训练方法、预测方法、装置、电子设备以及存储介质.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CN113657249A(43)申请公布日2021.11.16(21)申请号202110934297.9(22)申请日2021.08.13(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人范彦文温圣召张刚冯浩城(74)专利代理机构中科专利商标代理有限责任公司11021代理人吕朝蕙(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书4页说明书15页附图8页(54)发明名称训练方法、预测方法、装置、电子设备以及存储介质(57)摘要本公开提供了一种训练方法、预测方法、装置、电子设备以及存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸识别等场景下。具体实现方案为：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景；在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件。CN113657249ACN113657249A权利要求书1/4页1.一种预设模型的训练方法，包括：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个所述场景样本集对应一个场景；在确定不满足相似度条件的情况下，根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及基于所述调整后的损失函数，利用所述多个场景样本集训练所述预设模型直至满足所述相似度条件。2.根据权利要求1所述的方法，其中，所述基于所述调整后的损失函数，利用所述多个场景样本集，训练所述预设模型的模型参数，直至满足所述相似度条件包括重复执行以下操作，直至满足所述相似度条件：基于所述调整后的损失函数，利用所述多个场景样本集，调整所述预设模型的模型参数，得到新的预设模型；基于所述新的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的新的目标正样本相似度和新的目标负样本相似度；在确定不满足所述相似度条件的情况下，根据与多个所述场景中的每个场景对应的新的目标正样本相似度和新的目标负样本相似度，分别调整与所述新的预设模型对应的损失函数中与所述场景对应的新的正样本场景阈值和与所述场景对应的新的负样本场景阈值。3.根据权利要求1或2所述的方法，其中，所述确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，包括：针对M轮模型训练中的每轮模型训练，基于与该轮模型训练对应的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的正样本平均相似度和负样本平均相似度，其中，M是大于或等于2的整数；根据与所述多个场景样本集中的每个场景样本集对应的M个所述正样本平均相似度和M个所述负样本平均相似度，确定与所述场景样本集对应的正样本平均相似度的平均值和负样本平均相似度的平均值；将与所述场景样本集对应的正样本平均相似度的平均值确定为与所述场景样本集对应的目标正样本相似度；以及将与所述场景样本集对应的负样本平均相似度的平均值确定为与所述场景样本集对应的目标负样本相似度。4.根据权利要求1～3中任一项所述的方法，其中，所述根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，包括：根据多个所述目标正样本相似度，确定全局正样本相似度；根据多个所述目标负样本相似度，确定全局负样本相似度；针对多个所述场景中的每个场景，根据所述全局正样本相似度和与所述场景对应的目标正样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及根据所述全局负样本相似度和与所述场景对应的目标负样本相似度，调整与所述预设2CN113657249A权利要求书2/4页模型对应的损失函数中与所述场景对应的负样本场景阈值。5.根据权利要求4所述的方法，其中，所述根据所述全局正样本相似度和与所述场景对应的目标正样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值，包括：在确定所述全局正样本相似度大于与所述场景对应的目标正样本相似度的情况下，增大与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及在确定所述全局正样本相似度小于与所述场景对应