模型训练方法、训练装置、电子设备和可读存储介质.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CN113822348A(43)申请公布日2021.12.21(21)申请号202111069317.7(22)申请日2021.09.13(71)申请人深圳中兴网信科技有限公司地址518109广东省深圳市龙华区民治街道北站社区汇隆商务中心2号楼2801(72)发明人罗安华邢军华(74)专利代理机构北京友联知识产权代理事务所(普通合伙)11343代理人尚志峰王淑梅(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书14页附图4页(54)发明名称模型训练方法、训练装置、电子设备和可读存储介质(57)摘要本发明提出了一种模型训练方法、训练装置、电子设备和可读存储介质，其中，模型训练方法，包括：获取N个图像数据，根据N个图像数据生成第一数据集，N为大于1的整数；将N个图像数据中的第一特征更新为第二特征，并根据更新后的N个图像数据生成第二数据集；根据第一数据集和第二数据集得到目标数据集，通过目标数据集训练检测模型。本发明平衡了用于训练模型的数据集中的各个不同种类的特征的数量比例，由于本申请仅对第一特征更新转化为第二特征，不会对图像数据中其他图像特征产生影响，提高了最终训练得到的检测模型对待检测物体的识别准确性。CN113822348ACN113822348A权利要求书1/2页1.一种模型训练方法，其特征在于，包括：获取N个图像数据，根据所述N个图像数据生成第一数据集，N为大于1的整数；将所述N个图像数据中的第一特征更新为第二特征，并根据更新后的N个图像数据生成第二数据集；根据所述第一数据集和所述第二数据集得到目标数据集，通过所述目标数据集训练检测模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述N个图像数据生成第一数据集，包括：通过第一标记和第二标记，对所述N个图像数据中的所述第一特征和所述第二特征进行标注，以得到所述第一数据集。3.根据权利要求2所述的模型训练方法，其特征在于，所述将所述N个图像数据中的第一特征更新为第二特征，包括：识别所述N个图像数据中带有所述第一特征的M个待处理图像数据，M≤N；将所述M个待处理图像数据中的所述第一特征替换为第二特征，并将所述第一标记替换为所述第二标记，以得到M个目标图像数据；通过所述M个目标图像数据，更新所述N个图像数据。4.根据权利要求3所述的模型训练方法，其特征在于，所述将所述M个待处理图像数据中的所述第一特征替换为所述第二特征，包括：获取所述第一特征在所述M个目标图像数据中的位置信息和像素矩阵；根据所述像素矩阵，按照设定颜色模型生成所述第二特征；根据所述位置信息，将所述M个图像数据中的所述第一特征替换为所述第二特征。5.根据权利要求1至4中任一项所述的模型训练方法，其特征在于，所述通过所述目标数据集训练检测模型，包括：提取所述目标数据集中每个所述图像数据的特征向量；通过所述特征向量训练所述检测模型。6.根据权利要求5所述的模型训练方法，其特征在于，所述获取每个所述图像数据的特征向量，包括：将所述图像数据通过全局平均池化和全局最大池化进行空间压缩，以得到第一平均池化向量和第一最大池化向量；将所述第一平均池化向量和所述第一最大池化向量进行加权计算，以得到通道特征；根据所述通道特征确定所述特征向量。7.根据权利要求6所述的模型训练方法，其特征在于，所述根据所述通道特征确定所述特征向量，包括：对所述通道特征进行通道平均池化和通道最大池化，以得到第二平均池化向量和第二最大池化向量；将所述第二平均池化向量和所述第二最大池化向量进行加权计算，以得到所述特征向量。8.一种模型训练装置，其特征在于，包括：获取单元，用于获取N个图像数据，根据所述N个图像数据生成第一数据集，N为大于1的2CN113822348A权利要求书2/2页整数；更新单元，用于将所述N个图像数据中的第一特征更新为第二特征，并根据更新后的N个图像数据生成第二数据集；训练单元，用于根据所述第一数据集和所述第二数据集得到目标数据集，通过所述目标数据集训练检测模型。9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7任一项所述模型训练方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述模型训练方法的步骤。3CN113822348A说明书1/14页模型训练方法、训练装置、电子设备和可读存储介质技术领域[0001]本发明属于检测模型技术领域，具体而言，涉及一种模型训练方法、训练装置