深度模型训练方法及装置、电子设备及存储介质.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CN109740668A(43)申请公布日2019.05.10(21)申请号201811646736.0(22)申请日2018.12.29(71)申请人北京市商汤科技开发有限公司地址100084北京市海淀区中关村东路1号院3号楼7层710-712房间(72)发明人李嘉辉(74)专利代理机构北京派特恩知识产权代理有限公司11270代理人蒋雅洁张颖玲(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书10页附图3页(54)发明名称深度模型训练方法及装置、电子设备及存储介质(57)摘要本发明实施例公开了一种深度模型训练方法及装置、电子设备及存储介质。所述深度学习模型训练方法，包括：获取第一模型输出的第n+1第一标注信息，所述第一模型已经过n轮训练；以及，获取第二模型输出的第n+1第二标注信息，所述第二模型已经过n轮训练；n为大于1的整数；基于所述训练数据及所述第n+1第一标注信息，生成第二模型的第n+1训练集，并基于所述训练数据及所述第n+1第二标注信息，生成所述第一模型的第n+1训练集；将所述第二模型的第n+1训练集输入至所述第二模型，对所述第二模型进行第n+1轮训练；将所述第一模型的第n+1训练集输入至所述第一模型，对所述第一模型进行第n+1轮训练。CN109740668ACN109740668A权利要求书1/2页1.一种深度学习模型训练方法，其特征在于，包括：获取第一模型输出的第n+1第一标注信息，所述第一模型经过n轮训练；以及，获取第二模型输出的第n+1第二标注信息，所述第二模型已经过n轮训练；n为大于1的整数；基于所述训练数据及所述第n+1第一标注信息，生成第二模型的第n+1训练集，并基于所述训练数据及所述第n+1第二标注信息，生成所述第一模型的第n+1训练集；将所述第二模型的第n+1训练集输入至所述第二模型，对所述第二模型进行第n+1轮训练；将所述第一模型的第n+1训练集输入至所述第一模型，对所述第一模型进行第n+1轮训练。2.根据权利要求1所述的方法，其特征在于，所述方法包括：确定n是否小于N，N为最大训练轮数；所述获取第一模型输出的第n+1第一标注信息，以及，获取第二模型输出的第n+1第二标注信息，包括：若n小于N，获取第一模型输出的第n+1第一标注信息，以及，获取第二模型输出的第n+1第二标注信息。3.根据权利要求1或2所述的方法，其特征在于，所述方法包括：获取所述训练数据及所述训练数据的初始标注信息；基于所述初始标注信息，生成所述第一模型的第一训练集和所述第二模型的第一训练集。4.根据权利要求3所述的方法，其特征在于，所述获取所述训练数据及所述训练数据的初始标注信息，包括：获取包含有多个分割目标的训练图像及所述分割目标的外接框；所述基于所述初始标注信息，生成所述第一模型的第一训练集和所述第二模型的第一训练集，包括：基于所述外接框，在所述外接框内绘制与所述分割目标形状一致的标注轮廓；基于所述训练数据及所述标注轮廓，生成所述第一模型的第一训练集及所述第二模型的第一训练集。5.根据权利要求4所述的方法，其特征在于，所述基于所述初始标注信息，生成所述第一模型的第一训练集和所述第二模型的第一训练集，还包括：基于所述外接框，生成具有重叠部分的两个所述分割目标的分割边界；基于所述训练数据及所述分割边界，生成所述第一模型的第一训练集和所述第二模型的第一训练集。6.根据权利要求4所述的方法，其特征在于，所述基于所述外接框，在所述外接框内绘制与所述分割目标形状一致的标注轮廓，包括：基于所述外接框，在所述外接框内绘制与细胞形状一致的所述外接框的内接椭圆。7.一种深度学习模型训练装置，其特征在于，包括：标注模块，用于获取第一模型输出的第n+1第一标注信息，所述第一模型经过n轮训练；以及，获取第二模型输出的第n+1第二标注信息，所述第二模型已经过n轮训练；n为大于1的整数；2CN109740668A权利要求书2/2页第一生成模块，用于基于所述训练数据及所述第n+1第一标注信息，生成第二模型的第n+1训练集，并基于所述训练数据及所述第n+1第二标注信息，生成所述第一模型的第n+1训练集；训练模块，用于将所述第二模型的第n+1训练集输入至所述第二模型，对所述第二模型进行第n+1轮训练；将所述第一模型的第n+1训练集输入至所述第一模型，对所述第一模型进行第n+1轮训练。8.根据权利要求7所述的装置，其特征在于，所述装置包括：确定模块，用于确定n是否小于N，N为最大训练轮数；所述标注模块，用于若n小于N，获取第一模型输出的第n+1第一标注信息，以及，获取第二模型输出的第n+1第二标注信息。9.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指