[发明专利]一种多任务模型的训练方法、装置及存储介质

说明书

本申请公开了一种多任务模型的训练方法、装置及计算机存储介质，利用第一训练图像集对骨干网络进行训练，以得到经训练的骨干网络；根据预设类别任务的关联性进行分支网络的整合，得到多分支网络；利用已训练的所述骨干网络对第二训练图像集进行处理，以得到所述第二训练图像集中每一样本图像对应的特征图；利用所述每一样本图像对应的特征图对所述多分支网络进行训练。如此，本申请在通过经训练的骨干网络对对训练图像集中每一个样本图像进行特征提取的基础上，利用分支网络的关联性整合，将合适的任务类别的分支网络放到同一个分支中，从而在同等算力的情况下，有效提升多任务模型的感知性能。

技术领域

本申请涉及人工神经网络技术领域，尤其涉及一种多任务模型的训练方法、装置及计算机存储介质。

背景技术

在高级驾驶辅助系统(“Advanced Driver Assistance System，ADAS)中，一个非常的矛盾是有限的计算资源以及日益增长的视觉感知任务。受限于有限的算力，在主板上运行多种感知任务，一方面会使得每个感知任务的精度下降，另一方面会降低感知系统的实时性。

目前，普遍的解决方案是使用多任务模型(网络)进行训练和部署：通过一个骨干网络表达若干个任务共有的特征，然后针对各个任务的特点，在骨干网络的末端接上对应的分支网络，用于产生相应任务的感知输出。

发明内容

上述解决方案存在当各个任务所需的图像特征存在互斥的情况时，通过一个骨干网络提取多个任务所需的特征会使得各个任务的感知性能大幅度下降的问题；同时，感知系统容易受到多任务网络分支配置的影响。

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种多任务模型的训练方法、装置及计算机存储介质。

根据本申请的第一方面，提供了一种多任务模型的训练方法，包括：利用第一训练图像集对骨干网络进行训练，以得到经训练的骨干网络；根据预设类别任务的关联性进行分支网络的整合，得到多分支网络，所述多分支网络中每一个分支网络分别对应不同的关联任务；利用已训练的所述骨干网络对第二训练图像集进行处理，以得到所述第二训练图像集中每一样本图像对应的特征图；利用所述每一样本图像对应的特征图对所述多分支网络进行训练。

根据本申请的第二方面，还提供了一种多任务模型的训练装置，包括：骨干网络单元，用于利用第一训练图像集对骨干网络进行训练，以得到经训练的骨干网络；整合单元，用于根据预设类别任务间的关联性进行分支网络的整合，得到多分支网络，所述多分支网络中每一个分支网络分别对应不同的关联任务；所述骨干网络单元，还用于利用已训练的所述骨干网络对第二训练图像集进行处理，以得到所述第二训练图像集中每一个样本图像对应的特征图；多分支网络单元，用于利用所述每一个样本图像对应特征图对所述多分支网络进行训练。

根据本申请的第三方面，还提供了一种多任务模型的训练装置，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述多任务模型的训练方法。

根据本申请的第四方面，又提供了一种计算机存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行上述多任务模型的训练方法。

本申请实施例多任务模型的训练方法、装置及计算机存储介质，首先利用第一训练图像集对骨干网络进行训练，以得到经训练的骨干网络；接着根据预设类别任务的关联性进行分支网络的整合，得到多分支网络；再利用已训练的所述骨干网络对第二训练图像集进行处理，以得到所述第二训练图像集中每一样本图像对应的特征图；最后利用所述每一样本图像对应的特征图对所述多分支网络进行训练。如此，本申请在通过经训练的骨干网络对对训练图像集中每一个样本图像进行特征提取的基础上，利用分支网络的关联性整合，将合适的任务类别的分支网络放到同一个分支中，从而在同等算力的情况下，有效提升多任务模型的感知性能。

附图说明