发明一实施例提供的获取第一训练图像对应的第一特征和第二训练图像对应的第二特征的流程示意图；
图3为本发明一实施例提供的获取第一主预测结果和多个第一辅助预测结果的流程示意图；
图4为本发明一实施例提供的预测模型训练装置的功能模块图；
图5为本发明一实施例提供的实现所述预测模型训练方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种预测模型训练方法。所述预测模型训练方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述预测模型训练方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的预测模型训练方法的流程示意图。在本实施例中，所述预测模型训练方法包括：
S1、获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；
本发明实施例中，可以利用爬虫技术从网络上抓取获得大量图像，或者利用具有图像抓取功能的计算机语句(如java语句、python语句等)从预先构建的用于存储各类训练图像的存储区域中获取大量图像，所述存储区域包括但不限于图像库、区块链节点、网络缓存等。
本发明实施例中，可以对获取的所述大量图像进行标签标注得到包含有标签的第一训练图像，并将原始图像作为无标签的第二训练图像，从而进行有监督的模型训练。
本发明实施例中，所述有标签的第一训练图像和所述无标签的第二训练图像可以为相同类别但不同分布的图像，例如：第一训练图像可以为数码相机拍摄的松鼠和猫；第二训练图像可以为胶片相机拍摄的松鼠和猫，数码相机和胶片相机拍照的图像即属于不同分布的图像。
S2、对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
本发明实施例中，所述图像增强操作包括，但不限于色彩处理、模糊处理。进一步地，本发明实施例再利用Resnet101网络结构、ResNet网络结构等的卷积网络层对进行图像增强后的图像进行特征提取。
详细地，本发明实施例中，请参阅图2所示，所述对所述训练图像进行图像增强和特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征，包括：
S21、对所述训练图像进行模糊处理，得到第一增强图像；
S22、对所述训练图像进行色彩处理，得到第二增强图像；
S23、利用预设的卷积核对所述第一增强图像和所述第二增强图像进行卷积，并对卷积后的结果进行池化，得到特征图像，其中所述特征图像包括所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征。
本发明实施例中，所述卷积核可以包括3×3、4×4等，通过卷积层的卷积核对进行图像增强后的图像进行滑动卷积，得到卷积核对应的特征映射矩阵；再选取卷积该特征映射矩阵中预设尺度的局部块中的最大值，形成池化后的特征矩阵，实现了图像的特征提取。
具体地，本发明实施例中所述对所述训练图像进行模糊处理，得到第一增强图像，包括：
利用所述多种类型的模糊算法对所述训练图像进行扰动计算，得到多种类型的扰动图像；
将多种类型的扰动图像分别与所述训练图像进行卷积，得到第一增强图像。
详细地，所述模糊算法包括但不限于运动模糊算法、高斯模糊算法和局部模糊算法。
其中，利用运动模糊算法对所述训练图像进行扰动计算后，得到的扰动图像为随机数；利用高斯模糊算法对所述训练图像进行扰动计算后，得到的扰动图像为卷积核矩阵；利用局部模糊算法对所述训练图像进行扰动计算后，得到的扰动图像为随机数和卷积核矩阵。
详细地，当利用运动模糊算法进行扰动计算，且获取的扰动数据为随机数时，本发明实施例将所述随机数与所述训练图像进行卷积，即可得到训练模糊图像。
当利用所述高斯模糊算法进行扰动计算，且获取的扰动数据为卷积核矩阵时，本发明实施例将所述卷积核矩阵与所述训练图像进行卷积，即可得到训练模糊图像。
当利用局部模糊算法对所述训练图像进行扰动计算，且获取的扰动数据为随机数和卷积核矩阵时，本发明实施例中，通过获取到的随机数将训练图像转化为坐标调整图像，再将获取到的卷积核矩阵与所述坐标调整图像进行卷积，得到训练模糊图像。
进一步地，本发明实施例中所述对所述训练图像进行色彩处理，得到第二增强图像，包括：
对所述训练图像进行色彩空间转换，得到转换图像；
获取多种颜色参数，遍历并获取所述转换图像中各像素点的像素值；
分别根据所述多种颜色参数对所述像素值进行线性调整，得到第二增强图像。
详细地，本发明实施例中所述对所述训练图像进行色彩空间转换，得到转换图像，包括：
获取训练图像的原始色彩空间参数；
根据所述训练图像空间参数遍历并获取所述训练图像中各像素点的颜色三分量；
获取绝对色彩空间的绝对色彩参数，根据所述绝对色彩参数对所述颜色三分量进行中间值转化,得到中间值三分量；
将所述中间值三分量进行归一化处理,得到归一化三分量；
获取目标色彩空间的目标色彩参数，根据所述目标色彩参数对所述归一化三分量进行数值校正,得到所述训练图像中各像素点校正三分量；
将所述校正三分量输入至所述目标色彩空间，得到转换图像。
本发明实施例中，所述原始色彩空间参数是所述训练图像所在的色彩空间中定义颜色范围的特定参数，所述原始色彩空间包括但不限于RGB色彩空间、CMYK色彩空间，原始色彩空间中显示的色彩范围会随着显示设备的变动而变动；所述绝对色彩参数是绝对色彩空间定义颜色范围的特定参数，所述绝对色彩空间包括但不限于sRGB色彩空间、Adobe RGB色彩空间，绝对色彩空间是显示的色彩范围不会随着显示设备的变动而变动。
所述目标色彩空间包括LAB色彩空间，所述目标色彩参数是目标色彩空间中定义颜色范围的特定参数，目标色彩空间中显示的颜色范围不会随显示设备的变动而变动，且由于目标色彩空间中显示的颜色范围适用于人类视觉，更有利于显示图像细节特征。
S3、将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
本发明实施例中，所述预测模型可以为卷积神经网络模型；所述主预测网络和辅助预测网络中包含各自网络对应的网络参数，再通过第一主预测结果和多个第一辅助预测结果，进而实现每个网络进行迭代更新，提高了模型整体预测的准确性。
