深度学习模型训练方法及装置、训练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学习模型训练方法及装置、训练设备及存储介质。所述深度学习模型训练方法，包括：利用训练图像对深度学习模型进行训练，获得所述深度学习模型输出的训练特征；利用辅助训练模块对所述训练特征进行转换处理，得到转换特征；基于所述转换特征确定损失值；基于所述损失值，确定是否继续训练所述深度学习模型。

【技术实现步骤摘要】
深度学习模型训练方法及装置、训练设备及存储介质
本专利技术涉及信息
，尤其涉及一种深度学习模型训练方法及装置、训练设备及存储介质。
技术介绍
在安防领域、动作分析领域等都会需要对图像中的人像等目标检测，然后基于目标检测进行目标行为分析、目标跟踪等后续处理。在相关技术中一般使用深度学习模型等进行图像中目标检测。一般深度学习模型在上线之前需要利用训练图像进行训练。在一些应用场景下，若基于模型本身只能进行无监督的训练，而无监督的训练方式，一方面难以确保深度学习模型上线之后的处理精确度，另一方面为了提升确保精确度，开发者可能会有过度训练的倾向，而这导致了不必要的训练，从而使得训练效率也降低了。
技术实现思路
本专利技术实施例期望提供一种深度学习模型训练方法及装置、训练设备及存储介质。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：利用训练图像对深度学习模型进行训练，获得所述深度学习模型输出的训练特征；利用辅助训练模块对所述训练特征进行转换处理，得到转换特征；基于所述转换特征确定损失值；基于所述损失值，确定是否继续训练所述深度学习模型。基于上述方案，所述利用训练图像对深度学本文档来自技高网...

【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：利用训练图像对深度学习模型进行训练，获得所述深度学习模型输出的训练特征；利用辅助训练模块对所述训练特征进行转换处理，得到转换特征；基于所述转换特征确定损失值；基于所述损失值，确定是否继续训练所述深度学习模型。

【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：利用训练图像对深度学习模型进行训练，获得所述深度学习模型输出的训练特征；利用辅助训练模块对所述训练特征进行转换处理，得到转换特征；基于所述转换特征确定损失值；基于所述损失值，确定是否继续训练所述深度学习模型。2.根据权利要求1所述的方法，其特征在于，所述利用训练图像对深度学习模型进行训练，获得所述深度学习模型输出的训练特征，包括：利用所述训练图像对所述深度学习模型进行训练，获得所述深度学习模型输出的第一类特征和第二类特征；所述利用辅助训练模块对所述训练特征进行转换处理，得到转换特征，包括：利用所述辅助训练模块基于第一类特征选择部分所述第二类特征进行转换处理，得到所述转换特征。3.根据权利要求2所述的方法，其特征在于，所述利用所述辅助训练模块基于第一类特征选择部分所述第二类特征进行转换处理，得到所述转换特征，包括：根据第一类特征图像包含所述第一类特征和特征阈值的比较结果，生成特征蒙版；基于所述特征蒙版从所述第二类特征中选择进行转换处理的所述第二类特征。4.根据权利要求3所述的方法，其特征在于，所述根据第一类特征图像包含所述第一类特征和特征阈值的比较结果，生成特征蒙版，包括：将第一类特征图中第i个像素的所述第一类特征与所述特征阈值进行比较，所述i为像素编号；若第i个像素的所述第一类特征大于所述特征阈值，则所述特征蒙版中第i个像素的像素值为第一取值；和/或若第i个像素的所述第一类特征小于或等于所述特征阈值，则所述特...

【专利技术属性】
技术研发人员：金晟，刘文韬，钱晨，
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