[發明專利]計算機視覺模型的訓練方法、裝置、電子設備和存儲介質

在審

• 申請號: 202010533723.3
• 申請日: 2020-06-12
• 公開（公告）號: CN111814835A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 苑帥;付萬豪;劉殿超;張觀良;王剛
• 申請（專利權）人: 理光軟件研究所（北京）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02;G06N3/08
• 代理公司: 北京市隆安律師事務所 11323
• 代理人: 權鮮枝

本申請公開了一種計算機視覺模型的訓練方法、裝置、電子設備和存儲介質，所述計算機視覺模型的訓練方法包括：利用計算機視覺模型對第一樣本圖像集中的樣本圖像進行識別，得到圖像識別結果；基于圖像識別結果對所述樣本圖像進行分類，并基于統計分布函數分別選取各分類下的至少部分樣本圖像，根據選取的樣本圖像生成第二樣本圖像集；根據第二樣本圖像集對計算機視覺模型進行迭代訓練，根據每個迭代訓練階段得到的訓練損失值對計算機視覺模型進行參數更新或結束訓練。本申請通過選取典型樣本圖像對模型進行迭代訓練，減少了人工標注樣本的時間，通過將人工標注和模型標注結果比較，能夠得到難樣本圖像，從而訓練出具有較好識別性能的模型。

技術領域

本申請涉及計算機視覺技術領域，具體涉及一種計算機視覺模型的訓練方法、裝置、電子設備和存儲介質。

背景技術

隨著人工智能時代的到來，深度學習技術已經被廣泛應用到了各個領域，尤其是在計算機視覺領域，深度學習模型也發揮的重要作用。對于深度學習模型的訓練，其在面對不同情況的樣本時，需要大量的訓練樣本和時間來提高模型性能，從而達到預期的效果。

然而現有的深度學習訓練過程很難得到訓練模型的難樣本，導致了許多初始模型在不同情況下對一些難樣本的檢測性能較差，因此模型需要不斷的改進和更新，才能得到較好的性能。

發明內容

鑒于上述問題，提出了本申請以便提供一種克服上述問題或者至少部分地解決上述問題的計算機視覺模型的訓練方法、裝置、電子設備和存儲介質。

依據本申請的第一方面，提供了一種計算機視覺模型的訓練方法，包括：

利用計算機視覺模型對第一樣本圖像集中的樣本圖像進行識別，得到圖像識別結果；

基于圖像識別結果對所述第一樣本圖像集中的樣本圖像進行分類，并基于統計分布函數分別選取各分類下的至少部分樣本圖像，根據選取的樣本圖像生成第二樣本圖像集；

根據所述第二樣本圖像集對所述計算機視覺模型進行迭代訓練，根據每個迭代訓練階段得到的訓練損失值對所述計算機視覺模型進行參數更新或結束訓練。

可選地，所述圖像識別結果包括圖像預測概率值，所述基于圖像識別結果對所述第一樣本圖像集中的樣本圖像進行分類，并基于統計分布函數分別選取各分類下的至少部分樣本圖像包括：

將所述圖像預測概率值與預設概率值進行比較，根據比較結果確定模糊樣本圖像和清晰樣本圖像；

基于正態分布概率模型分別對所述模糊樣本圖像和所述清晰樣本圖像進行樣本抽取。

可選地，所述根據選取的樣本圖像生成第二樣本圖像集包括：

根據所述圖像識別結果確定所述第二樣本圖像集中各樣本圖像的樣本屬性，以根據所述樣本屬性確定所述計算機視覺模型的訓練樣本權重。

可選地，所述根據所述圖像識別結果確定所述第二樣本圖像集中各樣本圖像的樣本屬性包括：

將所述第二樣本圖像集中各樣本圖像的圖像識別結果與圖像人工標注結果進行比較；

根據比較結果確定各樣本圖像的樣本難易屬性。

可選地，所述根據比較結果確定各樣本圖像的樣本難易屬性包括：

若比較結果表征的差異度大于預設閾值，則確定相應的樣本圖像的樣本難易屬性為困難，否則為常規；

所述根據所述圖像識別結果確定所述第二樣本圖像集中各樣本圖像的樣本屬性還包括：

將樣本難易屬性為困難的各樣本圖像的比較結果作為相應的樣本圖像的標注差異屬性。