本发明实施例中，请参阅图3所示，所述将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果，包括：
S31、利用筛选算法从所述第一特征筛选掉失活特征，得到保留特征；
S32、将所述保留特征输入所述多个所述辅助预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述辅助预测网络中的Softmax激活器，得到所述多个所述辅助预测网络对应的预测结果；
S33、将所述第一特征输入所述主预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述主预测网络中的Softmax激活器，得到所述主预测网络对应的预测结果。
本发明实施例中，所述筛选算法可以为dropout算法，用于筛选掉第一特征在网络层激活器的随机失活神经元。
S4、根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；
本发明实施例中，所述第一损失函数集包括多个损失函数，通过多个损失函数分别对第一主预测结果、所述多个第一辅助预测结果和第一训练图像对应的标签进行计算。
本发明实施例中，所述根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值，包括：
利用所述第一损失函数集中的第一损失函数对所述第一主预测结果和所述多个第一辅助预测结果进行计算，得到第一损失值；
利用所述第一损失函数集中的第二损失函数对所述第一主预测结果和所述第一训练图像对应的标签进行计算，得到第二损失值；
利用所述第一损失函数集中的第三损失函数对所述第一主预测结果进行计算，得到第三损失值；
对所述第一损失值、第二损失值和第三损失值进行联合运算，得到第一联合损失值。
详细地，所述利用所述第一损失函数集中的第一损失函数对所述第一主预测结果和所述多个第一辅助预测结果计算得到第一损失值的公式如下所示：
其中，LOSSun为第一损失值，N为辅助网络的数量，
第i个辅助预测网络的输出结果，y为主预测网络的输出结果；
所述利用所述第一损失函数集中的第二损失函数对所述第一主预测结果和所述第一训练图像对应的标签计算得到第二损失值的公式如下所示：
其中，LOSScross-en为第二损失值，M为进行预测的类别数目，Yc为第一训练图像在第c个类别对应的标签，所述标签可标识每个类目为0或1，yc为主预测网络预测的第c个类别的输出结果；
所述利用所述第一损失函数集中的第三损失函数对所述第一主预测结果计算得到第三损失值的公式如下所示：
其中，LOSSPL为第三损失值，τ为预设的阈值常数，y为主预测网络的输出结果；
本发明一可选实施例中，所述对所述第一损失值、第二损失值和第三损失值进行联合运算得到第一联合损失值的公式如下所示：
δ＝LOSSun+LOSScross-en+LOSSPL
其中，δ为第一联合损失值。
S5、根据所述第一联合损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
本发明实施例中，所述根据所述第一联合损失值对所述预测模型的网络参数进行更新，包括：
根据所述第一联合损失值与所述预测模型中每层网络对应的权重以及偏置值计算得到权重关联式和偏置值关联式；
根据预设的参数更新公式对所述权重关联式和偏置值关联式进行计算，得到网络参数的更新权重和更新偏置值。
具体地，所述根据所述第一联合损失值与所述预测模型中每层网络对应的权重以及偏置值计算得到权重关联式的公式如下所示：
其中，
为权重关联式，L为神经网络的层数，wL jk为从第L-1层中第k个神经元到第L层神经网络中第j个神经元的权重连接，δ为第一联合损失值；
所述根据所述第一联合损失值与所述预测模型中每层网络对应的权重以及偏置值计算得到偏置值关联式的公式如下所示：
其中，
为权重关联式，L为神经网络的层数，bL j为第L层神经网络中第j个神经元的偏置值,δ为第一联合损失值；
所述根据预设的参数更新公式对所述权重关联式和偏置值关联式进行计算得到网络参数的更新权重的公式如下所示：
其中，WL jk为更新权重，α为第一预设参数；
所述根据预设的参数更新公式对所述权重关联式和偏置值关联式进行计算得到网络参数的更新偏置值的公式如下所示：
其中，BL j为更新偏置值，β为第二预设参数。
本发明另一可选实施例可以采用反向传播算法对预测模型求梯度，在利用优化算法(例如Adam优化算法)对网络参数进行更新，进而得到基础预测模型。
S6、将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
本发明实施例中，所述将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果的步骤与上述S3中将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果的步骤相似，在此不过多赘述。
S7、根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；
本发明实施例中，所述根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值的步骤与上述S4中根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值的步骤相似，在此不过多赘述。
本发明实施例中，所述第二损失函数集与所述第一损失函数集可以为不相同或不完全相同，当所述第二损失函数集与所述第一损失函数集不完全相同时，所述第二损失函数集也可以包括三个损失函数，其中，所述第二损失函数集中的第一损失函数和第三损失函数可以与第一损失函数集中的第一损失函数和第三损失函数相同，由于第一训练数据为有标签，第二训练图像为无标签，所述第二损失函数集中的第二损失函数与所述第一损失函数集中的第二损失函数可以不同。具体地，所述第二损失函数集中的第二损失函数的公式如下所示：
其中，Len所述第二损失函数集中的第二损失函数，yc为主预测网络预测的第c个类别的输出结果。
