JP7357114B2 - 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 - Google Patents
生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 Download PDFInfo
- Publication number
- JP7357114B2 JP7357114B2 JP2022088153A JP2022088153A JP7357114B2 JP 7357114 B2 JP7357114 B2 JP 7357114B2 JP 2022088153 A JP2022088153 A JP 2022088153A JP 2022088153 A JP2022088153 A JP 2022088153A JP 7357114 B2 JP7357114 B2 JP 7357114B2
- Authority
- JP
- Japan
- Prior art keywords
- training
- data
- detection model
- test set
- living body
- 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
Links
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
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Description
(外1)
を設定し、減衰率εを設定し、新データ+元データの混合データセットΦを含むモデルトレーニングの入力を与え、ハイパーパラメータの初期サンプリングレートρを設定し、モデルの初期開始トレーニングのトレーニングセットの分割に使用し、データセットΦにおいて、ハイパーパラメータの初期サンプリングレートρで定量のデータをランダムにサンプリングして初期トレーニングセットΦtrainを構成し、ハイパーパラメータの初期サンプリングレートρは0%より大きくかつ50%より小さい値をとる。ハードサンプルレート
(外2)
を設定し、データにおけるハードサンプルの割合を仮定するために用いられ、0%より大きくかつ30%より小さい値をとる。減衰率εを設定し、ハードサンプルレートの減衰を特徴付けるために用いられ、モデルが次第に収束するにつれて、データ中に残っているハードサンプルの割合が次第に減少し、したがって、減衰率はハードサンプルレートの減衰程度を特徴付けるために用いられる。ここでは、ハイパーパラメータの初期サンプリングレート、ハードサンプルレート、減衰率はすべて応用ニーズに応じて人為的に設定することができる。このようにして様々な異なる応用ニーズを満たすことができ、より良いモデルトレーニング効果を達成する。
(外3)
を構成し、残りのデータは初期テストセット
(外4)
を構成するために使用される。
(外8)
であり、抽出されたサンプルをトレーニングセットに戻し、それによってトレーニングセット
(外9)
とテストセット
(外10)
を更新し、それと同時に、ハードサンプルレートを
(外11)
のように減衰更新する。
Claims (17)
- 生体検出モデルのトレーニング装置が実行する、生体検出モデルのトレーニング方法であって、
生体検出モデルをトレーニングするためのトレーニングセットおよびテストセットを構築することと、
前記トレーニングセットに基づいて、予め設定された生体検出モデルをトレーニングし、第1生体検出モデルを取得することと、
前記テストセットに基づいて第1生体検出モデルをトレーニングし、テスト結果を生成することと、
前記テスト結果に基づいて前記テストセットを分析し、第1サンプルデータを取得することと、
第1サンプルデータに基づいて、トレーニングセット、テストセットを更新して、前記生体検出モデルをさらにトレーニングすることとを含み、
前記第1サンプルデータに基づいてトレーニングセット、テストセットを更新することは、第1サンプルデータにおいてそれぞれ一部のサンプルデータを抽出してトレーニングセットおよびテストセットに加え、更新後のトレーニングセットと更新後のテストセットを構成することを含み、
第1サンプルデータにおいてそれぞれ一部のサンプルデータを抽出してトレーニングセットおよびテストセットに加え、更新後のトレーニングセットと更新後のテストセットを構成することは、
前記第1サンプルデータにおいて、予め設定されたサンプリングレートで第2サンプルデータを抽出し、抽出された第2サンプルデータをトレーニングセットに加え、更新後のトレーニングセットを構成し、第2サンプルデータを除く第1サンプルデータをテストセットに加え、更新後のテストセットを構成することと、
予め設定されたサンプリングレートを予め設定された減衰率で減衰更新し、減衰更新後のサンプリングレートを取得することと、
更新されたトレーニングセットと更新されたテストセットに基づいて生体検出モデルをトレーニングすることと、
トレーニングステップを反復的に実行し、生体検出モデルが予め設定された精度に収束したと判断すると、トレーニングを停止し、トレーニングされた生体検出モデルを出力することとを含む生体検出モデルのトレーニング方法。 - 前記生体検出モデルをトレーニングするためのトレーニングセットおよびテストセットを構築することは、混合データセットに基づいてトレーニングセットおよびテストセットを構築することを含み、前記混合データセットは新データおよび元データを含む請求項1に記載の方法。
- 前記混合データセットに基づいてトレーニングセットおよびテストセットを構築することは、前記混合データセットにおいてランダムサンプリングを行うことと、サンプリングされたデータをトレーニングセットとして構成することと、サンプリングされたデータ以外のデータをテストセットとして構成することとを含む、請求項2に記載の方法。
- 前記テスト結果に基づいて前記テストセットを分析し、第1サンプルデータを取得することは、
テスト結果に基づいてテストセットにおけるデータを採点して予測スコアを取得し、前記予測スコアに基づいてテストセットにおけるデータをソーティングし、前記予測スコアが所定閾値を満たすデータを第1サンプルデータとして確定することを含む請求項1に記載の方法。 - 前記混合データセットにおいてランダムサンプリングを行うことは、予め設定されたハイパーパラメータの初期サンプリングレートに基づいて、前記混合データセットにおいてランダムサンプリングを行うことを含む請求項3に記載の方法。
- 前記ハイパーパラメータの初期サンプリングレートは、0%より大きくかつ50%より小さい値をとる請求項5に記載の方法。
- 前記予め設定されたサンプリングレートは、0%より大きくかつ30%より小さい値をとる請求項1に記載の方法。
- 生体検出モデルのトレーニング装置であって、
生体検出モデルをトレーニングするためのトレーニングセットおよびテストセットを構築するための構築モジュールと、
前記トレーニングセットに基づいて予め設定された生体検出モデルをトレーニングし、第1生体検出モデルを取得し、前記テストセットに基づいて第1生体検出モデルをトレーニングし、テスト結果を生成するためのトレーニングモジュールと、
