CN116109991B - 模型的约束参数确定方法、装置及电子设备 - Google Patents

模型的约束参数确定方法、装置及电子设备 Download PDF

Info

Publication number
CN116109991B
CN116109991B CN202211563893.1A CN202211563893A CN116109991B CN 116109991 B CN116109991 B CN 116109991B CN 202211563893 A CN202211563893 A CN 202211563893A CN 116109991 B CN116109991 B CN 116109991B
Authority
CN
China
Prior art keywords
target
image
area
sample
images
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.)
Active
Application number
CN202211563893.1A
Other languages
English (en)
Other versions
CN116109991A (zh
Inventor
李迎港
聂磊
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202211563893.1A priority Critical patent/CN116109991B/zh
Publication of CN116109991A publication Critical patent/CN116109991A/zh
Application granted granted Critical
Publication of CN116109991B publication Critical patent/CN116109991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种模型的约束参数确定方法、装置及电子设备，涉及深度学习和计算机视觉等人工智能技术领域，可应用于建筑施工，矿井作业，港口巡视等工业安全生产场景，所述方法，包括：获取目标图像；将目标图像输入至第一图像识别模型中进行特征提取，得到第一中间特征向量，并将目标图像输入至第二图像识别模型中进行特征提取，得到第二中间特征向量；计算第一中间特征向量与目标权重掩码的第一乘积向量，并计算第二中间特征向量与目标权重掩码的第二乘积向量，目标权重掩码根据第一图像识别模型输出的预测图像确定；在第一乘积向量与第二乘积向量之间的相似度满足预设收敛条件的情况下，将相似度确定为第二图像识别模型的约束参数。

Description

模型的约束参数确定方法、装置及电子设备
技术领域
本公开涉及深度学习和计算机视觉等人工智能技术领域，可应用于建筑施工，矿井作业，港口巡视等工业安全生产场景，具体涉及一种模型的约束参数确定方法、装置及电子设备。
背景技术
随着新增的图像数据不断增长，容易导致模型对新增的图像数据的识别结果的准确度降低，因而需要对模型进行迭代，当前通常需要直接获取到新增的图像数据，并通过新增的图像数据对模型进行迭代，以提高模型对新增的图像数据的识别结果的准确度。
发明内容
本公开提供了一种模型的约束参数确定方法、装置及电子设备。
根据本公开的第一方面，提供了一种模型的约束参数确定方法，包括：
获取目标图像；
将所述目标图像输入至第一图像识别模型中进行特征提取，得到第一中间特征向量，并将所述目标图像输入至第二图像识别模型中进行特征提取，得到第二中间特征向量，所述第二图像识别模型为对所述第一图像识别模型进行迭代得到的模型；
计算所述第一中间特征向量与目标权重掩码的第一乘积向量，并计算所述第二中间特征向量与所述目标权重掩码的第二乘积向量，所述目标权重掩码根据所述第一图像识别模型输出的预测图像确定；
在所述第一乘积向量与所述第二乘积向量之间的相似度满足预设收敛条件的情况下，将所述相似度确定为所述第二图像识别模型的约束参数。
根据本公开的第二方面，提供了一种模型的约束参数确定装置，包括：
第一获取模块，用于获取目标图像；
特征提取模块，用于将所述目标图像输入至第一图像识别模型中进行特征提取，得到第一中间特征向量，并将所述目标图像输入至第二图像识别模型中进行特征提取，得到第二中间特征向量，所述第二图像识别模型为对所述第一图像识别模型进行迭代得到的模型；
第一计算模块，用于计算所述第一中间特征向量与目标权重掩码的第一乘积向量，并计算所述第二中间特征向量与所述目标权重掩码的第二乘积向量，所述目标权重掩码根据所述第一图像识别模型输出的预测图像确定；
第一确定模块，用于在所述第一乘积向量与所述第二乘积向量之间的相似度满足预设收敛条件的情况下，将所述相似度确定为所述第二图像识别模型的约束参数。
根据本公开的第三方面，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，该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第一方面中的任一项方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行第一方面中的任一项方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现第一方面中的任一项方法。
本公开实施例中，计算第一中间特征向量与目标权重掩码的第一乘积向量，以及，计算第二中间特征向量与目标权重掩码的第二乘积向量，而目标权重掩码根据第一图像识别模型输出的预测图像确定，在第一乘积向量与第二乘积向量之间的相似度满足预设收敛条件的情况下，将相似度确定为第二图像识别模型的约束参数，这样，可以使得第二图像识别模型保留第一图像识别模型的记忆能力，减少第二图像识别对目标图像对应的类别和域的抑制，从而缩短了第二图像识别模型的训练时长，降低了第二图像识别模型的训练成本。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
图1为本公开实施例提供的一种模型的约束参数确定方法的流程图；
图2为本公开实施例提供的模型的约束参数确定方法中的预测图像的示意图之一；
图3为本公开实施例提供的模型的约束参数确定方法中的预测图像的示意图之二；
图4为本公开实施例提供的模型的约束参数确定方法中的拼接样本图像的示意图；
图5为本公开实施例提供的模型的约束参数确定装置的结构示意图之一；
图6为本公开实施例提供的模型的约束参数确定装置的结构示意图之二；
图7为本公开实施例提供的模型的约束参数确定装置的结构示意图之三；
图8为本公开实施例提供的模型的约束参数确定装置包括的拼接模块的结构示意图；
图9为本公开实施例提供的模型的约束参数确定装置的结构示意图之四；
图10为本公开实施例提供的模型的约束参数确定装置包括的第二筛选模块的结构示意图；
图11为本公开实施例提供的模型的约束参数确定装置包括的第二确定子模块的结构示意图；
图12为本公开实施例提供的模型的约束参数确定装置的结构示意图之五；
图13是用来实施本公开的实施例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。