S8、根据所述第二联合损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
本发明实施例中，所述根据所述第二联合损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型的步骤与上述S5中根据所述第一联合损失值对所述预测模型的网络参数进行更新，得到基础预测模型的步骤相似，在此不过多赘述。
本发明实施例中，所述目标预测模型的不确定度可以通过所述目标预测模型中的预测网络输出的概率进行量化表示，具体公式如下所示：
U＝-p log p
其中，U为不确定度，p为所述预测网络输出的概率中的最大类别概率。
本发明另一可选实施例中，所述得到目标预测模型之后，所述方法还包括：
获取有标签的测试图像，并对所述测试图像进行图像增强和特征提取，得到特征测试图像；
利用所述目标预测模型中对所述特征测试图像进行计算，得到测试结果；
利用所述第一损失函数集中的第二损失函数对所述测试结果和所述测试图像的标签进行计算，得到测试损失值，并根据所述测试损失值判断所述目标预测模型的预测是否准确；
若所述测试损失值小于或等于预设阈值，则判定所述目标预测模型的预测不准确；
若所述测试损失值大于预设阈值，则判定所述目标预测模型的预测准确。
本发明实施例中，所述测试图像与所述第二训练图像可以为带有标签的相同类别和相同分布的不同图像，通过所述目标预测模型对所述测试图像预测，再根据预测的结果与所述测试图像的标签计算来判断目标预测模型的预测是否准确。
本发明实施例中，通过对基础预测模型的训练，目标预测模型的多个辅助网络与主网络输出的结果准确度接近或基本相同，因此可以通过所述目标预测模型的主网络对所述测试图像进行预测，进而提高模型在测试过程中的效率。
本发明实施例通过对训练图像进行图像增强，使模型的输入增加，进而提高了模型提取特征的能力，并且使模型的鲁棒性高；通过主预测网络和辅助预测网络共同预测，约束模型的预测结果，提高了模型预测的准确性和鲁棒性；通过有标签的训练数据进行有监督训练，得到基础预测模型，再通过不同于有标签的训练数据的无标签训练数据进行域适应训练，提高了模型的自适应性和泛化能力。因此本发明提出的预测模型训练方法，可以解决预测模型泛化能力和鲁棒性较差的问题。
如图4所示，是本发明一实施例提供的预测模型训练装置的功能模块图。
本发明所述预测模型训练装置100可以安装于电子设备中。根据实现的功能，所述预测模型训练装置100可以包括图像特征生成模块101、第一预测结果生成模块102、基础预测模型生成模块103、第二预测结果生成模块104及目标预测模型生成模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像特征生成模块101，用于获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
所述第一预测结果生成模块102，用于将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
所述基础预测模型生成模块103，用于根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；根据所述第一损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
所述第二预测结果生成模块104，用于将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
所述目标预测模型生成模块105，用于根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；根据所述多个第二损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
详细地，本发明实施例中所述预测模型训练装置100中所述的各模块在使用时采用与上述图1至图3中所述的预测模型训练方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现预测模型训练方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如预测模型训练程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行预测模型训练程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如预测模型训练程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的预测模型训练程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；
对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；
根据所述第一联合损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；
根据所述多个第二损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；
对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；
根据所述第一联合损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；
根据所述多个第二损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种预测模型训练方法，其特征在于，所述方法包括：
获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；
对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；
