【技术实现步骤摘要】
网络训练方法及装置、图像识别方法及装置
本公开涉及计算机
,尤其涉及一种网络训练方法及装置、图像识别方法及装置。
技术介绍
在计算机视觉等领域,经常需要对图像中的目标(例如人脸)进行识别。例如,在智能视频监控系统中,可通过对图像中的目标样本与候选样本之间的相似性进行度量,从大量候选样本中找出目标样本。随着监控设备的快速发展,每天会产生大量的目标(例如人脸)数据,利用这些数据来进行持续训练模型成为业界的紧迫需求。然而在相关技术中,通常利用大量数据进行一次性的多任务模型训练,训练时效性较差,无法满足精度需求。
技术实现思路
本公开提出了一种网络训练及图像识别技术方案。根据本公开的一方面,提供了一种网络训练方法,包括:将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;根据所述第n个任务的第一目标梯度,训练所述神经网络。 ...
【技术保护点】
1.一种网络训练方法,其特征在于,包括:/n将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;/n将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;/n根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;/n根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;/n根据所述第n个任务的第一目标梯度,训练所述神经网络。/n
【技术特征摘要】
1.一种网络训练方法,其特征在于,包括:
将N个任务的第n个任务的多个第一样本图像输入第n-1个任务训练后的神经网络中处理,得到多个第一处理结果,1<n≤N,n,N为整数;
将所述N个任务的前n-1个任务的n-1组第二样本图像输入所述神经网络中处理,得到n-1组第二处理结果;
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度;
根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度;
根据所述第n个任务的第一目标梯度,训练所述神经网络。
2.根据权利要求1所述的方法,其特征在于,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定所述神经网络针对所述第n个任务的第一梯度、针对所述前n-1个任务的第一共享梯度以及针对所述前n-1个任务中每个任务的第一场景梯度,包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,确定所述神经网络针对所述第n个任务的第一梯度;
根据所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,确定所述神经网络针对所述前n-1个任务的第二梯度;
根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度。
3.根据权利要求2所述的方法,其特征在于,根据所述前n-1个任务的第二梯度,确定所述前n-1个任务的第一共享梯度以及所述前n-1个任务中每个任务的第一场景梯度,包括:
根据所述前n-1个任务的第二梯度的平均值,确定所述前n-1个任务的第一共享梯度;
根据所述前n-1个任务中各个所述任务的第二梯度与所述第一共享梯度之间的差值,确定各个所述任务的第一场景梯度。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述前n-1个任务的第一场景梯度正交。
5.根据权利要求1-3中任意一项所述的方法,其特征在于,根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述前n-1个任务中每个任务的第一场景梯度,确定所述第n个任务的第一目标梯度,包括:
对所述前n-1个任务的第一场景梯度进行主成分分析,从所述前n-1个任务的第一场景梯度中确定出q个第一场景梯度,q为正整数且q<n-1;
根据所述第n个任务的第一梯度、所述前n-1个任务的第一共享梯度及所述q个第一场景梯度,确定所述第n个任务的第一目标梯度,
其中,所述第一目标梯度与所述第一共享梯度的方向相同,且所述第一目标梯度与所述q个第一场景梯度正交。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述神经网络包括多个网络层,所述方法还包括:
根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所述n-1组第二处理结果,分别确定各个所述网络层针对所述第n个任务的第三梯度、针对所述前n-1个任务的第二共享梯度以及针对所述前n-1个任务中每个任务的第二场景梯度;
根据所述第n个任务的第三梯度、所述前n-1个任务的第二共享梯度及所述前n-1个任务中每个任务的第二场景梯度,确定各个所述网络层针对所述第n个任务的第二目标梯度;
根据各个所述网络层针对所述第n个任务的第二目标梯度,训练所述神经网络的各个所述网络层。
7.根据权利要求6所述的方法,其特征在于,根据所述多个第一样本图像的标注结果及所述多个第一处理结果,所述n-1组第二样本图像的标注结果及所...
【专利技术属性】
技术研发人员:唐诗翔,陈大鹏,赵瑞,陈肇康,艾春伶,
申请(专利权)人:深圳市商汤科技有限公司,
类型:发明
国别省市:广东;44
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。