参见图1，图1为本公开实施例提供的一种模型的约束参数确定方法的流程图，如图1所示，模型的约束参数确定方法，包括如下步骤：
步骤S101、获取目标图像。
其中，目标图像的具体内容在此不做限定，目标图像的内容与获取该目标图像的场景相关，可选地，场景可以为包括危险因素的场景，例如：场景可以包括如下场景中的至少一种：建筑施工、矿井作业和港口巡视等场景，而目标图像的内容可以为对应的场景中存在的各种因素，如当场景为建筑施工时，目标图像的内容可以包括处于建设状态的建筑物体。
其中，目标图像的获取方式在此不做限定，可选地，本实施例可以应用于电子设备上，而电子设备可以直接通过摄像头采集到上述目标图像，也可以接收其他电子设备发送的上述目标图像。
步骤S102、将所述目标图像输入至第一图像识别模型中进行特征提取，得到第一中间特征向量，并将所述目标图像输入至第二图像识别模型中进行特征提取，得到第二中间特征向量，所述第二图像识别模型为对所述第一图像识别模型进行迭代得到的模型。
其中，将某一张图像输入至第一图像识别模型和第二图像识别模型中，第一图像识别模型和第二图像识别模型可以通过该图像识别该图像对应的场景是否存在危险因素，当存在危险因素时，可以对该图像对应的场景中的危险因素进行排除，从而提高场景的安全性能。
其中，由于第二图像识别模型为对第一图像识别模型进行迭代得到的模型，因而第一图像识别模型可以被称作为旧模型，而第二图像识别模型可以被称作为新模型。
步骤S103、计算所述第一中间特征向量与目标权重掩码的第一乘积向量，并计算所述第二中间特征向量与所述目标权重掩码的第二乘积向量，所述目标权重掩码根据所述第一图像识别模型输出的预测图像确定。
其中，第一图像识别模型具有对图像的识别能力，而预测图像为第一图像识别模型输出的图像，且可以根据预测图像确定目标权重掩码，因而在确定目标权重掩码时，利用到了第一图像识别模型的识别能力和预测能力，从而提高了目标权重掩码的确定结果的准确度。
作为一种可选的实施方式，目标图像包括前景区域和背景区域，对前景区域的内容进行特征提取得到的特征向量可以被称作为前景特征向量，对背景区域的内容进行特征提取得到的特征向量可以被称作为背景特征向量。第一中间特征向量和第二中间特征向量可以为前景特征向量，或者，第一中间特征向量和第二中间特征向量可以为背景特征向量。而前景特征向量和背景特征向量对应的目标权重掩码的数值可以不同。
例如：当第一中间特征向量和第二中间特征向量为前景特征向量时，对应的目标权重掩码的数值可以为第一数值；当第一中间特征向量和第二中间特征向量为背景特征向量时，对应的目标权重掩码的数值可以为第二数值，第一数值可以大于第二数值，或者，第一数值可以小于第二数值。
需要说明的是，前景区域和背景区域可以按照以下理解：前景区域可以认为是前景对象所在的区域，且前景区域一般为重要性较高的区域，背景区域则可以认为是背景对象所在的对象，且背景区域一般相对前景区域的重要性较低，例如：某一张图像中包括人体和树，人脸可以认为是前景区域，树可以被认为是背景区域。
需要说明的是，目标权重掩码的具体计算方式在此不做限定。
作为一种可选的实施方式，还包括：
获取所述预测图像；
确定所述预测图像中与图像预测相关的多个区域；
根据所述多个区域的参数信息计算得到所述目标权重掩码。
其中，预测图像也可以被称作为第一图像识别模型输出的预测结果，预测图像中与图像预测相关的多个区域，以及多个区域的参数信息的种类具体在此不做限定。
可选地，参数信息可以包括置信度，多个区域可以包括多个预测框区域，且不同预测框区域的置信度不同，例如：多个预测框区域可以包括第一预测框区域和第二预测框区域，而第一预测框区域的置信度为第一置信度，第二预测框区域的置信度为第二置信度，第一置信度可以大于第二置信度，这样，在第一预测框区域和第二预测框区域中，第一预测框区域可以被称作高置信度的预测框区域，第二预测框区域可以被称作为低置信度的预测框区域。
当根据上述第一预测框区域和第二预测框区域的置信度计算得到目标权重掩码时，即上述第一预测框区域和第二预测框区域的置信度作用于目标权重掩码的生成上时，由于第一预测框区域和第二预测框的置信度均可以包括第一图像识别模型的识别能力和预测能力，从而提高了目标权重掩码的计算结果的准确度。
另外，由于第一预测框区域的置信度较高，因而第一预测框区域的第一置信度可以反馈更大的注意力，可以进一步提高目标权重掩码的计算结果的准确度。
本公开实施方式中，根据多个区域的参数信息计算得到目标权重掩码，由于区域的数量和参数信息的种类的不同，从而可以增加目标权重掩码计算方式的多样性和灵活性，当区域的数量越多，参数信息的种类越多时，目标权重掩码的计算结果的准确度越高。
作为一种可选的实施方式，所述多个区域包括：第一区域和第二区域，其中，所述第一区域包括如下区域中的至少一种：预测框区域、真实框区域和背景区域，所述第二区域为目标框区域；
所述多个区域的参数信息包括如下至少一项：
所述第一区域的位置参数、所述第一区域的像素面积、所述第一区域的固定参数、所述第二区域的尺寸、所述第二区域的预设置信度。
其中，预测框区域可以指的是第一图像识别模型计算输出的预测框对应的区域，即可以认为是第一图像识别模型已经输出的预测结果对应的区域，真实框区域也可以被称作为标注框区域，真实框区域是用于存放标注信息的区域，背景区域可以理解为背景对象所在的区域，目标框区域可以理解为待预测的区域，即目标框区域可以认为是需要输出预测结果的区域。
参见图2和图3，图2所示的预测图像包括预测框区域201和真实框区域202，图3所示的预测图像包括第一预测框区域301、第二预测框区域302、第三预测框区域303、第四预测框区域304和真实框区域305，其中，第四预测框区域304包括的显示内容在此不做限定，例如可以为车辆等。
其中，第一区域的位置参数可以理解为第一区域的坐标参数或者第一区域中的部分点的坐标参数，第一区域的固定参数可以理解为一个固定值，且第一区域的类型不同，该固定值不同，即固定参数与第一区域的类型相关，第二区域的尺寸可以理解为第二区域的长、宽等参数，第二区域的预设置信度也可以被称作为置信度。
本公开实施方式中，由于第一区域包括如下区域中的至少一种：预测框区域、真实框区域和背景区域，第二区域为目标框区域；多个区域的参数信息包括如下至少一项：第一区域的位置参数、第一区域的像素面积、第一区域的固定参数、第二区域的尺寸、第二区域的预设置信度，这样，当第一区域包括的区域的数量越多，参数信息的种类越多时，目标权重掩码的计算结果的准确度越高。
另外，第一区域的位置参数、第一区域的像素面积、第一区域的固定参数、第二区域的尺寸、第二区域的预设置信度可以从多维度体现第一区域和第二区域的参数，从而使得计算得到目标权重掩码的准确度较高。
作为一种可选的实施方式，所述根据所述多个区域的参数信息计算得到所述目标权重掩码，包括：
在所述目标框区域中的目标位置与所述预测框区域中的第一位置重合的情况下，通过所述预测框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的预设置信度、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述真实框区域中的第二位置重合的情况下，通过所述真实框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述背景区域中的第三位置重合的情况下，将所述背景区域的像素面积的倒数和所述背景区域的固定参数的乘积，确定为所述目标权重掩码。
