图像处理模型的训练方法和装置、存储介质及电子设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114330744A(43)申请公布日2022.04.12(21)申请号202111605270.1(22)申请日2021.12.24(71)申请人浙江大华技术股份有限公司地址310051浙江省杭州市滨江区滨安路1187号(72)发明人江俊林朱树磊殷俊(74)专利代理机构北京康信知识产权代理有限责任公司11240代理人周婷婷(51)Int.Cl.G06N20/00(2019.01)G06V10/774(2022.01)G06V10/764(2022.01)权利要求书2页说明书11页附图4页(54)发明名称图像处理模型的训练方法和装置、存储介质及电子设备(57)摘要本发明公开了一种图像处理模型的训练方法和装置、存储介质及电子设备。其中，该方法包括：获取每个训练样本在每个迭代周期内进行模拟训练后得到的样本损失值；根据获取到的训练样本在多个迭代周期内得到的多个样本损失值，确定训练样本所属的样本类型，其中，样本类型用于指示训练样本在模拟训练中达到收敛条件的收敛程度；为目标样本类型的目标训练样本添加关注标记，并利用目标训练样本对原始模型进行模型训练，直至得到达到与目标样本类型相匹配的第二收敛条件的目标模型，其中，关注标记用于指示增加目标训练样本在每个迭代周期内的模型训练中的训练权重。本发明解决了模型训练不当导致的图像处理模型性能不佳的技术问题。CN114330744ACN114330744A权利要求书1/2页1.一种图像处理模型的训练方法，其特征在于，包括：获取每个训练样本在每个迭代周期内进行模拟训练后得到的样本损失值，其中，所述模拟训练为利用所述训练样本对原始模型进行多次迭代训练，直至所述原始模型的模型损失值达到第一收敛条件；根据获取到的所述训练样本在多个所述迭代周期内得到的多个样本损失值，确定所述训练样本所属的样本类型，其中，所述样本类型用于指示所述训练样本在模拟训练中达到收敛条件的收敛程度；为目标样本类型的目标训练样本添加关注标记，并利用所述目标训练样本对所述原始模型进行模型训练，直至得到达到与所述目标样本类型相匹配的第二收敛条件的目标模型，其中，所述关注标记用于指示增加所述目标训练样本在每个迭代周期内的模型训练中的训练权重。2.根据权利要求1所述的方法，其特征在于，所述根据获取到的所述训练样本在多个所述迭代周期内得到的多个样本损失值，确定所述训练样本所属的样本类型包括：根据每个所述训练样本在所述模拟训练的每个迭代周期的样本损失值，绘制每个所述训练样本的迭代损失图，其中，所述迭代损失图用于指示所述训练样本的样本损失值与所述模拟训练的迭代周期的对应关系；根据每个所述训练样本的迭代损失图所指示的样本模拟损失值，确定所述训练样本的样本类型。3.根据权利要求2所述的方法，其特征在于，所述根据每个所述训练样本的迭代损失图所指示的样本模拟损失值，确定所述训练样本的样本类型包括：在所述训练样本的样本模拟损失值小于第一阈值的情况下，确定所述训练样本属于第一样本类型，其中，所述第一样本类型在所述模拟训练中完成收敛；在所述训练样本的样本模拟损失值大于第二阈值的情况下，确定所述训练样本属于噪声样本类型，其中，所述第二阈值大于所述第一阈值；在所述训练样本的样本模拟损失值大于等于所述第一阈值且小于等于所述第二阈值的情况下，确定所述训练样本属于关注样本类型，其中，所述关注样本类型在所述模拟训练中未完成收敛。4.根据权利要求3所述的方法，其特征在于，根据每个所述训练样本的迭代损失图所指示的样本模拟损失值，确定所述训练样本的样本类型包括：计算所述关注样本类型的训练样本的收敛损失均值，其中，所述收敛损失均值为所述训练样本在达到收敛条件下的样本损失值的均值；根据所述关注样本类型的训练样本的收敛损失均值确定目标分割阈值；将所述关注样本类型中样本模拟损失值小于所述目标分割阈值的训练样本，确定为所述目标样本类型的所述目标训练样本。5.根据权利要求3所述的方法，其特征在于，根据每个所述训练样本的迭代损失图所指示的样本模拟损失值，确定所述训练样本的样本类型包括：按照所述样本模拟损失值，对所述关注样本类型的训练样本进行排序，得到关注样本序列；将所述关注样本序列中位于目标序位的训练样本作为所述目标样本类型的初始目标2CN114330744A权利要求书2/2页训练样本。6.根据权利要求5所述的方法，其特征在于，所述为目标样本类型的目标训练样本添加关注标记，并利用所述目标训练样本对所述原始模型进行模型训练包括：为所述初始目标训练样本添加所述关注标记，并利用添加所述关注标记的所述初始目标训练样本对所述原始模型进行第一迭代训练；获取所述关注样本类型的训练样本基于所述第一迭代模型训练得到的第一迭代样本损失值；将所