根据所述第一联合损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；
根据所述多个第二损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
2.如权利要求1所述的预测模型训练方法，其特征在于，所述对所述训练图像进行图像增强和特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征，包括：
对所述训练图像进行模糊处理，得到第一增强图像；
对所述训练图像进行色彩处理，得到第二增强图像；
利用预设的卷积核对所述第一增强图像和所述第二增强图像进行卷积，并对卷积后的结果进行池化，得到特征图像，其中所述特征图像包括所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征。
3.如权利要求2所述的预测模型训练方法，其特征在于，所述对所述训练图像进行模糊处理，得到第一增强图像，包括：
利用所述多种类型的模糊算法对所述训练图像进行扰动计算，得到多种类型的扰动图像；
将多种类型的扰动图像分别与所述训练图像进行卷积，得到第一增强图像。
4.如权利要求2所述的预测模型训练方法，其特征在于，所述对所述训练图像进行色彩处理，得到第二增强图像，包括：
对所述训练图像进行色彩空间转换，得到转换图像；
获取多种颜色参数，遍历并获取所述转换图像中各像素点的像素值；
分别根据所述多种颜色参数对所述像素值进行线性调整，得到第二增强图像。
5.如权利要求1所述的预测模型训练方法，其特征在于，所述将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果，包括：
利用筛选算法从所述第一特征筛选掉失活特征，得到保留特征；
将所述保留特征输入所述多个所述辅助预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述辅助预测网络中的Softmax激活器，得到所述多个所述辅助预测网络对应的预测结果；
将所述第一特征输入所述主预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述主预测网络中的Softmax激活器，得到所述主预测网络对应的预测结果。
6.如权利要求1至5中任一项所述的预测模型训练方法，其特征在于，所述根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值，包括：
利用所述第一损失函数集中的第一损失函数对所述第一主预测结果和所述多个第一辅助预测结果进行计算，得到第一损失值；
利用所述第一损失函数集中的第二损失函数对所述第一主预测结果和所述第一训练图像对应的标签进行计算，得到第二损失值；
利用所述第一损失函数集中的第三损失函数对所述第一主预测结果进行计算，得到第三损失值；
对所述第一损失值、第二损失值和第三损失值进行联合运算，得到第一联合损失值。
7.如权利要求1所述的预测模型训练方法，其特征在于，所述根据所述第一联合损失值对所述预测模型的网络参数进行更新，包括：
根据所述第一联合损失值与所述预测模型中每层网络对应的权重以及偏置值计算得到权重关联式和偏置值关联式；
根据预设的参数更新公式对所述权重关联式和偏置值关联式进行计算，得到网络参数的更新权重和更新偏置值。
8.一种预测模型训练装置，其特征在于，所述装置包括：
图像特征生成模块，用于获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；
第一预测结果生成模块，用于将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；
基础预测模型生成模块，用于根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；根据所述第一损失值对所述预测模型的网络参数进行更新，得到基础预测模型；
第二预测结果生成模块，用于将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；
目标预测模型生成模块，用于根据所述第一主预测结果、所述多个第一辅助预测结果，利用预设的第二损失函数集计算得到多个第二损失值；根据所述多个第二损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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权利要求1至7中任意一项所述的预测模型训练方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的预测模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146431.3A CN114494800B (zh) | 2022-02-17 | 预测模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146431.3A CN114494800B (zh) | 2022-02-17 | 预测模型训练方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114494800A true CN114494800A (zh) | 2022-05-13 |
| CN114494800B CN114494800B (zh) | 2024-05-10 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
| CN115881209A (zh) * | 2023-02-15 | 2023-03-31 | 北京深势科技有限公司 | 一种rna二级结构预测的处理方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
| WO2019234291A1 (en) * | 2018-06-08 | 2019-12-12 | Nokia Technologies Oy | An apparatus, a method and a computer program for selecting a neural network |