其中，第一位置可以理解为预测框区域中的任一位置，第二位置可以理解为真实框区域中的任一位置，第三位置可以理解为背景区域中的任一位置。这样，目标位置与第一位置重合，可以理解为目标位置位于预测框区域内；目标位置与第二位置重合，可以理解为目标位置位于真实框区域内；目标位置与第三位置重合，可以理解为目标位置位于背景区域内。
本公开实施方式中，目标位置所在位置的不同，采用的参数不同，使得计算得到的目标权重掩码也不同，从而可以进一步增强目标权重掩码计算方式的多样性和灵活性。
需要说明的是，本公开实施方式也可以理解为以下计算公式：
其中，Wm表示目标权重掩码，Npseu表示目标框区域的像素面积，Ngt表示真实框区域的像素面积，Nbg表示背景区域的像素面积，max表示取最大值，α表示背景区域的固定参数，sr表示预设置信度，e表示对数函数中的底数，x表示目标位置的x方向的坐标，y表示目标位置的y方向上的坐标，x0表示第一区域的中心点的x方向上的坐标，y0表示第一区域的中心点的y方向上的坐标，σx与σy根据目标框区域的尺寸计算得到，Bpseu表示预测框区域，Bgt表示真实框区域，otherwise可以表示预测图像上除预测框区域和真实框区域之外的其他区域，通常可以包括背景区域。
其中，σx与σy计算公式为：
其中，σ可以表示σx或σy，ksize表示目标框区域的尺寸，当ksize表示目标框区域的x方向上的尺寸时，σ可以表示σx，ksize表示目标框区域的y方向上的尺寸时，σ可以表示σy。
其中，当目标位置与预测框区域中的位置重合时，可以采用(x,y)∈Bpseu对应的公式计算目标权重掩码，而此时x0表示预测框区域的中心点的横坐标，y0表示预测框区域的中心点的纵坐标；当目标位置与真实框区域中的位置重合时，可以采用采用(x,y)∈Bgt对应的公式计算目标权重掩码，而此时x0表示真实框区域的中心点的横坐标，y0表示真实框区域的中心点的纵坐标；当目标位置与背景区域中的位置重合，可以采用(x,y)∈BGt对应的公式计算目标权重掩码。
这样，通过上述计算公式，可以根据目标位置的位置，采用对应的计算公式计算目标权重掩码，从而进一步增加了目标权重掩码计算方式的多样性和灵活性。
需要说明的是，在上述实施方式的基础上，作为一种可选的实施方式，本实施方式与上述实施方式的区别在于：可以在每一个公式中增加目标位置的位置参数，即目标位置的位置不同，则位置参数不同，这样，可以进一步增加目标权重掩码计算方式的多样性和灵活性。
作为另一种可选的实施方式，所述根据所述多个区域的参数信息计算得到所述目标权重掩码，包括：
在所述目标框区域中的目标位置与所述预测框区域中的第一位置重合的情况下，将所述预测框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的预设置信度、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，输入至权重掩码计算模型中，计算得到所述目标权重掩码；或者，
在所述目标位置与所述真实框区域中的第二位置重合的情况下，将所述真实框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数输入至权重掩码计算模型中，计算得到所述目标权重掩码；或者，
在所述目标位置与所述背景区域中的第三位置重合的情况下，将所述背景区域的像素面积的倒数和所述背景区域的固定参数输入至权重掩码计算模型中，计算得到所述目标权重掩码。
本实施方式中，可以通过权重掩码计算模型计算得到目标权重掩码，且目标位置不同，输入至权重掩码计算模型中的参数不同，这样，可以进一步增加目标权重掩码计算方式的灵活性和多样性，同时，通过权重掩码计算模型计算得到目标权重掩码，可以简化计算过程，提高计算效率。
作为另一种可选的实施方式，所述根据所述多个区域的参数信息计算得到所述目标权重掩码，包括：
将所述第一区域的中心位置的权重掩码确定为第一权重掩码，并确定所述第一区域的预设方向上包括的位置的第二权重掩码，所述第一权重掩码大于所述第二权重掩码，所述预设方向为所述第一区域的中心位置至所述第一区域的边缘位置之间连线所在的方向；
在所述第二区域的目标位置与所述第一区域中的预设位置重合的情况下，将所述预设位置对应的权重掩码确定为所述目标权重掩码。
其中，沿着预设方向上分布的多个位置，对应的第二权重掩码可以逐渐减低，而降低的分布因子在此不做限定，例如：上述分布因子也可以被称作为降低幅值，可以采用预设置信度，而第一权重掩码大于第二权重掩码可以理解为第一权重掩码为权重掩码的最大值。
例如：以第一区域的中心位置为权重掩码的最大值点，采用椭圆高斯的方法在预测图像包括的第一区域的预设方向上进行权重掩码的逐渐减弱分布，而逐渐减弱的分布因子可以采用预设置信度，预设方向可以为第一区域的中心位置与该第一区域的边缘位置之间连线所在的方向。
本公开实施方式中，通过确定目标位置在第一区域内对应的预设位置，即可以将该预设位置对应的权重掩码确定为目标权重掩码，从而可以进一步增加目标权重掩码计算方式的多样性和灵活性。
需要说明的是，参见图2和图3，图2和图3中每一个预测框区域的中心位置为该区域内的权重掩码的最大值点，而每一个预测框区域的边缘位置的权重掩码的最小，即在每一个预测框区域的中心位置至对应的预测框区域的边缘位置之间的连线方向上，权重掩码逐渐降低。
步骤S104、在所述第一乘积向量与所述第二乘积向量之间的相似度满足预设收敛条件的情况下，将所述相似度确定为所述第二图像识别模型的约束参数。
需要说明的是，随着新的图像数据的不断增加，新的图像数据可以用于对第二图像识别模型进行训练，而与旧的图像数据(可以理解为用于对第一图像识别模型进行训练的数据)的类别和所属域相比，新的图像数据的类别和所属域(即可以理解为场景)可能发生变化，导致第二图像识别模型的优化迭代方向发生改变，导致第二图像识别模型的训练时长过长，训练成本较高。
而本实施例中，第二图像识别模型为对第一图像识别模型进行迭代得到的模型，即第二图像识别模型与第一图像识别模型存在相关性，当第一乘积向量与第二乘积向量之间的相似度满足预设收敛条件时，说明第二图像识别模型的优化迭代方向与第一图像识别模型的优化迭代方向的差别较小，即第二图像识别模型的优化迭代方向并未发生改变或者改变较小，将相似度确定为第二图像识别模型的约束参数，使得第二图像识别模型可以在上述约束参数的约束作用下，继续进行训练，从而提高第二图像识别模型的训练速率，缩短训练时长，降低训练成本。
即本实施例中，可以使得第二图像识别模型保留第一图像识别模型的记忆能力，减少第二图像识别对目标图像对应的类别和域的抑制，从而缩短了第二图像识别模型的训练时长，降低了第二图像识别模型的训练成本。
需要说明的是，预设收敛条件的具体内容在此不做限定。
作为一种可选的实施方式，还包括：
计算所述第一乘积向量与所述第二乘积向量之间的距离；
在所述距离小于预设数值的情况下，确定所述第一乘积向量与所述第二乘积向量之间的相似度满足所述预设收敛条件。
其中，上述距离可以理解为差异程度，当距离小于预设数值时，表示第一乘积向量和第二乘积向量之间的相似度较大。
本公开实施方式中，通过计算第一乘积向量与第二乘积向量之间的距离，从而计算第一乘积向量与第二乘积向量之间的相似度，使得相似度的计算方式简单，且计算结果准确，且可以提高计算速率。
