CN114842303A - 自训练优化方法、装置、电子设备及计算机可读存储介质 - Google Patents
自训练优化方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114842303A CN114842303A CN202210582693.4A CN202210582693A CN114842303A CN 114842303 A CN114842303 A CN 114842303A CN 202210582693 A CN202210582693 A CN 202210582693A CN 114842303 A CN114842303 A CN 114842303A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- inference
- object detection
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了自训练优化方法、装置、电子设备及计算机可读存储介质,所述自训练优化方法包括:根据获取的多媒体素材数据确定的训练样本集训练得到对象检测推理模型;依据预设样本评估模型,评估训练样本集中各训练样本对对象检测推理模型的模型训练价值;根据各训练样本对应的模型训练价值,在训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新对象检测基础模型的训练样本集;返回执行步骤:根据训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将对象检测推理模型作为目标推理模型。本申请解决了对象检测推理模型的模型推理准确度低的技术问题。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种自训练优化方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能技术的不断发展,对象检测模型的应用也越来越广泛,例如可以应用于对图像或者音频中的对象进行检测。在训练对象检测推理模型时,通常需要获取大量的素材数据作为样本数据,从而依据特定的训练方式来训练对象检测推理模型,例如不断增量素材的增量学习训练或全量素材批量学习训练的方式等,但是不断增量素材的增量学习训练或全量素材批量学习训练的方式会使训练输出的对象检测推理模型的推理分析效果逐渐趋于平均化或极端化,而推理分析效果的平均化或极端化都无法更好的贴合用户现场场景,从而影响对象检测推理模型的模型推理准确度。
发明内容
本申请的主要目的在于提供一种自训练优化方法、装置、电子设备及计算机可读存储介质,旨在解决现有技术中对象检测推理模型的模型推理准确度低的技术问题。
为实现上述目的,本申请提供一种自训练优化方法,所述自训练优化方法包括:
获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;
根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;
依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;
根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新所述对象检测基础模型的训练样本集;
返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将所述对象检测推理模型作为目标推理模型。
可选地,所述依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值的步骤包括:
获取所述训练样本对应的样本采集时间特征、对应的样本质量特征和对应的用户关注程度特征;
依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
可选地,所述依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征的步骤包括:
获取所述训练样本所属类别对应的类别置信度特征,以及所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征;
将所述样本采集时间特征、所述样本质量特征、所述类别置信度特征、所述类别置信度特征和所述模型推理偏差特征进行拼接,得到所述样本价值评估特征。
可选地,所述训练样本包括图像样本,所述获取所述训练样本所属类别对应的类别置信度特征,包括:
在所述图像样本中选取疑似存在目标对象的各候选区域图像;
分别对各所述候选区域图像进行分类,以检测所述候选区域图像中存在所述目标对象的概率,得到各分类概率值;
将各所述分类概率值进行拼接为所述类别置信度特征。
可选地,获取所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征,包括:
获取所述对象检测基础模型对所述训练样本的第一推理结果以及所述对象检测推理模型对所述训练样本的第二推理结果;
依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征。
可选地,所述第一推理结果包括所述训练样本对应的第一最终推理结果和对应的至少一个第一推理中间特征,所述第二推理结果包括所述训练样本对应的第二最终推理结果和对应的至少一个第二推理中间特征,所述依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征包括:
确定各所述第一推理中间特征与对应的第二推理中间特征之间的中间特征推理偏差以及所述第一最终推理结果和所述第二最终推理结果之间的最终推理偏差;
依据各所述中间特征推理偏差和所述最终推理偏差,构建所述模型推理偏差特征。
可选地所述依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值的步骤包括:
获取所述训练样本对应的至少一个维度特征,其中,所述维度特征至少包括样本采集时间特征、样本质量特征、所述训练样本所属类别对应的类别置信度特征、所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征以及用户关注程度特征中的一种;
根据所述维度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
本申请还提供一种自训练优化装置,所述自训练优化装置应用于自训练优化设备,所述自训练优化装置包括:
训练样本集确定模块,用于获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;
模型训练模块,用于根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;
样本评估模块,用于依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;
训练样本集更新模块,用于根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新所述对象检测基础模型的训练样本集;
持续迭代模块,用于返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将所述对象检测推理模型作为目标推理模型。
可选地,所述样本评估模块还用于:
获取所述训练样本对应的样本采集时间特征、对应的样本质量特征和对应的用户关注程度特征;
依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
可选地,所述样本评估模块还用于:
获取所述训练样本所属类别对应的类别置信度特征,以及所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征;
将所述样本采集时间特征、所述样本质量特征、所述类别置信度特征、所述类别置信度特征和所述模型推理偏差特征进行拼接,得到所述样本价值评估特征。
可选地,所述样本评估模块还用于:
在所述图像样本中选取疑似存在目标对象的各候选区域图像;
分别对各所述候选区域图像进行分类,以检测所述候选区域图像中存在所述目标对象的概率,得到各分类概率值;
将各所述分类概率值进行拼接为所述类别置信度特征。
可选地,所述样本评估模块还用于:
获取所述对象检测基础模型对所述训练样本的第一推理结果以及所述对象检测推理模型对所述训练样本的第二推理结果;
依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征。
可选地,所述第一推理结果包括所述训练样本对应的第一最终推理结果和对应的至少一个第一推理中间特征,所述第二推理结果包括所述训练样本对应的第二最终推理结果和对应的至少一个第二推理中间特征,所述样本评估模块还用于:
确定各所述第一推理中间特征与对应的第二推理中间特征之间的中间特征推理偏差以及所述第一最终推理结果和所述第二最终推理结果之间的最终推理偏差;
依据各所述中间特征推理偏差和所述最终推理偏差,构建所述模型推理偏差特征。
可选地,所述样本评估模块还用于:
获取所述训练样本对应的至少一个维度特征,其中,所述维度特征至少包括样本采集时间特征、样本质量特征、所述训练样本所属类别对应的类别置信度特征、所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征以及用户关注程度特征中的一种;
根据所述维度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
本申请还提供一种电子设备,所述电子设备为实体设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述自训练优化方法的程序,所述自训练优化方法的程序被处理器执行时可实现如上述的自训练优化方法的步骤。
本申请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上存储有实现自训练优化方法的程序,所述自训练优化方法的程序被处理器执行时实现如上述的自训练优化方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的自训练优化方法的步骤。
本申请提供了一种自训练优化方法、装置、电子设备及计算机可读存储介质,首先获取多媒体素材数据,根据所述多媒体素材数据确定训练样本集;根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型;依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本;获取新的多媒体素材数据,依据新的多媒体素材数据和所述可持续训练样本,更新所述训练样本集,所以本申请中每次训练结束后,均会依据训练样本的模型训练价值,在本次训练的训练样本集中挑选出可持续训练样本加入下一阶段采集的新的多媒体素材数据中作为下一次训练的训练样本集,从而返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,以进行下一次训练,所以本申请可实现依据不同阶段采集的多媒体素材数据持续迭代训练对象检测推理模型,且由于每次采集训练素材的用户现场场景均会存在差异,对象检测推理模型在持续迭代训练中会不断适配不同的用户现场场景,使得最终满足预设模型测试条件的对象检测推理模型不会因为推理分析效果逐渐趋于平均化或极端化,而无法贴合用户现场场景,从而提升对象检测推理模型的模型推理准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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的附图。
图1为本申请自训练优化方法第一实施例的流程示意图;
图2为本申请自训练优化方法中训练对象检测推理模型的流程示意图;
图3为本申请自训练优化方法第二实施例的流程示意图;
图4为本申请自训练优化方法第三实施例的流程示意图;
图5为本申请自训练优化方法第四实施例的流程示意图;
