[发明专利]模型训练方法、装置、终端设备及计算机可读存储介质在审
申请号: | 202110578751.1 | 申请日: | 2021-05-26 |
公开(公告)号: | CN113298152A | 公开(公告)日: | 2021-08-24 |
发明(设计)人: | 林灿然;程骏;郭渺辰;邵池;庞建新 | 申请(专利权)人: | 深圳市优必选科技股份有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62 |
代理公司: | 深圳中一联合知识产权代理有限公司 44414 | 代理人: | 刘永康 |
地址: | 518000 广东省深圳市南山区*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 模型 训练 方法 装置 终端设备 计算机 可读 存储 介质 | ||
1.一种模型训练方法,其特征在于,包括:
获取训练图像的真实标签;
根据预先训练后的第一识别模型获取所述训练图像的参考标签;
由所述真实标签辅助所述参考标签,对待训练的第二识别模型进行迭代训练,获得训练后的所述第二识别模型,其中,所述第二识别模型的模型复杂度小于所述第一识别模型的模型复杂度。
2.如权利要求1所述的模型训练方法,其特征在于,在由所述真实标签辅助所述参考标签,对待训练的第二识别模型进行迭代训练,获得训练后的所述第二识别模型的步骤中,每一次迭代训练的过程包括:
根据所述第二识别模型获取所述训练图像的识别标签;
由所述真实标签辅助计算所述参考标签和所述识别标签之间的第一损失值;
根据所述第一损失值更新所述第二识别模型。
3.如权利要求2所述的模型训练方法,其特征在于,所述由所述真实标签辅助计算所述参考标签和所述识别标签之间的第一损失值,包括:
计算所述参考标签和所述识别标签之间的第二损失值;
根据所述真实标签调整所述第二损失值,得到调整后的所述第二损失值;
将调整后的所述第二损失值确定为所述第一损失值。
4.如权利要求2所述的模型训练方法,其特征在于,所述根据所述真实标签调整所述第二损失值,得到调整后的所述第二损失值,包括:
计算所述真实标签和所述识别标签之间的第三损失值;
将所述第二损失值和所述第三损失值加权求和,得到调整后的所述第二损失值。
5.如权利要求2所述的模型训练方法,其特征在于,所述根据所述第一损失值更新所述第二识别模型,包括:
获取第一特征数据和第二特征数据,其中,所述第一特征数据为由所述第一识别模型提取出的所述训练图像的特征数据,所述第二特征数据为由所述第二识别模型提取出的所述训练图像的特征数据;
根据第三识别模型计算所述第一特征数据和所述第二特征数据之间的相似度;
根据所述第一损失值和所述相似度更新所述第二识别模型。
6.如权利要求5所述的模型训练方法,其特征在于,所述根据第三识别模型计算所述第一特征数据和所述第二特征数据之间的相似度,包括:
将所述第一特征数据输入到所述第三识别模型中,得到第三特征数据;
将所述第二特征数据输入到所述第三识别模型中,得到第四特征数据;
计算所述第三特征数据和所述第四特征数据之间的相似度。
7.如权利要求6所述的模型训练方法,其特征在于,所述根据所述第一损失值和所述相似度更新所述第二识别模型,包括:
根据所述第一损失值更新所述第二识别模型;
根据所述相似度再次更新所述第二识别模型;
根据所述相似度更新所述第三识别模型。
8.一种模型训练装置,其特征在于,包括:
标签获取单元,用于获取训练图像的真实标签;
标签识别单元,用于根据训练后的第一识别模型获取所述训练图像的第一识别标签;
模型训练单元,用于根据所述真实标签和所述第一识别标签迭代训练第二识别模型,获得训练后的所述第二识别模型,其中,所述第二识别模型的模型复杂度小于所述第一识别模型的模型复杂度。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述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任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳市优必选科技股份有限公司,未经深圳市优必选科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110578751.1/1.html,转载请声明来源钻瓜专利网。