[发明专利]一种训练方法、装置、计算机设备和存储介质

权利要求书

1.一种训练方法，其特征在于，包括：

获取多张样本图像；所述样本图像包括目标对象；

针对每张样本图像，利用待训练的目标神经网络对所述样本图像进行处理，得到所述目标对象对应的多个类别预测信息；其中，不同的类别预测信息分别由所述目标神经网络中不同的预测分支输出；不同所述预测分支对应的初始网络参数不同；以及，基于所述多个类别预测信息，从多个所述预测分支中确定每张样本图像对应的目标预测分支；

基于所述多张样本图像，以及所述多张样本图像中每张样本图像对应的目标预测分支，对所述目标神经网络进行训练，直到满足预设训练截止条件，得到训练完成的目标神经网络。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多个类别预测信息，从多个所述预测分支中确定每张样本图像对应的目标预测分支，包括：

针对任一样本图像，基于各预测分支输出的所述类别预测信息，确定所述任一样本图像对应于各预测分支的第一损失信息；

基于所述任一样本图像对应于各预测分支的第一损失信息，将最小损失对应的预测分支作为所述任一样本图像对应的目标预测分支。

3.根据权利要求1或2所述的方法，其特征在于，所述基于多张样本图像，以及多张样本图像中每张样本图像对应的目标预测分支，对所述目标神经网络进行训练，包括：

针对多个所述目标预测分支中的每个所述目标预测分支，利用所述目标预测分支对应的至少一张所述样本图像对所述目标神经网络中除多个所述预测分支以外的部分以及所述目标预测分支进行训练。

4.根据权利要求3所述的方法，其特征在于，所述利用所述目标预测分支对应的至少一张所述样本图像对所述目标神经网络中除多个所述预测分支以外的部分以及所述目标预测分支进行训练，包括：

利用所述目标预测分支，确定所述目标预测分支对应的至少一张所述样本图像中的每张所述样本图像对应的第二损失信息；

基于多个所述第二损失信息，确定所述待训练的目标神经网络的目标损失信息；

利用所述目标损失信息对所述目标神经网络中除多个所述预测分支以外的部分以及所述目标预测分支进行训练。

5.根据权利要求1至4任一项所述的方法，其特征在于，在得到训练完成的目标神经网络之后，还包括：

针对所述多张样本图像中的每张样本图像，基于所述样本图像中所述目标对象的对象类别，确定所述样本图像对应于每个所述预测分支的第一类中心，并从多个所述第一类中心中，筛选与所述目标对象的对象类别的匹配程度满足预设条件的类中心；其中，所述预测分支中的第一类中心用于表征预设对象类别；

针对每个所述预设对象类别，基于所述预设对象类别对应的多张样本图像中每张所述样本图像，以及与所述样本图像中所述目标对象的对象类别的匹配程度满足预设条件的类中心，确定所述预设对象类别对应的每个所述第一类中心被选中的次数，并将被选中次数最多的所述第一类中心作为所述预设对象类别对应的第二类中心；

基于多个所述预设对象类别中每个所述预设对象类别对应的所述第二类中心，从多张所述样本图像中剔除存在噪音的样本图像。

6.根据权利要求5所述的方法，其特征在于，所述从多个所述第一类中心中，筛选与所述目标对象的对象类别的匹配程度满足预设条件的类中心，包括：

提取所述样本图像的图像特征信息；

基于所述图像特征信息，确定所述样本图像与每个所述第一类中心之间的第一相似度；

将最大所述第一相似度对应的所述第一类中心作为与所述目标对象的对象类别的匹配程度满足预设条件的类中心。

7.根据权利要求5所述的方法，其特征在于，针对多个所述第二类中心中的每个所述第二类中心，从所述预设对象类别对应的多张样本图像中剔除存在噪音的样本图像，包括：

针对多个所述第二类中心中的每个所述第二类中心，确定所述第二类中心对应的预设对象类别对应的多张样本图像中每张所述样本图像，与所述第二类中心之间的第二相似度；

从所述预设对象类别对应的多张样本图像中筛选出与所述第二类中心的第二相似度小于第一预设相似度的所述样本图像，并剔除。