图6为本申请实施例中自训练优化方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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
为使本申请的上述目的、特征和优点能够更加明显易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本申请保护的范围。
本申请实施例提供一种自训练优化方法,在本申请自训练优化方法的一实施例中,参照图1,所述自训练优化方法包括:
步骤S10,获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;
步骤S20,根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;
步骤S30,依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;
步骤S40,根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新所述对象检测基础模型的训练样本集;
步骤S50,返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将所述对象检测推理模型作为目标推理模型。
在本实施例中,需要说明的是,所述多媒体素材数据可以为图像数据或者声音数据等多媒体数据。所述对象检测基础模型可以为用于进行对象检测的教师模型,所述对象检测推理模型可以为用于进行对象检测的学生模型,对象检测具体可以为对象行为检测、对象识别检测或者对象分类检测等。所述模型训练价值为训练样本对于训练对象检测推理模型的价值,模型训练价值越高,则训练样本越有利于对象检测推理模型的训练,可用于提升训练得到的对象检测推理模型对于不同用户现场场景的适配程度。
作为一种示例,步骤S10至步骤S50包括:获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;获取所述训练样本集中各训练样本在不同评估维度下的维度特征,通过分别将每一训练样本对应的各维度特征输入预设样本评估模型,评估各训练样本对所述对象检测推理模型的模型训练价值;根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选模型训练价值大于预设训练价值阈值的训练样本作为可持续训练样本;获取新的多媒体素材数据,将所述可持续训练样本和新的多媒体素材数据共同作为下一次训练的训练样本集;返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,以对象检测基础模型进行下一次训练;若检测到训练得到的对象检测推理模型满足预设迭代训练结束条件,则将所述对象检测推理模型作为目标推理模型,其中,由于每次获取多媒体素材数据的用户现实场景存在差异,因此实现了在持续迭代训练对象检测推理模型的过程中利用了不同阶段采集的多媒体素材数据来训练对象检测推理模型的目的,从而使得最终训练得到的对象检测推理模型可以适配不同的用户现实场景。其中,所述评估维度可以为时间维度、样本质量维度、样本所属类别对应的类别置信度维度、对象检测基础模型和对象检测推理模型对样本进行推理的模型推理偏差维度以及用户关注程度维度中的一种或者多种。
作为一种示例,所述根据所述多媒体素材数据确定对象检测基础模型的训练样本集,包括:
若本次训练为对象检测推理模型的第一次训练,则将多媒体素材数据直接作为训练样本集;若本次训练不为对象检测推理模型的第一次训练,则获取上一次训练时筛选的可持续训练样本,将上一次筛选的可持续训练样本和多媒体素材数据共同作为训练样本集。
作为一种示例,所述根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型的步骤包括:
从所述训练样本集中获取训练样本,通过将训练样本输入对象检测基础模型,对所述训练样本进行对象检测,得到第一对象检测结果,并获取所述对象检测基础模型针对于所述训练样本的第一推理中间特征,其中,所述第一推理中间特征为所述训练样本输入对象检测基础模型后,对象检测基础模型的隐藏层输出;通过将训练样本输入待训练对象检测模型,对所述训练样本进行对象检测,得到第二对象检测结果,并获取所述待训练对象检测模型针对于所述训练样本的第二推理中间特征,其中,所述第二推理中间特征为所述训练样本输入待训练对象检测模型后,待训练对象检测模型的隐藏层输出;依据所述第一对象检测结果和所述第二对象检测结果之间的差值,以及所述第一推理中间特征和所述第二推理中间特征之间的差值,构建所述待训练对象检测模型对应的模型损失;判断所述模型损失是否收敛,若收敛,则将所述待训练对象检测模型作为对象检测推理模型,若未收敛,则根据所述模型损失计算的梯度,更新所述待训练对象检测模型,并返回执行步骤:从所述训练样本集中获取训练样本,以对所述待训练对象检测模型进行下一轮训练,直至计算得到的模型损失收敛。其中,所述待训练对象检测模型为未训练好的对象检测推理模型。
其中,所述依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值的步骤包括:
步骤A10,获取所述训练样本对应的至少一个维度特征,其中,所述维度特征至少包括样本采集时间特征、样本质量特征、所述训练样本所属类别对应的类别置信度特征、所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征以及用户关注程度特征中的一种;
步骤A20,根据所述维度特征,构建所述训练样本对应的样本价值评估特征;
步骤A30,通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