作为一种可选的实施方式，还包括：
获取样本图像集中的第一样本图像子集和第二样本图像子集，所述第一样本图像子集包括的样本图像的数量少于所述第二样本图像子集包括的样本图像的数量，且所述第一样本图像子集中的样本图像对应的时间戳早于所述第二样本图像子集中的样本图像对应的时间戳；
将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中的K张样本图像的第四区域进行拼接，得到K张拼接样本图像，其中，K为正整数，且K小于或者等于所述第一样本图像子集包括的样本图像的数量；
根据所述K张拼接样本图像对所述第二图像识别模型包括的检测头的至少部分参数进行更新。
其中，采用K张拼接样本图像对第二图像识别模型包括的检测头的至少部分参数进行更新时，可以将第二图像识别模型中的目标网络层的网络参数冻结，只单独训练更新上述检测头的至少部分参数。上述目标网络层可以理解为位于第二图像识别模型的输入层与检测头之间的网络层，即信息在第二图像识别模型传递时，信息可以依次经过输入层、目标网络层和检测头进行传递。
其中，第三区域和第四区域再次不做限定，例如：第三区域和第四区域可以分别为样本图像的中心区域，或者，第三区域可以为样本图像的左上角区域，第四区域可以为样本图像的右下角区域。
需要说明的是，第一样本图像子集中的样本图像可以被称作为回放数据，第二样本图像子集中的样本图像可以被称作为新增数据，当新增数据的数量大于回放数据时，导致训练得到的模型的训练梯度偏向于新增数据的优化方向，如可以偏向新增数据的类别或者域的优化方向。
本公开实施方式中，采用第一样本图像子集中的K张样本图像的第三区域分别与第二样本图像子集中的K张样本图像的第四区域进行拼接，得到的K张拼接样本图像，对第二图像识别模型包括的检测头的至少部分参数进行更新，从而可以实现对第二图像识别模型的梯度进行修正，减少了第二图像识别模型的梯度偏向于新增数据的优化方向的现象的出现，从而进一步缩短第二图像识别模型的训练时长，提升第二图像识别模型的训练效率和准确度。
需要说明的是，第一样本图像子集中的样本图像对应的时间戳早于第二样本图像子集中的样本图像对应的时间戳，可以理解为第一样本图像子集中的样本图像对模型进行训练的时间，早于第二样本图像子集中的样本图像对模型进行训练的时间。或者，也可以理解为第一样本图像子集中的样本图像的获取时间，早于第二样本图像子集中的样本图像的获取时间。即第一样本图像子集中的样本图像可以被称作为旧数据，第二样本图像子集中的样本图像可以被称作为新数据。
另外，第一样本图像子集包括的样本图像的数量可以少于第二样本图像子集包括的样本图像的数量，这样，可以降低对旧数据的需求，从而可以降低成本。
作为一种可选的实施方式，所述将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中的K张样本图像的第四区域进行拼接，得到K张拼接样本图像，包括：
获取更新图像；
根据所述更新图像更新所述第二样本图像子集中的K张样本图像；
将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中更新后的K张样本图像的第四区域进行拼接，得到所述K张拼接样本图像。
其中，第一样本图像子集中的K张样本图像中每张样本图像包括的第三区域，以及，第二样本图像子集中更新后的K张样本图像中的每张样本图像包括的第四区域的数量在此不做限定，例如：如图4所示，第一样本图像子集中的K张样本图像中每张样本图像包括的第三区域可以为两个，即两个第三区域可以分别为图4中401和402标识的区域，第二样本图像子集中更新后的K张样本图像中的每张样本图像包括的第四区域可以为两个，即两个第四区域可以分别为图4中403和404标识的区域，这样，可以得到一张拼接样本图像，而拼接样本图像包括上述两个第三区域和两个第四区域的内容，增加了拼接样本图像的内容的多样性，同时，还可以增加拼接方式的多样性。
需要说明的是，第一样本图像子集中的K张样本图像的第三区域与第二样本图像子集中更新后的K张样本图像的第四区域进行拼接的方式在此不做限定，例如：可以为第三区域与第四区域一一对应拼接，即获取第一样本图像子集中的K张样本图像中每一张样本图像的一个第三区域，以及该样本图像在第二样本图像子集中更新后的K张样本图像中对应的样本图像的一个第四区域进行拼接；或者，获取第一样本图像子集中的K张样本图像中每一张样本图像的多个第三区域，以及该样本图像在第二样本图像子集中更新后的K张样本图像中对应的样本图像的多个第四区域进行拼接。
本公开实施方式中，可以通过更新图像来更新第二样本图像子集中的样本图像，即可以使得第二样本图像子集中的样本图像处于动态更新状态，保证了第二样本图像子集中的样本图像的多样性，并将更新后的第二样本图像子集中的样本图像的第四区域与第一样本图像子集中的样本图像的第三区域进行拼接，即拼图处理，从而可以增强回放数据的全局多样性，从而减少了第二图像识别模型对回放数据的过拟合。
作为一种可选的实施方式，还包括：
获取M张预设样本图像，并对所述M张预设样本图像进行筛选，M为大于1的整数；
将对所述M张预设样本图像进行筛选之后得到的预设样本图像输入至所述第二图像识别模型中进行预测，输出N张目标预测图像，N为大于1的整数；
根据每张目标预测图像的预测参数，对所述N张目标预测图像进行筛选，得到所述第一样本图像子集包括的样本图像。
需要说明的是，在实际的使用过程中，预设样本图像具有较高的重复性，直接使用重复性高的图像作为第一样本图像子集中的样本图像，容易导致第二图像识别模型存在拟合偏移的问题，无法准确反映预设样本图像的整体分布，造成第二图像识别模型只对部分类型的数据分布具有记忆能力。
本公开实施方式中，可以对M张预设样本图像进行筛选，并将N张目标预测图像进行进一步筛选，从而得到第一样本图像子集包括的样本图像，这样，可以对样本图像进行多次筛选，从而可以降低样本图像中的重复率，从而增强对样本图像的筛选效果，采用筛选之后的样本图像对第二图像识别模型进行训练时，可以减少第二图像识别模型拟合偏移的现象的出现。
需要说明的是，通过对M张预设样本图像进行筛选之后得到的预设样本图像输入至第二图像识别模型中进行预测，得到N张目标预测图像，这样，可以保证目标预测图像与预设样本图像的关联性较好的同时，还可以增加样本图像的多样性。
作为一种可选的实施方式，每张目标预测图像具有对应的预测平均准确率，所述根据每张目标预测图像的预测参数，对所述N张目标预测图像进行筛选，得到所述第一样本图像子集包括的样本图像，包括：
根据每张目标预测图像的预测平均准确率，确定每张目标预测图像的不确定性参数，所述预测平均准确率与所述不确定性参数一一对应；
根据每张目标预测图像的不确定参数，对所述N张目标预测图像进行排序；
将进行排序后的N张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像，L为大于1，且小于或等于N的整数，所述L张图像中每一张图像的不确定参数小于预设阈值。
其中，预测平均准确率可以被称作为预测平均准确率(Mean Average Precision，MAP)。
本公开实施方式中，可以根据每张目标预测图像的预测平均准确率，确定每张目标预测图像的不确定性参数，并将不确定参数小于预设阈值的L张图像确定为第一样本图像子集包括的样本图像，这样，根据不确定参数确定第一样本图像子集包括的样本图像，可以提高第一样本图像子集包括的样本图像确定结果的准确度。
