[發明專利]神經網絡模型訓練的方法和裝置

在審

• 申請號: 201911302307.6
• 申請日: 2019-12-17
• 公開（公告）號: CN112990424A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 孫海鳴
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 李珂珂

1.一種神經網絡模型訓練的方法，其特征在于，所述方法包括：

獲取新增樣本集；

將所述新增樣本集輸入目標神經網絡模型，得到所述目標神經網絡模型中至少一個候選分割層輸出的特征數據集，其中，所述候選分割層為所述目標神經網絡模型中的網絡層；

確定每個候選分割層輸出的特征數據集的聚類程度，在所述候選分割層中確定出滿足預設條件的聚類程度對應的目標分割層；

基于所述新增樣本集對所述目標分割層之后的網絡層進行訓練。

2.根據權利要求1所述的方法，其特征在于，所述獲取新增樣本之前，還包括：

根據所述目標神經網絡模型中各網絡層的位置，在所述目標神經網絡模型中確定出所述候選分割層。

3.根據權利要求2所述的方法，其特征在于，所述根據所述目標神經網絡模型中各網絡層的位置，在所述目標神經網絡模型中確定出所述候選分割層，包括：

在所述目標神經網絡模型中的網絡層中，確定出網絡連接層，作為所述候選分割層，其中，所述網絡連接層連接所述目標神經網絡模型，如果將所述網絡連接層在所述目標神經網絡模型中去除，則所述目標神經網絡模型分為獨立的兩部分。

4.根據權利要求1所述的方法，其特征在于，所述確定每個候選分割層輸出的特征數據集的聚類程度，在所述候選分割層中確定出滿足預設條件的聚類程度對應的目標分割層，包括：

對于每個候選分割層，根據所述新增樣本集中各新增樣本所屬的類別，確定所述候選分割層輸出的特征數據集中每個特征數據所屬的類別，每個類別的特征數據組成所述類別的特征數據子集；

對于每個類別的特征數據子集，確定對應的特征均值；

計算每個類別的特征數據子集中每個特征數據與所述特征數據子集對應的特征均值之間的聚類距離；

基于每個類別的特征數據子集中每個特征數據與所述特征數據子集對應的特征均值之間的聚類距離，和所述類別的特征數據的數目，確定所述類別的特征數據子集對應的第一聚類距離均值；

基于每個類別的特征數據子集對應的第一聚類距離均值和類別的數目，確定所述候選分割層輸出的特征數據集對應的第二聚類距離均值；

在所有候選分割層輸出的特征數據集對應的第二聚類距離均值中，確定出滿足預設條件的目標聚類距離均值；

將所述目標聚類距離均值對應的候選分割層確定為目標分割層。

5.根據權利要求4所述的方法，其特征在于，所述確定出滿足預設條件的目標聚類距離均值，包括：

確定出小于第一預設閾值的第三聚類距離均值；

將所述第三聚類距離中的最小值，確定為目標聚類距離均值。

6.根據權利要求4所述的方法，其特征在于，所述在所有候選分割層輸出的特征數據集對應的第二聚類距離均值中，確定出滿足預設條件的目標聚類距離均值；將所述目標聚類距離均值對應的候選分割層，確定為目標分割層，包括：

在所有候選分割層輸出的特征數據集對應的第二聚類距離均值中，確定出小于第二預設閾值的第四聚類距離均值；

在所述第四聚類距離均值中，如果存在小于第三預設閾值的第五聚類距離均值，則在所述第五聚類均值對應的候選分割層中，將距離所述目標神經網絡模型中的輸入層最遠的候選分割層，確定為目標分割層；

如果不存在小于所述第三預設閾值的第五聚類距離均值，則將所述第四聚類距離均值中的最小值確定為目標聚類距離均值；

將所述目標聚類距離均值對應的候選分割層確定為目標分割層。

7.根據權利要求1-6所述的方法，其特征在于，所述目標神經網絡模型是以第一隱私場景的圖像監控數據為訓練數據訓練得到的神經網絡模型，所述新增樣本集為第二隱私場景的圖像監控數據。