[發明專利]基于人工智能的模型訓練方法和相關裝置

有效

• 申請號: 202010162183.2
• 申請日: 2020-03-10
• 公開（公告）號: CN111401192B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 宋奕兵
• 申請（專利權）人: 深圳市騰訊計算機系統有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06V20/40;G06V10/62
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 常忠良

1.一種模型訓練方法，其特征在于，所述方法由處理設備執行，所述方法包括：

根據標識目標對象的目標圖像和包括所述目標對象的訓練圖像訓練識別網絡模型，得到所述訓練圖像對應的第一識別結果，所述第一識別結果用于標識對所述訓練圖像中所述目標對象的預測位置；

根據所述訓練圖像的標簽確定所述第一識別結果中針對所述目標對象的差異信息；

根據所述差異信息確定貢獻信息，所述貢獻信息用于標識所述訓練圖像中特征點對預測所述差異信息的貢獻程度；

通過生成網絡模型學習所述貢獻信息中不同特征點的貢獻程度；

將貢獻程度大于目標條件的特征點在所述貢獻信息中進行抑制；

根據抑制處理后的貢獻信息，通過生成網絡模型生成用于標識所述目標對象的形態變化的變換參數；

通過所述變換參數調整所述訓練圖像對應的特征數據，調整后的所述特征數據用于模擬所述目標對象的所述形態變化；

通過所述識別網絡模型得到第二識別結果，所述第二識別結果用于標識基于調整后的所述特征數據對所述訓練圖像中所述目標對象的預測位置；

根據所述第二識別結果與所述訓練圖像的標簽對所述識別網絡模型的參數進行更新。

2.根據權利要求1所述的方法，其特征在于，所述根據所述訓練圖像的標簽確定所述第一識別結果中針對所述目標對象的差異信息，包括：

根據所述標簽所標識的所述目標對象的實際位置，從所述第一識別結果中提取對應所述實際位置的識別數據，將所述識別數據作為所述差異信息。

3.根據權利要求1所述的方法，其特征在于，所述根據所述訓練圖像的標簽確定所述第一識別結果中針對所述目標對象的差異信息，包括：

確定所述第一識別結果相對于所述標簽的第一損失信息，將所述第一損失信息作為所述差異信息。

4.根據權利要求1所述的方法，其特征在于，所述根據所述第二識別結果與所述訓練圖像的標簽對所述識別網絡模型的參數進行更新，包括：

確定所述第二識別結果相對于所述標簽的第二損失信息；

根據所述第二損失信息分別對所述生成網絡模型和所述識別網絡模型的參數進行更新。

5.根據權利要求1所述的方法，其特征在于，所述根據所述差異信息確定貢獻信息，包括：

將所述差異信息在所述識別網絡模型中進行反向傳播，通過中間層的輸出確定所述貢獻信息；

所述通過所述變換參數調整所述訓練圖像對應的特征數據，包括：

通過所述變換參數調整所述中間層在正向傳播時輸出的所述特征數據，得到調整后的所述特征數據。

6.一種模型訓練裝置，其特征在于，所述裝置包括訓練單元，確定單元，生成單元，調整單元、更新單元、學習單元和抑制單元：

所述訓練單元，用于根據標識目標對象的目標圖像和包括所述目標對象的訓練圖像訓練識別網絡模型，得到所述訓練圖像對應的第一識別結果，所述第一識別結果用于標識對所述訓練圖像中所述目標對象的預測位置；

所述確定單元，用于根據所述訓練圖像的標簽確定所述第一識別結果中針對所述目標對象的差異信息；

所述生成單元，用于根據所述差異信息確定貢獻信息，所述貢獻信息用于標識所述訓練圖像中特征點對預測所述差異信息的貢獻程度；

所述學習單元，用于通過生成網絡模型學習所述貢獻信息中不同特征點的貢獻程度；

所述抑制單元，用于將貢獻程度大于目標條件的特征點在所述貢獻信息中進行抑制；

所述生成單元，還用于根據抑制處理后的貢獻信息，通過所述生成網絡模型生成用于標識所述目標對象的形態變化的變換參數；

所述調整單元，用于通過所述變換參數調整所述訓練圖像對應的特征數據，調整后的所述特征數據用于模擬所述目標對象的所述形態變化；

所述訓練單元，還用于通過所述識別網絡模型得到第二識別結果，所述第二識別結果用于標識基于調整后的所述特征數據對所述訓練圖像中所述目標對象的預測位置；

所述更新單元，用于根據所述第二識別結果與所述訓練圖像的標簽對所述識別網絡模型的參數進行更新。