需要说明的是，可以将N张目标预测图像按照不确定性参数从小到大的顺序排列，则可以将排序之后的N张目标预测图像中的前L张图像确定为第一样本图像子集包括的样本图像；或者，可以将N张目标预测图像按照不确定性参数从大到小的顺序排列，则可以将排序之后的N张目标预测图像中的后L张图像确定为第一样本图像子集包括的样本图像。
作为一种可选的实施方式，所述将进行排序后的N张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像，包括：
对进行排序后的N张目标预测图像进行去重处理，得到H张目标预测图像，H为大于或等于L，且小于N的整数；
将所述H张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像。
其中，去重处理可以理解为：保留匹配度大于预设匹配度的多张目标预测图像中的第一部分目标预测图像，将多张目标预测图像中除第一部分之外的目标预测图像删除。
或者，可以将第一部分目标预测图像与多张目标预测图像中除第一部分之外的目标预测图像进行融合。
本公开实施方式中，由于N张目标预测图像为第二图像识别模型预测得到的图像，因而N张目标预测图像中可能存在重复的目标预测图像，对N张目标预测图像进行去重处理，得到H张目标预测图像，从而可以进一步增强对目标预测图像的筛选效果，采用H张目标预测图像中的L张图像对第二图像识别模型进行训练时，可以进一步减少第二图像识别模型拟合偏移的现象的出现，增强第二图像识别模型的训练效果。
参见图5，图5为本公开实施例提供的一种模型的约束参数确定装置的结构示意图，如图5所示，模型的约束参数确定装置500，包括：
第一获取模块501，用于获取目标图像；
特征提取模块502，用于将所述目标图像输入至第一图像识别模型中进行特征提取，得到第一中间特征向量，并将所述目标图像输入至第二图像识别模型中进行特征提取，得到第二中间特征向量，所述第二图像识别模型为对所述第一图像识别模型进行迭代得到的模型；
第一计算模块503，用于计算所述第一中间特征向量与目标权重掩码的第一乘积向量，并计算所述第二中间特征向量与所述目标权重掩码的第二乘积向量，所述目标权重掩码根据所述第一图像识别模型输出的预测图像确定；
第一确定模块504，用于在所述第一乘积向量与所述第二乘积向量之间的相似度满足预设收敛条件的情况下，将所述相似度确定为所述第二图像识别模型的约束参数。
可选地，参见图6，模型的约束参数确定装置500，还包括：
第二获取模块505，用于获取所述预测图像；
第二确定模块506，用于确定所述预测图像中与图像预测相关的多个区域；
第二计算模块507，用于根据所述多个区域的参数信息计算得到所述目标权重掩码。
可选地，所述多个区域包括：第一区域和第二区域，其中，所述第一区域包括如下区域中的至少一种：预测框区域、真实框区域和背景区域，所述第二区域为目标框区域；
所述多个区域的参数信息包括如下至少一项：
所述第一区域的位置参数、所述第一区域的像素面积、所述第一区域的固定参数、所述第二区域的尺寸、所述第二区域的预设置信度。
可选地，所述第二计算模块507，还用于：
在所述目标框区域中的目标位置与所述预测框区域中的第一位置重合的情况下，通过所述预测框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的预设置信度、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述真实框区域中的第二位置重合的情况下，通过所述真实框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述背景区域中的第三位置重合的情况下，将所述背景区域的像素面积的倒数和所述背景区域的固定参数的乘积，确定为所述目标权重掩码。
可选地，所述第二计算模块507，还包括：
第一确定子模块，用于将所述第一区域的中心位置的权重掩码确定为第一权重掩码，并确定所述第一区域的预设方向上包括的位置的第二权重掩码，所述第一权重掩码大于所述第二权重掩码，所述预设方向为所述第一区域的中心位置至所述第一区域的边缘位置之间连线所在的方向；
第二确定子模块，用于在所述第二区域的目标位置与所述第一区域中的预设位置重合的情况下，将所述预设位置对应的权重掩码确定为所述目标权重掩码。
可选地，参见图7，模型的约束参数确定装置500，还包括：
第三获取模块508，用于获取样本图像集中的第一样本图像子集和第二样本图像子集，所述第一样本图像子集中的样本图像对应的时间戳早于所述第二样本图像子集中的样本图像对应的时间戳；
拼接模块509，用于将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中的K张样本图像的第四区域进行拼接，得到K张拼接样本图像，其中，K为正整数，且K小于或者等于所述第一样本图像子集包括的样本图像的数量；
更新模块510，用于根据所述K张拼接样本图像对所述第二图像识别模型包括的检测头的至少部分参数进行更新。
可选地，参见图8，所述拼接模块509，包括：
获取子模块5091，用于获取更新图像；
更新子模块5092，用于根据所述更新图像更新所述第二样本图像子集中的K张样本图像；
拼接子模块5093，用于将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中更新后的K张样本图像的第四区域进行拼接，得到所述K张拼接样本图像。
可选地，参见图9，模型的约束参数确定装置500，还包括：
第一筛选模块511，用于获取M张预设样本图像，并对所述M张预设样本图像进行筛选，M为大于1的整数；
预测模块512，用于将对所述M张预设样本图像进行筛选之后得到的预设样本图像输入至所述第二图像识别模型中进行预测，输出N张目标预测图像，N为大于1的整数；
第二筛选模块513，用于根据每张目标预测图像的预测参数，对所述N张目标预测图像进行筛选，得到所述第一样本图像子集包括的样本图像。
可选地，参见图10，每张目标预测图像具有对应的预测平均准确率，所述第二筛选模块513，包括：
第三确定子模块5131，用于根据每张目标预测图像的预测平均准确率，确定每张目标预测图像的不确定性参数，所述预测平均准确率与所述不确定性参数一一对应；
排序子模块5132，用于根据每张目标预测图像的不确定参数，对所述N张目标预测图像进行排序；
第四确定子模块5133，用于将进行排序后的N张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像，L为大于1，且小于或等于N的整数，所述L张图像中每一张图像的不确定参数小于预设阈值。
可选地，参见图11，所述第四确定子模块5133，包括：
去重处理单元51331，用于对进行排序后的N张目标预测图像进行去重处理，得到H张目标预测图像，H为大于或等于L，且小于N的整数；
确定单元51332，用于将所述H张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像。
可选地，参见图12，模型的约束参数确定装置500，还包括：
第三计算模块514，用于计算所述第一乘积向量与所述第二乘积向量之间的距离；
第三确定模块515，用于在所述距离小于预设数值的情况下，确定所述第一乘积向量与所述第二乘积向量之间的相似度满足所述预设收敛条件。
本公开提供的模型的约束参数确定装置500能够实现模型的约束参数确定方法实施例实现的各个过程，且能够达到相同的有益效果，为避免重复，这里不再赘述。
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13示出了可以用来实施本公开的实施例的示例电子设备1300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、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300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1301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1301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1301执行上文所描述的各个方法和处理，例如模型的约束参数确定方法。例如，在一些实施例中，模型的约束参数确定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1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的模型的约束参数确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型的约束参数确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，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 (24)

1.一种模型的约束参数确定方法，包括：
获取目标图像；
将所述目标图像输入至第一图像识别模型中进行特征提取，得到第一中间特征向量，并将所述目标图像输入至第二图像识别模型中进行特征提取，得到第二中间特征向量，所述第二图像识别模型为对所述第一图像识别模型进行迭代得到的模型；
计算所述第一中间特征向量与目标权重掩码的第一乘积向量，并计算所述第二中间特征向量与所述目标权重掩码的第二乘积向量，所述目标权重掩码根据所述第一图像识别模型输出的预测图像确定；
在所述第一乘积向量与所述第二乘积向量之间的相似度满足预设收敛条件的情况下，将所述相似度确定为所述第二图像识别模型的约束参数。
2.根据权利要求1所述的方法，还包括：
获取所述预测图像；
确定所述预测图像中与图像预测相关的多个区域；
根据所述多个区域的参数信息计算得到所述目标权重掩码。
3.根据权利要求2所述的方法，其中，所述多个区域包括：第一区域和第二区域，其中，所述第一区域包括如下区域中的至少一种：预测框区域、真实框区域和背景区域，所述第二区域为目标框区域；
所述多个区域的参数信息包括如下至少一项：
所述第一区域的位置参数、所述第一区域的像素面积、所述第一区域的固定参数、所述第二区域的尺寸、所述第二区域的预设置信度。
4.根据权利要求3所述的方法，其中，所述根据所述多个区域的参数信息计算得到所述目标权重掩码，包括：
在所述目标框区域中的目标位置与所述预测框区域中的第一位置重合的情况下，通过所述预测框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的预设置信度、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述真实框区域中的第二位置重合的情况下，通过所述真实框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述背景区域中的第三位置重合的情况下，将所述背景区域的像素面积的倒数和所述背景区域的固定参数的乘积，确定为所述目标权重掩码。
5.根据权利要求3所述的方法，其中，所述根据所述多个区域的参数信息计算得到所述目标权重掩码，包括：
将所述第一区域的中心位置的权重掩码确定为第一权重掩码，并确定所述第一区域的预设方向上包括的位置的第二权重掩码，所述第一权重掩码大于所述第二权重掩码，所述预设方向为所述第一区域的中心位置至所述第一区域的边缘位置之间连线所在的方向；
在所述第二区域的目标位置与所述第一区域中的预设位置重合的情况下，将所述预设位置对应的权重掩码确定为所述目标权重掩码。
6.根据权利要求1所述的方法，还包括：
获取样本图像集中的第一样本图像子集和第二样本图像子集，所述第一样本图像子集中的样本图像对应的时间戳早于所述第二样本图像子集中的样本图像对应的时间戳；
将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中的K张样本图像的第四区域进行拼接，得到K张拼接样本图像，其中，K为正整数，且K小于或者等于所述第一样本图像子集包括的样本图像的数量；
根据所述K张拼接样本图像对所述第二图像识别模型包括的检测头的至少部分参数进行更新。
7.根据权利要求6所述的方法，其中，所述将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中的K张样本图像的第四区域进行拼接，得到K张拼接样本图像，包括：
获取更新图像；
根据所述更新图像更新所述第二样本图像子集中的K张样本图像；
将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中更新后的K张样本图像的第四区域进行拼接，得到所述K张拼接样本图像。
8.根据权利要求6所述的方法，还包括：
获取M张预设样本图像，并对所述M张预设样本图像进行筛选，M为大于1的整数；
将对所述M张预设样本图像进行筛选之后得到的预设样本图像输入至所述第二图像识别模型中进行预测，输出N张目标预测图像，N为大于1的整数；
根据每张目标预测图像的预测参数，对所述N张目标预测图像进行筛选，得到所述第一样本图像子集包括的样本图像。
9.根据权利要求8所述的方法，其中，每张目标预测图像具有对应的预测平均准确率，所述根据每张目标预测图像的预测参数，对所述N张目标预测图像进行筛选，得到所述第一样本图像子集包括的样本图像，包括：
根据每张目标预测图像的预测平均准确率，确定每张目标预测图像的不确定性参数，所述预测平均准确率与所述不确定性参数一一对应；
根据每张目标预测图像的不确定参数，对所述N张目标预测图像进行排序；
将进行排序后的N张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像，L为大于1，且小于或等于N的整数，所述L张图像中每一张图像的不确定参数小于预设阈值。
10.根据权利要求9所述的方法，其中，所述将进行排序后的N张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像，包括：
对进行排序后的N张目标预测图像进行去重处理，得到H张目标预测图像，H为大于或等于L，且小于N的整数；
将所述H张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像。
11.根据权利要求1至10中任一项所述的方法，还包括：
计算所述第一乘积向量与所述第二乘积向量之间的距离；
在所述距离小于预设数值的情况下，确定所述第一乘积向量与所述第二乘积向量之间的相似度满足所述预设收敛条件。