在本实施例中,需要说明的是,所述样本采集时间特征为表征样本采集时间与当前时间距离远近的特征;所述样本质量特征为表征样本质量好坏的特征,例如假设训练样本为图像,则样本质量特征可以为由图像清晰度、图像分辨率以及图像中目标遮挡程度等特征值组成的特征向量;所述类别置信度特征为表征训练样本中各对象为目标对象的置信度的特征,例如假设训练样本为图像,图像中存在10个对象疑似为人物对象,则10个对象为人物对象的概率值组成的特征向量为类别置信度特征;所述模型推理偏差特征为表征对象检测基础模型和对象检测推理模型在模型推理过程中的偏差的特征;所述用户关注程度特征为表征用户关注程度高低的特征,例如可设置用户关注程度特征的取值为0至1,其中,0表示用户不关注该训练样本,1表示用户对该训练样本的关注度为百分之一百。
作为一种示例,步骤A10至步骤A30包括:获取所述训练样本对应的至少一个维度特征,其中,所述维度特征至少包括样本采集时间特征、样本质量特征、所述训练样本所属类别对应的类别置信度特征、所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征以及用户关注程度特征中的一种;将各所述维度特征按照预设拼接顺序进行拼接,得到所述训练样本对应的样本价值评估特征;将所述样本价值评估特征输入所述预设样本评估模型中进行评分,将所述样本价值评估模型输出的评分值作为所述训练样本对所述对象检测推理模型的模型训练价值。本申请实施例实现了从时间维度、样本质量维度、样本所属类别对应的类别置信度维度、对象检测基础模型和对象检测推理模型对样本进行推理的模型推理偏差维度以及用户关注程度维等多个维度评估训练样本的模型训练价值的目的,为模型训练价值的评估提供了足够多的决策依据,因此提升了训练样本的模型训练价值评估的准确度。
作为一种示例,参照图2,图2为本申请实施例中训练对象检测推理模型的流程示意图,其中,基础算法模型为所述对象检测基础模型,第一次至第N次训练输出的算法模型均为所述对象检测推理模型,评价模型为所述预设样本评估模型,训练素材为所述多媒体素材数据,评价模型用于在每次训练过程中在训练素材中筛选出可持续学习训练素材,也即筛选出可持续训练样本,并将可持续训练样本加入下一次训练采集的训练素材中共同作为对象检测推理模型的训练样本集,从而可在对象检测推理模型的整个训练过程中对训练素材进行持续性挑选,挑选出可用于持续学习训练的可持续学习训练素材,从而使得每次训练的训练素材价值更高且场景覆盖度更广,因此训练好的对象检测推理模型的效果更加稳定且适应性更强,不会出现训练好的对象检测推理模型跟用户现实场景不适配而影响对象检测推理模型的推理准确度的情况,所以提升了对象检测推理模型的模型推理准确度。
本申请实施例提供了一种自训练优化方法,首先获取多媒体素材数据,根据所述多媒体素材数据确定训练样本集;根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型;依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本;获取新的多媒体素材数据,依据新的多媒体素材数据和所述可持续训练样本,更新所述训练样本集,所以本申请实施例中每次训练结束后,均会依据训练样本的模型训练价值,在本次训练的训练样本集中挑选出可持续训练样本加入下一阶段采集的新的多媒体素材数据中作为下一次训练的训练样本集,从而返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,以进行下一次训练,所以本申请实施例可实现依据不同阶段采集的多媒体素材数据持续迭代训练对象检测推理模型,且由于每次采集训练素材的用户现场场景均会存在差异,对象检测推理模型在持续迭代训练中会不断适配不同的用户现场场景,使得最终满足预设模型测试条件的对象检测推理模型不会因为推理分析效果逐渐趋于平均化或极端化,而无法贴合用户现场场景,从而提升对象检测推理模型的模型推理准确度。
进一步地,参照图3,在本申请另一实施例中,与上述实施例相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,所述依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值的步骤包括:
步骤S31,获取所述训练样本对应的样本采集时间特征、对应的样本质量特征和对应的用户关注程度特征;
步骤S32,依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征;
步骤S33,通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
作为一种示例,步骤S31至步骤S33包括:获取所述训练样本对应的样本采集时间,计算所述样本采集时间与当前时间之间的时间间隔长度,将所述时间间隔长度作为样本采集时间特征;获取所述训练样本对应的样本质量特征;获取所述训练样本对应的用户关注度标签,将所述用户关注度标签作为用户关注程度特征,其中,所述用户关注度标签可以为用户标识的用于标识用户的关注程度的标识;将所述样本采集时间特征、所述样本质量特征和所述用户关注程度标签进行拼接,得到样本价值评估特征将所述样本价值评估特征输入所述预设样本评估模型中进行评分,将所述样本价值评估模型输出的评分值作为所述训练样本对所述对象检测推理模型的模型训练价值。
作为一种示例,所述训练样本可以为图像样本,所述获取所述训练样本对应的样本质量特征,包括:
获取所述图像样本对应的图像清晰度、对应的图像分辨率以及图像样本中目标对象对应的遮挡程度,其中,目标对象可以为人物对象,也可以为特定的物品对象;将所述图像清晰度、所述图像分辨率和所述遮挡程度进行拼接,得到样本质量特征。
作为一种示例,所述训练样本可以为声音样本,所述获取所述训练样本对应的样本质量特征,包括:
获取所述声音样本对应的声音幅度、对应的声音频率和对应的噪音干扰程度;将所述声音幅度、声音频率和所述噪音干扰程度进行拼接,得到样本质量特征。
本申请实施例提供了一种模型训练价值的评估方法,也即获取所述训练样本对应的样本采集时间特征、对应的样本质量特征和对应的用户关注程度特征;依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征,从而实现了依据样本采集时间的远近、样本质量和用户对应训练样本的关注程度来构建样本价值评估特征,使得样本价值评估特征具备充足的特征信息,进而通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值,可为训练样本的模型训练价值评估提供充分的决策依据,保证了训练样本的模型训练价值评估的准确度。
