深度模型训练方法及装置、电子设备及存储介质制造方法及图纸

本发明专利技术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。

Deep Model Training Method and Device, Electronic Equipment and Storage Media

【技术实现步骤摘要】
深度模型训练方法及装置、电子设备及存储介质
本专利技术涉及信息
，尤其涉及一种深度模型训练方法及装置、电子设备及存储介质。
技术介绍
深度学习模型可以通过训练集的训练之后，具有一定的分类或识别能力。所述训练集通常包括：训练数据及训练数据的标注数据。但是一般情况下，标注数据都需要人工进行手动标注。一方面纯手动标注所有的训练数据，工作量大、效率低，且标注过程中存在人工错误；另一方面，若需要实现高精度的标注，例如以图像领域的标注为例，需要实现像素级分割，纯人工标注要达到像素级分割，难度非常大且标注精度也难以保证。故基于纯人工标注的训练数据进行深度学习模型的训练，会存在训练效率低、训练得到的模型因为训练数据自身精度低导致模型的分类或识别能力精度达不到预期。
技术实现思路
有鉴于此，本专利技术实施例期望提供一种深度模型训练方法及装置、电子设备及存储介质。本专利技术的技术方案是这样实现的：一种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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李嘉辉，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11