12.一种模型的约束参数确定装置，包括：
第一获取模块，用于获取目标图像；
特征提取模块，用于将所述目标图像输入至第一图像识别模型中进行特征提取，得到第一中间特征向量，并将所述目标图像输入至第二图像识别模型中进行特征提取，得到第二中间特征向量，所述第二图像识别模型为对所述第一图像识别模型进行迭代得到的模型；
第一计算模块，用于计算所述第一中间特征向量与目标权重掩码的第一乘积向量，并计算所述第二中间特征向量与所述目标权重掩码的第二乘积向量，所述目标权重掩码根据所述第一图像识别模型输出的预测图像确定；
第一确定模块，用于在所述第一乘积向量与所述第二乘积向量之间的相似度满足预设收敛条件的情况下，将所述相似度确定为所述第二图像识别模型的约束参数。
13.根据权利要求12所述的装置，还包括：
第二获取模块，用于获取所述预测图像；
第二确定模块，用于确定所述预测图像中与图像预测相关的多个区域；
第二计算模块，用于根据所述多个区域的参数信息计算得到所述目标权重掩码。
14.根据权利要求13所述的装置，其中，所述多个区域包括：第一区域和第二区域，其中，所述第一区域包括如下区域中的至少一种：预测框区域、真实框区域和背景区域，所述第二区域为目标框区域；
所述多个区域的参数信息包括如下至少一项：
所述第一区域的位置参数、所述第一区域的像素面积、所述第一区域的固定参数、所述第二区域的尺寸、所述第二区域的预设置信度。
15.根据权利要求14所述的装置，其中，所述第二计算模块，还用于：
在所述目标框区域中的目标位置与所述预测框区域中的第一位置重合的情况下，通过所述预测框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的预设置信度、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述真实框区域中的第二位置重合的情况下，通过所述真实框区域的像素面积的倒数、所述背景区域的固定参数、所述目标框区域的尺寸和所述预测框区域的中心点的位置参数，计算得到所述目标权重掩码；或者，
在所述目标位置与所述背景区域中的第三位置重合的情况下，将所述背景区域的像素面积的倒数和所述背景区域的固定参数的乘积，确定为所述目标权重掩码。
16.根据权利要求14所述的装置，其中，所述第二计算模块，还包括：
第一确定子模块，用于将所述第一区域的中心位置的权重掩码确定为第一权重掩码，并确定所述第一区域的预设方向上包括的位置的第二权重掩码，所述第一权重掩码大于所述第二权重掩码，所述预设方向为所述第一区域的中心位置至所述第一区域的边缘位置之间连线所在的方向；
第二确定子模块，用于在所述第二区域的目标位置与所述第一区域中的预设位置重合的情况下，将所述预设位置对应的权重掩码确定为所述目标权重掩码。
17.根据权利要求12所述的装置，还包括：
第三获取模块，用于获取样本图像集中的第一样本图像子集和第二样本图像子集，所述第一样本图像子集中的样本图像对应的时间戳早于所述第二样本图像子集中的样本图像对应的时间戳；
拼接模块，用于将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中的K张样本图像的第四区域进行拼接，得到K张拼接样本图像，其中，K为正整数，且K小于或者等于所述第一样本图像子集包括的样本图像的数量；
更新模块，用于根据所述K张拼接样本图像对所述第二图像识别模型包括的检测头的至少部分参数进行更新。
18.根据权利要求17所述的装置，其中，所述拼接模块，包括：
获取子模块，用于获取更新图像；
更新子模块，用于根据所述更新图像更新所述第二样本图像子集中的K张样本图像；
拼接子模块，用于将所述第一样本图像子集中的K张样本图像的第三区域分别与所述第二样本图像子集中更新后的K张样本图像的第四区域进行拼接，得到所述K张拼接样本图像。
19.根据权利要求17所述的装置，还包括：
第一筛选模块，用于获取M张预设样本图像，并对所述M张预设样本图像进行筛选，M为大于1的整数；
预测模块，用于将对所述M张预设样本图像进行筛选之后得到的预设样本图像输入至所述第二图像识别模型中进行预测，输出N张目标预测图像，N为大于1的整数；
第二筛选模块，用于根据每张目标预测图像的预测参数，对所述N张目标预测图像进行筛选，得到所述第一样本图像子集包括的样本图像。
20.根据权利要求19所述的装置，其中，每张目标预测图像具有对应的预测平均准确率，所述第二筛选模块，包括：
第三确定子模块，用于根据每张目标预测图像的预测平均准确率，确定每张目标预测图像的不确定性参数，所述预测平均准确率与所述不确定性参数一一对应；
排序子模块，用于根据每张目标预测图像的不确定参数，对所述N张目标预测图像进行排序；
第四确定子模块，用于将进行排序后的N张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像，L为大于1，且小于或等于N的整数，所述L张图像中每一张图像的不确定参数小于预设阈值。
21.根据权利要求20所述的装置，其中，所述第四确定子模块，包括：
去重处理单元，用于对进行排序后的N张目标预测图像进行去重处理，得到H张目标预测图像，H为大于或等于L，且小于N的整数；
确定单元，用于将所述H张目标预测图像中的L张图像确定为所述第一样本图像子集包括的样本图像。
22.根据权利要求12至21中任一项所述的装置，还包括：
第三计算模块，用于计算所述第一乘积向量与所述第二乘积向量之间的距离；
第三确定模块，用于在所述距离小于预设数值的情况下，确定所述第一乘积向量与所述第二乘积向量之间的相似度满足所述预设收敛条件。
23.一种电子设备，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1-11中任一项所述的方法。
24.一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1-11中任一项所述的方法。
CN202211563893.1A 2022-12-07 2022-12-07 模型的约束参数确定方法、装置及电子设备 Active CN116109991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211563893.1A CN116109991B (zh) 2022-12-07 2022-12-07 模型的约束参数确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211563893.1A CN116109991B (zh) 2022-12-07 2022-12-07 模型的约束参数确定方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN116109991A CN116109991A (zh) 2023-05-12
CN116109991B true CN116109991B (zh) 2024-01-09

Family