进一步地,参照图4,在本申请另一实施例中,与上述实施例相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,所述依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征的步骤包括:
步骤S321,获取所述训练样本所属类别对应的类别置信度特征,以及所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征;
步骤S322,将所述样本采集时间特征、所述样本质量特征、所述类别置信度特征、所述类别置信度特征和所述模型推理偏差特征进行拼接,得到所述样本价值评估特征。
作为一种示例,步骤S321至步骤S322包括:对所述训练样本中的各候选对象进行分类,以预测候选对象为目标对象的概率,得到各目标对象对应的分类概率;将各所述分类概率进行拼接,得到类别置信度特征;获取所述对象检测基础模型对所述训练样本的第一推理结果以及所述对象检测推理模型对所述训练样本的第二推理结果,计算所述第一推理结果和所述第二推理结果之间的推理结果偏差值,将所述推理结果偏差值作为模型推理偏差特征;将所述样本采集时间特征、所述样本质量特征、所述类别置信度特征、所述类别置信度特征和所述模型推理偏差特征进行拼接,得到所述样本价值评估特征。
其中,所述训练样本包括图像样本,所述获取所述训练样本所属类别对应的类别置信度特征,包括:
步骤B10,在所述图像样本中选取疑似存在目标对象的各候选区域图像;
步骤B20,分别对各所述候选区域图像进行分类,以检测所述候选区域图像中存在所述目标对象的概率,得到各分类概率值;
步骤B30,将各所述分类概率值进行拼接为所述类别置信度特征。
作为一种示例,步骤B10至步骤B30包括:通过对所述图像样本进行目标检测,在所述图像样本中框选各疑似存在目标对象的图像区域作为候选区域图像;通过分别对各所述候选区域图像进行分类,预测各所述候选区域图像中存在目标对象的概率,得到各所述候选区域图像对应的分类概率值;将各所述分类概率值拼接得到的特征向量作为类别置信度特征。
本申请实施例提供了一种样本价值评估特征的构建方法,也即获取所述训练样本所属类别对应的类别置信度特征,以及所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征;将所述样本采集时间特征、所述样本质量特征、所述类别置信度特征、所述类别置信度特征和所述模型推理偏差特征进行拼接,得到所述样本价值评估特征,实现了依据样本采集时间的远近、样本质量、用户对应训练样本的关注程度、训练样本所需类别对应的类别置信度以及训练样本在对象检测基础模型和对象检测推理模型之间的模型推理偏差,构建样本价值评估特征的目的,使得样本价值评估特征具备更为充足的特征信息,进而依据具备更为充足的特征信息的样本价值评估特征进行训练样本的模型价值评估的准确度将会更高,因此为提升训练样本的模型价值评估的准确度奠定了基础。
进一步地,参照图5,在本申请另一实施例中,与上述实施例相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,获取所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征,包括:
步骤C10,获取所述对象检测基础模型对所述训练样本的第一推理结果以及所述对象检测推理模型对所述训练样本的第二推理结果;
步骤C20,依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征。
在本实施例中,需要说明的是,所述第一推理结果可以为对象基础模型针对于所述训练样本输出的最终推理结果或者中间推理结果中的一种或者多种;所述第二推理结果可以为对象推理模型针对于所述训练样本输出的最终推理结果或者中间推理结果中的一种或者多种。其中,所述最终推理结果可以为模型的输出层的输出值,所述中间推理结果可以为模型的中间隐藏层输出的中间特征。
作为一种示例,步骤C10至步骤C20包括:获取训练样本输入所述对象检测基础模型后所述对象检测基础模型的输出层的输出值,将所述对象检测基础模型的输出层的输出值作为所述第一推理结果;获取训练样本输入所述对象检测推理模型后所述对象检测基础模型的输出层的输出值,将所述对象检测推理模型的输出层的输出值作为所述第二推理结果;计算所述第一推理结果和所述第二推理结果之间的差值,得到最终推理偏差,将所述最终推理偏差作为所述模型推理偏差特征。
在另外一种实施方式中,步骤C10至步骤C20包括:获取训练样本输入所述对象检测基础模型后所述对象检测基础模型的隐藏层输出的中间特征,将所述对象检测基础模型的隐藏层输出的中间特征作为所述第一推理结果;获取训练样本输入所述对象检测推理模型后所述对象检测基础模型的隐藏层输出的中间特征,将所述对象检测推理模型的隐藏层输出的中间特征作为所述第二推理结果;计算所述第一推理结果和所述第二推理结果之间的差值,得到中间特征推理偏差,将所述中间特征推理偏差作为所述模型推理偏差特征。
其中,所述第一推理结果包括所述训练样本对应的第一最终推理结果和对应的至少一个第一推理中间特征,所述第二推理结果包括所述训练样本对应的第二最终推理结果和对应的至少一个第二推理中间特征,所述依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征包括:
步骤C21,确定各所述第一推理中间特征与对应的第二推理中间特征之间的中间特征推理偏差以及所述第一最终推理结果和所述第二最终推理结果之间的最终推理偏差;
步骤C22,依据各所述中间特征推理偏差和所述最终推理偏差,构建所述模型推理偏差特征。
在本实施例中,需要说明的是,所述第一推理中间特征和所述第二推理中间特征的数量可以为一个或者多个。