前記テスト結果に基づいて前記テストセットを分析し、第1サンプルデータを取得するためのサンプル取得モジュールと、
第1サンプルデータに基づいて、トレーニングセット、テストセットを更新して、前記生体検出モデルをさらにトレーニングするための更新モジュールとを含み、
前記更新モジュールは、第1サンプルデータにおいてそれぞれ一部のサンプルデータを抽出してトレーニングセットおよびテストセットに加え、更新後のトレーニングセットと更新後のテストセットを構成し、
前記更新モジュールは、
前記第1サンプルデータにおいて、予め設定されたサンプリングレートで第2サンプルデータを抽出し、抽出された第2サンプルデータをトレーニングセットに加え、更新後のトレーニングセットを構成し、第2サンプルデータを除く第1サンプルデータをテストセットに加え、更新後のテストセットを構成し、
予め設定されたサンプリングレートを予め設定された減衰率で減衰更新し、減衰更新後のサンプリングレートを取得し、
更新されたトレーニングセットと更新されたテストセットに基づいて生体検出モデルをトレーニングし、
トレーニングステップを反復的に実行し、生体検出モデルが予め設定された精度に収束したと判断すると、トレーニングを停止し、最終的にトレーニングされた生体検出モデルを出力する生体検出モデルのトレーニング装置。 - 前記構築モジュールが生体検出モデルをトレーニングするためのトレーニングセットおよびテストセットを構築することは、混合データセットに基づいてトレーニングセットおよびテストセットを構築することを含み、前記混合データセットは新データおよび元データを含む請求項8に記載の装置。
- 前記構築モジュールが混合データセットに基づいてトレーニングセットおよびテストセットを構築することは、前記混合データセットにおいてランダムサンプリングを行うことと、サンプリングされたデータをトレーニングセットとして構成することと、サンプリングされたデータ以外のデータをテストセットとして構成することとを含む請求項9に記載の装置。
- 前記サンプル取得モジュールが前記テスト結果に基づいて前記テストセットを分析し、第1サンプルデータを取得することは、
テスト結果に基づいてテストセットにおけるデータを採点して予測スコアを取得し、前記予測スコアに基づいてテストセットにおけるデータをソーティングし、前記予測スコアが所定閾値を満たすデータを第1サンプルデータとして確定することを含む請求項9に記載の装置。 - 前記構築モジュールが前記混合データセットにおいてランダムサンプリングを行うことは、予め設定されたハイパーパラメータの初期サンプリングレートに基づいて、前記混合データセットにおいてランダムサンプリングを行うことを含む請求項10に記載の装置。
- 前記構築モジュールが予め設定されたハイパーパラメータの初期サンプリングレートに基づいて、前記混合データセットにおいてランダムサンプリングを行うことは、前記ハイパーパラメータの初期サンプリングレートが、0%より大きくかつ50%より小さい値をとることを含む請求項12に記載の装置。
- 前記サンプル取得モジュールは、0%より大きくかつ30%より小さい予め設定されたサンプルレートを予め設定された減衰率で減衰更新するために用いられる請求項8に記載の装置。
- 電子機器であって、
少なくとも1つのプロセッサ、および
前記少なくとも1つのプロセッサに通信接続されたメモリを含み、
前記メモリは、前記少なくとも1つのプロセッサによって実行可能な命令を記憶し、前記命令は前記少なくとも1つのプロセッサによって実行されることにより、前記少なくとも1つのプロセッサに請求項1乃至7の何れかに記載の方法を実行させる電子機器。 - コンピュータに請求項1乃至7の何れかに記載の方法を実行させるためのコンピュータ命令が記憶された非一時的コンピュータ可読記憶媒体。
- プロセッサによって実行されると、請求項1乃至7の何れかに記載の方法を実現するコンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026802.6A CN114120452A (zh) | 2021-09-02 | 2021-09-02 | 一种活体检测模型训练方法、装置、电子设备及存储介质 |
CN202111026802.6 | 2021-09-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022116231A JP2022116231A (ja) | 2022-08-09 |
JP7357114B2 true JP7357114B2 (ja) | 2023-10-05 |
Family
ID=80441245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022088153A Active JP7357114B2 (ja) | 2021-09-02 | 2022-05-31 | 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7357114B2 (ja) |
KR (1) | KR20220078538A (ja) |
CN (1) | CN114120452A (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495291B (zh) * | 2022-04-01 | 2022-07-12 | 杭州魔点科技有限公司 | 活体检测的方法、系统、电子装置和存储介质 |
CN115512813B (zh) * | 2022-09-20 | 2023-08-04 | 海南金域医学检验中心有限公司 | 样本监测方法、模型训练方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017111731A (ja) | 2015-12-18 | 2017-06-22 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、情報処理方法、プログラム |
JP2017224184A (ja) | 2016-06-16 | 2017-12-21 | 株式会社日立製作所 | 機械学習装置 |
US20200202253A1 (en) | 2018-12-19 | 2020-06-25 | Fronteo, Inc. | Computer, configuration method, and program |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933414B (zh) * | 2015-06-23 | 2018-06-05 | 中山大学 | 一种基于wld-top的活体人脸检测方法 |
CN108549854B (zh) * | 2018-03-28 | 2019-04-30 | 中科博宏(北京)科技有限公司 | 一种人脸活体检测方法 |
CN110956255B (zh) * | 2019-11-26 | 2023-04-07 | 中国医学科学院肿瘤医院 | 难样本挖掘方法、装置、电子设备及计算机可读存储介质 |
CN112215280B (zh) * | 2020-10-12 | 2022-03-15 | 西安交通大学 | 一种基于元骨干网络的小样本图像分类方法 |
