[发明专利]一种训练方法、装置、计算机设备和存储介质

说明书

本公开提供了一种训练方法、装置、计算机设备和存储介质，其中，该方法包括：获取多张样本图像；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样本图像进行处理，得到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目标神经网络中不同的预测分支输出；不同预测分支对应的初始网络参数不同；以及，基于多个类别预测信息，从多个预测分支中确定每张样本图像对应的目标预测分支；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。

技术领域

本公开涉及计算机视觉技术领域，具体而言，涉及一种训练方法、装置、计算机设备和存储介质。

背景技术

人脸识别在很多领域具有重要作用，比如门禁系统，考勤打卡等。然而，人脸识别模型的性能受到训练时所用的带标签数据的数量的制约，训练数据(比如样本图像)越多性能越好。一方面，获得带有准确标签的训练数据是很困难的，可以获得该准确标签的训练数据有限。另一方面，针对带有噪音标签的数据训练人脸识别模型，后期模型优化较为困难，导致模型性能下降，模型识别人脸精度较低。

发明内容

本公开实施例至少提供一种训练方法、装置、计算机设备和存储介质。

第一方面，本公开实施例提供了一种训练方法，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。

本公开实施例不限定样本图像是否存在噪音，该方面利用不同初始网络参数对应的不同预设分支处理该样本图像，能够得到不同的类别预测信息，根据多个类别预测信息，可以从不同预设分支中选择处理结果准确度最高的预测分支，即目标预测分支。之后，利用该目标预测分支和可能存在噪音的样本图像对目标神经网络进行训练，能够克服噪音样本带来的影响，提高了目标神经网络的训练精度。

一种可选的实施方式中，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。

该实施方式，由于第一损失信息能够表征目标神经网络对样本图像的拟合效果，即损失越小，拟合效果越好，目标神经网络对样本图像的预测结果的准确度越高。因此，利用损失最小的第一损失信息对应的预测分支，即目标预测分支，处理其对应的样本图像，能够为后续得到准确的目标损失信息，比如待训练的目标神经网络的损失函数，提供条件。

一种可选的实施方式中，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。