作为一种示例,步骤C21至步骤C22包括:获取所述对象检测基础模型的各预设隐藏层针对于所述训练样本输出的第一推理中间特征,以及所述对象检测基础模型的输出层针对于所述训练样本输出的第一最终推理结果;获取所述对象检测推理模型的各预设隐藏层针对于所述训练样本输出的第二推理中间特征,以及所述对象检测推理模型的输出层针对于所述训练样本输出的第二最终推理结果;计算每一所述第一推理中间特征和对应的第二推理中间特征之间的差值,得到各中间特征差值,对各所述中间特征差值进行聚合,得到中间特征推理偏差;计算所述第一最终推理结果和所述第二最终推理结果之间的差值,得到最终推理偏差;将所述中间特征推理偏差和所述最终推理偏差进行拼接,得到模型推理偏差特征,例如假设所述中间特征推理偏差为矩阵,所述最终推理偏差为数值,则可预先通过插入0的方式构建最终推理偏差对应的向量,再将向量拼接至作为中间特征推理偏差的矩阵,得到新的矩阵作为模型推理偏差特征,也可以预先将中间特征推理偏差由矩阵映射为预设长度的向量,再将作为最终推理偏差的数值拼接至预设长度的向量,得到新的向量作为模型推理偏差特征。所述预设隐藏层为预先设置好的网络层级深度的隐藏层,例如可选择对象检测基础模型的第100层网络、第500层网络和第1000层网络作为各预设隐藏层。
作为一种示例,所述中间特征差值为矩阵,所述对各所述中间特征差值进行聚合,得到中间特征推理偏差,包括:
将各所述中间特征差值映射至预设维度空间,得到各标准中间特征差值矩阵;将各所述标准中间特征差值矩阵进行累加,得到中间特征推理偏差。
在另外一种可实施的方式中,所述中间特征差值为矩阵,所述对各所述中间特征差值进行聚合,得到中间特征推理偏差,包括:
将各所述中间特征差值映射至预设维度空间,得到各标准中间特征差值矩阵;对各所述标准中间特征差值矩阵加权求平均,得到中间特征推理偏差。
本申请实施例提供了一种模型推理特征偏差的构建方法,首先在进行模型推理时,获取对象检测基础模型推理训练样本时产生的各第一推理中间特征和第一最终推理结果,以及对象检测推理模型推理训练样本时产生的各第二推理中间特征和第二最终推理结果,从而确定各所述第一推理中间特征与对应的第二推理中间特征之间的中间特征推理偏差以及所述第一最终推理结果和所述第二最终推理结果之间的最终推理偏差;依据各所述中间特征推理偏差和所述最终推理偏差,构建所述模型推理偏差特征,从而实现了对象检测基础模型和对象检测推理模型在整个推理过程中的差异来构建模型推理偏差特征的目的,而非仅依据对象检测基础模型和对象检测推理模型的最终输出值来评估模型推理偏差,因此为模型推理偏差特征的构建提供了足够多的信息,使得模型推理偏差特征可以更加充分准确的表征对象检测基础模型和对象检测推理模型之间的模型推理偏差,模型推理偏差特征具备更加丰富的特征信息,从而依据模型推理偏差特征进行训练样本的模型训练价值评估的准确度更高,为提升训练样本的模型训练价值评估的准确度奠定了基础。
本申请实施例还提供一种自训练优化装置,所述自训练优化装置应用于自训练优化设备,所述自训练优化装置包括:
训练样本集确定模块,用于获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;
模型训练模块,用于根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;
样本评估模块,用于依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;
训练样本集更新模块,用于根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新所述对象检测基础模型的训练样本集;
持续迭代模块,用于返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将所述对象检测推理模型作为目标推理模型。
可选地,所述样本评估模块还用于:
获取所述训练样本对应的样本采集时间特征、对应的样本质量特征和对应的用户关注程度特征;
依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
可选地,所述样本评估模块还用于:
获取所述训练样本所属类别对应的类别置信度特征,以及所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征;
将所述样本采集时间特征、所述样本质量特征、所述类别置信度特征、所述类别置信度特征和所述模型推理偏差特征进行拼接,得到所述样本价值评估特征。
可选地,所述样本评估模块还用于:
在所述图像样本中选取疑似存在目标对象的各候选区域图像;
分别对各所述候选区域图像进行分类,以检测所述候选区域图像中存在所述目标对象的概率,得到各分类概率值;
将各所述分类概率值进行拼接为所述类别置信度特征。
可选地,所述样本评估模块还用于:
获取所述对象检测基础模型对所述训练样本的第一推理结果以及所述对象检测推理模型对所述训练样本的第二推理结果;
依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征。
可选地,所述第一推理结果包括所述训练样本对应的第一最终推理结果和对应的至少一个第一推理中间特征,所述第二推理结果包括所述训练样本对应的第二最终推理结果和对应的至少一个第二推理中间特征,所述样本评估模块还用于:
确定各所述第一推理中间特征与对应的第二推理中间特征之间的中间特征推理偏差以及所述第一最终推理结果和所述第二最终推理结果之间的最终推理偏差;
依据各所述中间特征推理偏差和所述最终推理偏差,构建所述模型推理偏差特征。
可选地,所述样本评估模块还用于:
获取所述训练样本对应的至少一个维度特征,其中,所述维度特征至少包括样本采集时间特征、样本质量特征、所述训练样本所属类别对应的类别置信度特征、所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征以及用户关注程度特征中的一种;
根据所述维度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
本申请提供的自训练优化装置,采用上述实施例中的自训练优化方法,解决了对象检测推理模型的模型推理准确度低的技术问题。与现有技术相比,本申请实施例提供的自训练优化装置的有益效果与上述实施例提供的自训练优化方法的有益效果相同,且该自训练优化装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