| CN111062215A (zh) * | 2019-12-10 | 2020-04-24 | 金蝶软件（中国）有限公司 | 基于半监督学习训练的命名实体识别方法和装置 |
| CN111340195A (zh) * | 2020-03-09 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 网络模型的训练方法及装置、图像处理方法及存储介质 |
| CN112541124A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 生成多任务模型的方法、装置、设备、介质及程序产品 |
| CN113111968A (zh) * | 2021-04-30 | 2021-07-13 | 北京大米科技有限公司 | 图像识别模型训练方法、装置、电子设备和可读存储介质 |
| CN113113119A (zh) * | 2021-03-23 | 2021-07-13 | 中国科学院深圳先进技术研究院 | 语义分割网络的训练方法、图像处理方法及其设备 |
| CN113344932A (zh) * | 2021-06-01 | 2021-09-03 | 电子科技大学 | 一种半监督的单目标视频分割方法 |
| CN113378632A (zh) * | 2021-04-28 | 2021-09-10 | 南京大学 | 一种基于伪标签优化的无监督域适应行人重识别算法 |
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019234291A1 (en) * | 2018-06-08 | 2019-12-12 | Nokia Technologies Oy | An apparatus, a method and a computer program for selecting a neural network |
| CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
| CN111062215A (zh) * | 2019-12-10 | 2020-04-24 | 金蝶软件（中国）有限公司 | 基于半监督学习训练的命名实体识别方法和装置 |
| CN111340195A (zh) * | 2020-03-09 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 网络模型的训练方法及装置、图像处理方法及存储介质 |
| CN112541124A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 生成多任务模型的方法、装置、设备、介质及程序产品 |
| CN113113119A (zh) * | 2021-03-23 | 2021-07-13 | 中国科学院深圳先进技术研究院 | 语义分割网络的训练方法、图像处理方法及其设备 |
| CN113378632A (zh) * | 2021-04-28 | 2021-09-10 | 南京大学 | 一种基于伪标签优化的无监督域适应行人重识别算法 |
| CN113111968A (zh) * | 2021-04-30 | 2021-07-13 | 北京大米科技有限公司 | 图像识别模型训练方法、装置、电子设备和可读存储介质 |
| CN113344932A (zh) * | 2021-06-01 | 2021-09-03 | 电子科技大学 | 一种半监督的单目标视频分割方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
| CN115881209A (zh) * | 2023-02-15 | 2023-03-31 | 北京深势科技有限公司 | 一种rna二级结构预测的处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
| CN112257774A (zh) | 基于联邦学习的目标检测方法、装置、设备及存储介质 | |
| CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN112801718A (zh) | 用户行为预测方法、装置、设备及介质 | |
| CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
| CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112528908A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN112137591A (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN113626606A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN114186132A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN112016617A (zh) | 细粒度分类方法、装置及计算机可读存储介质 | |
| CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
| CN114913371A (zh) | 多任务学习模型训练方法、装置、电子设备及存储介质 | |
| CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
| CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 |
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 |