[發(fā)明專利]深度模型訓(xùn)練方法及裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請?zhí)枺?/td>: 201811646736.0
• 申請日: 2018-12-29
• 公開（公告）號: CN109740668B
• 公開（公告）日: 2021-03-30
• 發(fā)明（設(shè)計(jì)）人: 李嘉輝
• 申請（專利權(quán)）人: 北京市商湯科技開發(fā)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京派特恩知識產(chǎn)權(quán)代理有限公司 11270
• 代理人: 蔣雅潔;張穎玲

本發(fā)明實(shí)施例公開了一種深度模型訓(xùn)練方法及裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。所述深度學(xué)習(xí)模型訓(xùn)練方法，包括：獲取第一模型輸出的第n+1第一標(biāo)注信息，所述第一模型已經(jīng)過n輪訓(xùn)練；以及，獲取第二模型輸出的第n+1第二標(biāo)注信息，所述第二模型已經(jīng)過n輪訓(xùn)練；n為大于1的整數(shù)；基于所述訓(xùn)練數(shù)據(jù)及所述第n+1第一標(biāo)注信息，生成第二模型的第n+1訓(xùn)練集，并基于所述訓(xùn)練數(shù)據(jù)及所述第n+1第二標(biāo)注信息，生成所述第一模型的第n+1訓(xùn)練集；將所述第二模型的第n+1訓(xùn)練集輸入至所述第二模型，對所述第二模型進(jìn)行第n+1輪訓(xùn)練；將所述第一模型的第n+1訓(xùn)練集輸入至所述第一模型，對所述第一模型進(jìn)行第n+1輪訓(xùn)練。

技術(shù)領(lǐng)域

本發(fā)明涉及信息技術(shù)領(lǐng)域，尤其涉及一種深度模型訓(xùn)練方法及裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

深度學(xué)習(xí)模型可以通過訓(xùn)練集的訓(xùn)練之后，具有一定的分類或識別能力。所述訓(xùn)練集通常包括：訓(xùn)練數(shù)據(jù)及訓(xùn)練數(shù)據(jù)的標(biāo)注數(shù)據(jù)。但是一般情況下，標(biāo)注數(shù)據(jù)都需要人工進(jìn)行手動(dòng)標(biāo)注。一方面純手動(dòng)標(biāo)注所有的訓(xùn)練數(shù)據(jù)，工作量大、效率低，且標(biāo)注過程中存在人工錯(cuò)誤；另一方面，若需要實(shí)現(xiàn)高精度的標(biāo)注，例如以圖像領(lǐng)域的標(biāo)注為例，需要實(shí)現(xiàn)像素級分割，純?nèi)斯?biāo)注要達(dá)到像素級分割，難度非常大且標(biāo)注精度也難以保證。

故基于純?nèi)斯?biāo)注的訓(xùn)練數(shù)據(jù)進(jìn)行深度學(xué)習(xí)模型的訓(xùn)練，會(huì)存在訓(xùn)練效率低、訓(xùn)練得到的模型因?yàn)橛?xùn)練數(shù)據(jù)自身精度低導(dǎo)致模型的分類或識別能力精度達(dá)不到預(yù)期。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例期望提供一種深度模型訓(xùn)練方法及裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種深度學(xué)習(xí)模型訓(xùn)練方法，包括：

獲取第一模型輸出的第n+1第一標(biāo)注信息，所述第一模型經(jīng)過n輪訓(xùn)練；以及，獲取第二模型輸出的第n+1第二標(biāo)注信息，所述第二模型已經(jīng)過n輪訓(xùn)練；n為大于1的整數(shù)；

基于所述訓(xùn)練數(shù)據(jù)及所述第n+1第一標(biāo)注信息，生成第二模型的第n+1訓(xùn)練集，并基于所述訓(xùn)練數(shù)據(jù)及所述第n+1第二標(biāo)注信息，生成所述第一模型的第n+1訓(xùn)練集；

將所述第一模型的第n+1訓(xùn)練集輸入至所述第二模型，對所述第二模型進(jìn)行第n+1輪訓(xùn)練；將所述第二模型的第n+1訓(xùn)練集輸入至所述第一模型，對所述第一模型進(jìn)行第n+1輪訓(xùn)練。

基于上述方案，所述方法包括：

確定n是否小于N，N為最大訓(xùn)練輪數(shù)；

所述獲取第一模型輸出的第n+1第一標(biāo)注信息，以及，獲取第二模型輸出的第n+1第二標(biāo)注信息；包括：

若n小于N，獲取第一模型輸出的第n+1第一標(biāo)注信息，以及，獲取第二模型輸出的第n+1第二標(biāo)注信息。

基于上述方案，所述獲取所述訓(xùn)練數(shù)據(jù)及所述訓(xùn)練數(shù)據(jù)的初始標(biāo)注信息，包括：

獲取包含有多個(gè)分割目標(biāo)的訓(xùn)練圖像及所述分割目標(biāo)的外接框；

所述基于所述初始標(biāo)注信息，生成所述第一模型的第一訓(xùn)練集和所述第二模型的第一訓(xùn)練集，包括：

基于所述外接框，在所述外接框內(nèi)繪制與所述分割目標(biāo)形狀一致的標(biāo)注輪廓；

基于所述訓(xùn)練數(shù)據(jù)及所述標(biāo)注輪廓，生成所述第一模型的第一訓(xùn)練集及所述第二模型的第一訓(xùn)練集。

基于上述方案，所述基于所述初始標(biāo)注信息，生成所述第一模型的第一訓(xùn)練集和所述第二模型的第一訓(xùn)練集，還包括：

基于所述外接框，生成具有重疊部分的兩個(gè)所述分割目標(biāo)的分割邊界；

基于所述訓(xùn)練數(shù)據(jù)及所述分割邊界，生成所述第一模型的第一訓(xùn)練集和所述第二模型的第一訓(xùn)練集。