本申请实施例提供一种电子设备,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上述实施例一中的自训练优化方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常,以下系统可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例中的自训练优化方法,解决了对象检测推理模型的模型推理准确度低的技术问题。与现有技术相比,本申请实施例提供的电子设备的有益效果与上述实施例提供的自训练优化方法的有益效果相同,且该电子设备中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的自训练优化方法的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新所述对象检测基础模型的训练样本集;返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将所述对象检测推理模型作为目标推理模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质,存储有用于执行上述自训练优化方法的计算机可读程序指令,解决了对象检测推理模型的模型推理准确度低的技术问题。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的自训练优化方法的有益效果相同,在此不做赘述。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的自训练优化方法的步骤。
本申请提供的计算机程序产品解决了对象检测推理模型的模型推理准确度低的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的自训练优化方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种自训练优化方法,其特征在于,所述自训练优化方法包括:
获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;
根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;
依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;
根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新所述对象检测基础模型的训练样本集;
返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将所述对象检测推理模型作为目标推理模型。
2.如权利要求1所述自训练优化方法,其特征在于,所述依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值的步骤包括:
获取所述训练样本对应的样本采集时间特征、对应的样本质量特征和对应的用户关注程度特征;
依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
3.如权利要求2所述自训练优化方法,其特征在于,所述依据所述样本采集时间特征、所述样本质量特征和所述用户关注程度特征,构建所述训练样本对应的样本价值评估特征的步骤包括:
获取所述训练样本所属类别对应的类别置信度特征,以及所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征;
将所述样本采集时间特征、所述样本质量特征、所述类别置信度特征、所述类别置信度特征和所述模型推理偏差特征进行拼接,得到所述样本价值评估特征。
4.如权利要求3所述自训练优化方法,其特征在于,所述训练样本包括图像样本,所述获取所述训练样本所属类别对应的类别置信度特征,包括:
在所述图像样本中选取疑似存在目标对象的各候选区域图像;
分别对各所述候选区域图像进行分类,以检测所述候选区域图像中存在所述目标对象的概率,得到各分类概率值;
将各所述分类概率值进行拼接为所述类别置信度特征。
5.如权利要求3所述自训练优化方法,其特征在于,获取所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征,包括:
获取所述对象检测基础模型对所述训练样本的第一推理结果以及所述对象检测推理模型对所述训练样本的第二推理结果;
依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征。
6.如权利要求5所述自训练优化方法,其特征在于,所述第一推理结果包括所述训练样本对应的第一最终推理结果和对应的至少一个第一推理中间特征,所述第二推理结果包括所述训练样本对应的第二最终推理结果和对应的至少一个第二推理中间特征,所述依据所述第一推理结果和所述第二推理结果之间的推理偏差,构建所述模型推理偏差特征包括:
确定各所述第一推理中间特征与对应的第二推理中间特征之间的中间特征推理偏差以及所述第一最终推理结果和所述第二最终推理结果之间的最终推理偏差;
依据各所述中间特征推理偏差和所述最终推理偏差,构建所述模型推理偏差特征。
7.如权利要求1所述自训练优化方法,其特征在于,所述依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值的步骤包括:
获取所述训练样本对应的至少一个维度特征,其中,所述维度特征至少包括样本采集时间特征、样本质量特征、所述训练样本所属类别对应的类别置信度特征、所述训练样本在所述对象检测基础模型和所述对象检测推理模型之间的模型推理偏差特征以及用户关注程度特征中的一种;
根据所述维度特征,构建所述训练样本对应的样本价值评估特征;
通过将所述样本价值评估特征输入所述预设样本评估模型,评估所述训练样本对所述对象检测推理模型的模型训练价值。
