【技术实现步骤摘要】
模型训练方法、装置、计算机设备及计算机可读存储介质
[0001]本申请涉及人工智能
,特别是涉及一种模型训练方法
、
装置
、
计算机设备及计算机可读存储介质
。
技术介绍
[0002]随着计算机技术的发展,神经网络模型被广泛的应用于对图像进行语义分割,语义分割是指对图像中的像素点进行图像类别上的分类,为了使神经网络模型的输出结果更加准确,使用之前需要对神经网络模型进行训练
。
[0003]传统技术中,对大量的图像进行人工标注,得到训练图像,然后使用训练图像对神经网络模型进行训练,以得到准确度较高的神经网络模型,由于人工标注需要花费大量的时间,导致神经网络模型的训练效率低下
。
技术实现思路
[0004]基于此,有必要针对上述技术问题,提供一种模型训练方法
、
装置
、
计算机设备
、
计算机可读存储介质及计算机程序产品,能够实现提高模型训练效率
。
[0005]第一方面,本申请提供了一种模型训练方法,包括:
[0006]获取多张训练图像和多张候选图像;
[0007]将训练图像输入至初始语义分割模型,得到第一预测矩阵;将候选图像输入至初始语义分割模型,得到第二预测矩阵;
[0008]基于候选图像对应的第二预测矩阵,确定候选图像的预测差异度;
[0009]基于候选图像对应的第二预测矩阵与训练图像对应的第一预测矩阵;确定候选图像与多张训练图像
【技术保护点】
【技术特征摘要】
1.
一种模型训练方法,其特征在于,包括:获取多张训练图像和多张候选图像;将所述训练图像输入至初始语义分割模型,得到第一预测矩阵;将所述候选图像输入至所述初始语义分割模型,得到第二预测矩阵;基于所述候选图像对应的第二预测矩阵,确定所述候选图像的预测差异度;基于所述候选图像对应的第二预测矩阵与所述训练图像对应的第一预测矩阵,确定所述候选图像与多张所述训练图像的特征相似度;基于各张所述候选图像的预测差异度和特征相似度,确定目标图像;基于所述目标图像,对所述初始语义分割模型进行训练,得到目标语义分割模型
。2.
根据权利要求1所述的方法,其特征在于,所述基于所述候选图像对应的第二预测矩阵,确定所述候选图像的预测差异度,包括:基于所述候选图像对应的第二预测矩阵,确定各个图像类别对应的平均概率;所述第二预测矩阵为三维矩阵,所述第二预测矩阵中的元素值表征所述候选图像中的像素点所对应的图像类别的概率;从各个所述图像类别对应的平均概率中筛选出第一平均概率和第二平均概率;将所述第一平均概率与所述第二平均概率之间的差异,确定为所述候选图像的预测差异度
。3.
根据权利要求1所述的方法,其特征在于,所述基于所述候选图像对应的第二预测矩阵与所述训练图像对应的第一预测矩阵,确定所述候选图像与多张所述训练图像的特征相似度,包括:基于预测矩阵,对图像进行特征提取,得到所述图像对应的特征矩阵;所述预测矩阵包括所述训练图像对应的第一预测矩阵和所述候选图像对应的第二预测矩阵;当所述预测矩阵为所述第一预测矩阵时,得到所述训练图像对应的第一特征矩阵;当所述预测矩阵为所述第二预测矩阵时,得到所述候选图像对应的第二特征矩阵;基于所述第二特征矩阵与所述第一特征矩阵,确定所述候选图像与所述训练图像之间的相似度;将多个相似度中最小的相似度确定为所述候选图像与多张所述训练图像的特征相似度,多个所述相似度与多张所述训练图像一一对应
。4.
根据权利要求3所述的方法,其特征在于,所述基于预测矩阵,对图像进行特征提取,得到所述图像对应的特征矩阵,包括:基于预测矩阵,确定图像对应的标签矩阵;对所述预测矩阵进行降维转换,得到预测降维矩阵;对所述标签矩阵进行降维转换,得到标签降维矩阵;对所述标签降维矩阵进行转置处理,得到标签转置矩阵;对所述预测降维矩阵和所述标签转置矩阵进行融合处理,得到所述图像对应的特征矩阵
。5.
根据权利要求4所述的方法,其特征在于,所述基于预测矩阵,确定图像...
【专利技术属性】
技术研发人员:颜泽鑫,刘枢,吕江波,沈小勇,田倬韬,
申请(专利权)人:北京思谋智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。