[發明專利]深度學習模型的優化方法及裝置、服務器

在審

• 申請號: 201910275218.0
• 申請日: 2019-04-04
• 公開（公告）號: CN111783806A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 杜磊
• 申請（專利權）人: 千尋位置網絡有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海市海華永泰律師事務所 31302
• 代理人: 包文超

本發明適用于定位技術領域，提供了一種深度學習模型的優化方法及裝置、服務器，所述優化方法包括：基于優化指示進行數據增廣，得到增廣的數據結果，所述優化指示攜帶場景信息；基于所述增廣的數據結果對所述深度學習模型進行優化，得到優化的學習模型。本發明中，對基礎數據進行增廣后得到數量更多的數據，然后進行學習模型的優化，可增強學習模型的優化效果。

技術領域

本發明屬于衛星定位技術領域，尤其涉及一種深度學習模型的優化方法及 裝置、服務器。

背景技術

近年來，隨著硬件計算能力的不斷發展以及高性能的GPU不斷升級，人工 智能技術的前景又變得明朗起來。而深度學習的計算機視覺領域比較突出。人 臉識別、圖像識別、圖像分類、人臉檢測、圖像分割等基本的圖像處理算法屬 于計算機視覺領域的技術。

隨著信息時代的快速發展，海量數據的產生也為深度學習的飛速前進奠定 基礎。影響深度學習模型效果好壞的最重要的一個因素是數據。海量的數據代 表著模型的強泛化能力；相反，缺乏足夠的數據會使得模型面臨過擬合或者欠 擬合的問題。

隨著深度學習技術的快速發展，模型性能不斷提升，在實際生產中的應用 程度也逐步加大。針對具體領域、具體問題的深度學習模型設計、調優始終是 一個具有很大挑戰性的問題。眾所周知，深度學習模型研究過程中，數據是影 響最終性能的關鍵因素。如果數據充分、并且能夠很好的反映真實情況，訓練 出來的模型性能一般會很好；倘若數據缺乏、且不能反映真實情況，則最終模 型很容易出問題。通過增加真實數據來調優深度學習模型是一種比較有效的手 段，現有技術中，采用原始數據擴充方式來增加數據的數量，但此方式產生的 數據比較有限，且與背景無法真正融合，因此不能有效地優化學習模型。

發明內容

本發明實施例提供了一種深度學習模型的優化方法及裝置、服務器，旨在 解決現有技術中學習模型優化效果不佳的問題。

一種深度學習模型的優化方法，包括：

基于優化指示進行數據增廣，得到增廣的數據結果，所述優化指示攜帶場 景信息；

基于所述增廣的數據結果對所述深度學習模型進行優化，得到優化的學習 模型。

優選地，基于優化指示進行數據增廣，得到增廣的數據結果包括：

分析所述場景信息對應的場景下存在的問題，得到分析結果；

基于所述分析結果進行數據模擬，得到模擬數據。

優選地，基于所述分析結果進行數據模擬，得到模擬數據之后還包括：

基于所述模擬數據進行數據增廣，得到增廣的數據結果。

優選地，基于所述分析結果進行數據模擬，得到模擬數據包括：

基于所述分析結果提取每一類所述存在的問題的特性；

基于所提取的特征進行對應的數據模擬，得到模擬數據。

優選地，基于所述模擬數據進行數據增廣，得到增廣的數據結果包括：

分析所述模擬數據，得到分析結果；

根據預設的規則庫及所述分析結果采用對應的增廣規則進行數據增廣，得 到增廣的數據結果。

優選地，基于所述增廣的數據結果對所述深度學習模型進行優化，得到優 化的學習模型具體為：基于所述增廣的數據結果采用迭代方式對所述深度學習 模型進行優化，得到優化的學習模型。

優選地，所述優化指示還包括基礎數據，基于所述增廣的數據結果采用迭 代方式對所述深度學習模型進行優化，得到優化的學習模型包括：

基于所述基礎數據進行訓練，得到第一訓練模型；