8.一种自训练优化装置,其特征在于,所述自训练优化装置包括:
训练样本集确定模块,用于获取多媒体素材数据,根据所述多媒体素材数据确定对象检测基础模型的训练样本集;
模型训练模块,用于根据所述训练样本集训练所述对象检测基础模型,得到对象检测推理模型;
样本评估模块,用于依据预设样本评估模型,评估所述训练样本集中各训练样本对所述对象检测推理模型的模型训练价值;
训练样本集更新模块,用于根据各所述训练样本对应的模型训练价值,在所述训练样本集中筛选可持续训练样本加入新获取的多媒体素材数据中,以更新所述对象检测基础模型的训练样本集;
持续迭代模块,用于返回执行步骤:根据所述训练样本集训练对象检测基础模型,得到对象检测推理模型,直至训练得到的对象检测推理模型满足预设迭代训练结束条件,将所述对象检测推理模型作为目标推理模型。
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至7中任一项所述的自训练优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有实现自训练优化方法的程序,所述实现自训练优化方法的程序被处理器执行以实现如权利要求1至7中任一项所述自训练优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582693.4A CN114842303A (zh) | 2022-05-26 | 2022-05-26 | 自训练优化方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582693.4A CN114842303A (zh) | 2022-05-26 | 2022-05-26 | 自训练优化方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842303A true CN114842303A (zh) | 2022-08-02 |
Family
ID=82572232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582693.4A Pending CN114842303A (zh) | 2022-05-26 | 2022-05-26 | 自训练优化方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842303A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009775A (zh) * | 2023-09-28 | 2023-11-07 | 苏州元脑智能科技有限公司 | 模型训练数据获取方法、模型训练方法和装置 |
-
2022
- 2022-05-26 CN CN202210582693.4A patent/CN114842303A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009775A (zh) * | 2023-09-28 | 2023-11-07 | 苏州元脑智能科技有限公司 | 模型训练数据获取方法、模型训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zurell et al. | A standard protocol for reporting species distribution models | |
CN105528652A (zh) | 一种预测模型的建立方法及终端 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN112395188B (zh) | 一种面向测试的软件项目开发方法、装置、电子设备及存储介质 | |
CN114842303A (zh) | 自训练优化方法、装置、电子设备及计算机可读存储介质 | |
CN116894188A (zh) | 业务标签集更新方法、装置、介质及电子设备 | |
CN112905435B (zh) | 基于大数据的工作量评估方法、装置、设备及存储介质 | |
CN111414921B (zh) | 样本图像处理方法、装置、电子设备及计算机存储介质 | |
CN112712181A (zh) | 模型构建优化方法、装置、设备和可读存储介质 | |
CN116563007A (zh) | 授信信用风险预测方法、电子设备及可读存储介质 | |
CN116957143A (zh) | 村庄空心率预测方法、装置、电子设备及可读存储介质 | |
CN115953234A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN114116431A (zh) | 系统运行健康检测方法、装置、电子设备及可读存储介质 | |
CN114972113A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN117251355A (zh) | 性能测试方法、装置、设备、计算机可读存储介质及产品 | |
CN114186090A (zh) | 一种图像标注数据的智能质检方法及系统 | |
CN116401597B (zh) | 地震解释模型构建方法、电子设备及可读存储介质 | |
CN115470292B (zh) | 区块链共识方法、装置、电子设备及可读存储介质 | |
CN114647721B (zh) | 教育智能机器人控制方法、设备及介质 | |
CN116503849B (zh) | 异常地址识别方法、装置、电子设备与计算机可读介质 | |
CN114742754A (zh) | 肺结节检测方法、电子设备及计算机可读存储介质 | |
CN116302043B (zh) | 代码维护问题检测方法、装置、电子设备及可读存储介质 | |
CN109492695B (zh) | 数据建模的样本处理方法、装置、电子设备及可读介质 |
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 |