[發明專利]一種模型訓練方法及相關設備

在審

• 申請號: 202010412910.6
• 申請日: 2020-05-15
• 公開（公告）號: CN113673533A
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 唐福輝;張曉鵬;鈕敏哲;王子辰;韓建華;田奇
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06K9/40;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強;李稷芳

1.一種模型訓練方法，其特征在于，包括：

通過第一網絡的特征提取層提取目標圖像中的第一特征信息；

通過第二網絡的特征提取層提取目標圖像中的第二特征信息，其中，所述第一網絡和所述第二網絡均為分類網絡，且所述第一網絡的深度大于所述第二網絡的深度；

通過高斯掩膜提取所述第一特征信息中關于目標物體的特征，得到第一局部特征；

通過高斯掩膜提取所述第二特征信息中關于所述目標物體的特征，得到第二局部特征；

通過所述第一局部特征和所述第二局部特征確定特征損失；

根據所述特征損失訓練所述第二網絡，得到目標網絡。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

通過所述第一網絡的分類層生成區域提議集合中的目標區域提議的第一分類預測值；

通過所述第二網絡的分類層生成所述區域提議集合中的所述目標區域提議的第二分類預測值；

根據所述第一分類預測值和所述第二分類預測值確定分類損失；

所述根據所述特征損失訓練所述第二網絡，得到目標網絡，包括：

根據所述特征損失和所述分類損失訓練所述第二網絡，得到目標網絡。

3.根據權利要求2所述的方法，其特征在于，所述第一網絡和所述第二網絡通過共享區域提議網絡(RPN)的方式使得所述第一網絡和所述第二網絡均具有所述區域提議集合。

4.根據權利要求3所述的方法，其特征在于，所述RPN為所述第二網絡共享給所述第一網絡的，或者為所述第一網絡共享給所述第二網絡的。

5.根據權利要求2-4任一項所述的方法，其特征在于，所述目標區域提議為所述區域提議集合中的全部區域提議，或者為所述區域提議集合中屬于所述目標物體的正例區域提議。

6.根據權利要求2-5任一項所述的方法，其特征在于，所述分類損失L_cls滿足如下關系：

其中，K為所述區域提議集合中區域提議的總數，N_p為所述區域提議集合中屬于所述目標物體的正例區域提議的總數，為所述第二網絡的分類層對所述區域提議集合中第m個區域提議預測的分類預測值，y^m為所述區域提議集合中第m個區域提議對應的真值標簽，為所述第二網絡的分類層對所述區域提議集合中第n個屬于所述目標物體的正例區域提議預測的第二分類預測值，所述第一網絡的分類層對所述區域提議集合中第n個屬于所述目標物體的正例區域提議預測的第一分類預測值，表示基于和y^m得到的交叉熵損失，表示基于和得到的二值交叉熵損失，β為預設的權重平衡因子。

7.根據權利要求2-6任一項所述的方法，其特征在于，所述方法還包括：

根據所述目標圖像中的區域提議的真值標簽和所述第二網絡對所述目標圖像中的區域提議預測的預測值，確定所述第二網絡的回歸損失和RPN損失；

根據所述特征損失和所述分類損失訓練所述第二網絡，得到目標網絡，包括：

根據所述特征損失、所述分類損失、所述回歸損失和所述RPN損失訓練所述第二網絡，得到目標網絡。

8.根據權利要求1所述的方法，其特征在于，所述根據所述特征損失訓練所述第二網絡，得到目標網絡，包括：

根據所述特征損失訓練所述第二網絡；

通過第三網絡對經過訓練后的所述第二網絡進行訓練，得到目標網絡，其中，所述第三網絡的深度大于所述第一網絡的深度。

9.根據權利要求1-8任一項所述的方法，其特征在于，所述根據所述特征損失訓練所述第二網絡，得到目標網絡之后，還包括：

向模型使用設備發送所述目標網絡，其中所述目標網絡用于預測圖像中的內容。