ID=86255192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211563893.1A Active CN116109991B (zh) 2022-12-07 2022-12-07 模型的约束参数确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116109991B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368788A (zh) * 2020-03-17 2020-07-03 北京迈格威科技有限公司 图像识别模型的训练方法、装置及电子设备
CN113255694A (zh) * 2021-05-21 2021-08-13 北京百度网讯科技有限公司 训练图像特征提取模型和提取图像特征的方法、装置
CN113553961A (zh) * 2021-07-27 2021-10-26 北京京东尚科信息技术有限公司 人脸识别模型的训练方法、装置、电子设备和存储介质
CN113971751A (zh) * 2021-10-28 2022-01-25 北京百度网讯科技有限公司 训练特征提取模型、检测相似图像的方法和装置
CN115100707A (zh) * 2022-06-16 2022-09-23 阿里巴巴（中国）有限公司 模型的训练方法、视频信息生成方法、设备以及存储介质
CN115205225A (zh) * 2022-06-22 2022-10-18 平安科技（深圳）有限公司 医学图像识别模型的训练方法、装置、设备及存储介质
CN115376495A (zh) * 2022-08-03 2022-11-22 腾讯科技（深圳）有限公司 语音识别模型训练方法、语音识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7774202B2 (en) * 2006-06-12 2010-08-10 Lockheed Martin Corporation Speech activated control system and related methods
CN110728330A (zh) * 2019-10-23 2020-01-24 腾讯科技（深圳）有限公司 基于人工智能的对象识别方法、装置、设备及存储介质
CN111291755B (zh) * 2020-02-13 2022-11-15 腾讯科技（深圳）有限公司 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质
CN113870334B (zh) * 2021-09-29 2022-09-02 北京百度网讯科技有限公司 深度检测方法、装置、设备以及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368788A (zh) * 2020-03-17 2020-07-03 北京迈格威科技有限公司 图像识别模型的训练方法、装置及电子设备
CN113255694A (zh) * 2021-05-21 2021-08-13 北京百度网讯科技有限公司 训练图像特征提取模型和提取图像特征的方法、装置
CN113553961A (zh) * 2021-07-27 2021-10-26 北京京东尚科信息技术有限公司 人脸识别模型的训练方法、装置、电子设备和存储介质
CN113971751A (zh) * 2021-10-28 2022-01-25 北京百度网讯科技有限公司 训练特征提取模型、检测相似图像的方法和装置
CN115100707A (zh) * 2022-06-16 2022-09-23 阿里巴巴（中国）有限公司 模型的训练方法、视频信息生成方法、设备以及存储介质
CN115205225A (zh) * 2022-06-22 2022-10-18 平安科技（深圳）有限公司 医学图像识别模型的训练方法、装置、设备及存储介质
CN115376495A (zh) * 2022-08-03 2022-11-22 腾讯科技（深圳）有限公司 语音识别模型训练方法、语音识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Mousavi S等.Deep reinforcement learning: an overview.《Springer International Publishing,》.2018,全文. *

Also Published As

Publication number Publication date
CN116109991A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN112801164B (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN113379718B (zh) 一种目标检测方法、装置、电子设备以及可读存储介质
CN114186632B (zh) 关键点检测模型的训练方法、装置、设备、存储介质
US11810319B2 (en) Image detection method, device, storage medium and computer program product
CN112560862B (zh) 文本识别方法、装置及电子设备
CN112560684B (zh) 车道线检测方法、装置、电子设备、存储介质以及车辆
CN113361710B (zh) 学生模型训练方法、图片处理方法、装置及电子设备
CN112488060B (zh) 目标检测方法、装置、设备和介质
CN113392794B (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN112528995B (zh) 用于训练目标检测模型的方法、目标检测方法及装置
CN115147680B (zh) 目标检测模型的预训练方法、装置以及设备
CN115359308B (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN113205041A (zh) 结构化信息提取方法、装置、设备和存储介质
CN113989721A (zh) 目标检测方法和目标检测模型的训练方法、装置
CN113902899A (zh) 训练方法、目标检测方法、装置、电子设备以及存储介质
CN116109991B (zh) 模型的约束参数确定方法、装置及电子设备
CN116758280A (zh) 目标检测方法、装置、设备以及存储介质
CN114494782B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114119990A (zh) 用于图像特征点匹配的方法、装置及计算机程序产品
CN114092739B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN114494818B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114821717B (zh) 目标对象融合方法、装置、电子设备及存储介质
CN112507951B (zh) 指示灯识别方法、装置、设备、路侧设备和云控平台
CN116468985B (zh) 模型训练方法、质量检测方法、装置、电子设备及介质

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