CN112348082B (zh) * | 2020-11-06 | 2021-11-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
CN112651458B (zh) * | 2020-12-31 | 2024-04-02 | 深圳云天励飞技术股份有限公司 | 分类模型的训练方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-02 CN CN202111026802.6A patent/CN114120452A/zh active Pending
-
2022
- 2022-05-24 KR KR1020220063271A patent/KR20220078538A/ko unknown
- 2022-05-31 JP JP2022088153A patent/JP7357114B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017111731A (ja) | 2015-12-18 | 2017-06-22 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、情報処理方法、プログラム |
JP2017224184A (ja) | 2016-06-16 | 2017-12-21 | 株式会社日立製作所 | 機械学習装置 |
US20200202253A1 (en) | 2018-12-19 | 2020-06-25 | Fronteo, Inc. | Computer, configuration method, and program |
JP2020101856A (ja) | 2018-12-19 | 2020-07-02 | 株式会社Fronteo | コンピュータ、構成方法、及びプログラム |
Non-Patent Citations (1)
Title |
---|
原 佑輔 ほか,車載カメラを用いたCNNによる方向別歩行者頭部検出法の提案 Proposal of Head Detection Method Based on CNN Using Drive Recorders,情報処理学会 研究報告 高度交通システムとスマートコミュニティ(ITS) 2016-ITS-067 [online] ,日本,情報処理学会,2017年 |
Also Published As
Publication number | Publication date |
---|---|
KR20220078538A (ko) | 2022-06-10 |
CN114120452A (zh) | 2022-03-01 |
JP2022116231A (ja) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560501B (zh) | 语义特征的生成方法、模型训练方法、装置、设备及介质 | |
JP7357114B2 (ja) | 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 | |
JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
CN114970522B (zh) | 语言模型的预训练方法、装置、设备、存储介质 | |
US20220374678A1 (en) | Method for determining pre-training model, electronic device and storage medium | |
US20230084055A1 (en) | Method for generating federated learning model | |
US20230073994A1 (en) | Method for extracting text information, electronic device and storage medium | |
US20220237376A1 (en) | Method, apparatus, electronic device and storage medium for text classification | |
WO2023178965A1 (zh) | 一种意图识别方法、装置、电子设备及存储介质 | |
US20230124389A1 (en) | Model Determination Method and Electronic Device | |
CN112784589A (zh) | 一种训练样本的生成方法、装置及电子设备 | |
JP7369228B2 (ja) | ユーザ興味画像の生成方法、装置、電子機器及び記憶媒体 | |
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
US20230206007A1 (en) | Method for mining conversation content and method for generating conversation content evaluation model | |
US20230070966A1 (en) | Method for processing question, electronic device and storage medium | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
WO2022227760A1 (zh) | 图像检索方法、装置、电子设备及计算机可读存储介质 | |
EP4020327A2 (en) | Method and apparatus for training data processing model, electronic device and storage medium | |
CN113641724B (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN114358198A (zh) | 实例分割方法、装置及电子设备 | |
CN114281990A (zh) | 文档分类方法及装置、电子设备和介质 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN113033179A (zh) | 知识获取方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220531 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230531 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230831 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230912 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230925 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7357114 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |