【技术实现步骤摘要】
一种多任务模型的训练方法、装置及存储介质
本申请涉及人工神经网络
，尤其涉及一种多任务模型的训练方法、装置及计算机存储介质。
技术介绍
在高级驾驶辅助系统(“AdvancedDriverAssistanceSystem，ADAS)中，一个非常的矛盾是有限的计算资源以及日益增长的视觉感知任务。受限于有限的算力，在主板上运行多种感知任务，一方面会使得每个感知任务的精度下降，另一方面会降低感知系统的实时性。目前，普遍的解决方案是使用多任务模型(网络)进行训练和部署：通过一个骨干网络表达若干个任务共有的特征，然后针对各个任务的特点，在骨干网络的末端接上对应的分支网络，用于产生相应任务的感知输出。
技术实现思路
上述解决方案存在当各个任务所需的图像特征存在互斥的情况时，通过一个骨干网络提取多个任务所需的特征会使得各个任务的感知性能大幅度下降的问题；同时，感知系统容易受到多任务网络分支配置的影响。为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种多任务模型的训练方法、装置及计算机存储介...
【技术保护点】
1.一种多任务模型的训练方法，包括：/n利用第一训练图像集对骨干网络进行训练，以得到经训练的骨干网络；/n根据预设类别任务间的关联性进行分支网络的整合，得到多分支网络，所述多分支网络中每一个分支网络分别对应不同的关联任务；/n利用已训练的所述骨干网络对第二训练图像集进行处理，以得到所述第二训练图像集中每一样本图像对应的特征图；/n利用所述每一样本图像对应的特征图对所述多分支网络进行训练。/n
【技术特征摘要】
1.一种多任务模型的训练方法，包括：
利用第一训练图像集对骨干网络进行训练，以得到经训练的骨干网络；
根据预设类别任务间的关联性进行分支网络的整合，得到多分支网络，所述多分支网络中每一个分支网络分别对应不同的关联任务；
利用已训练的所述骨干网络对第二训练图像集进行处理，以得到所述第二训练图像集中每一样本图像对应的特征图；
利用所述每一样本图像对应的特征图对所述多分支网络进行训练。
2.根据权利要求1所述的方法，其中，所述利用所述每一样本图像对应的特征图对所述多分支网络进行训练，包括：
利用所述多分支网络中不同分支网络分别对所述每一样本图像对应的特征图进行预测，得到对应不同分支网络的预测结果；
基于特定损失函数分别计算所述对应不同分支网络的预测结果与所述训练图像对应的真值之间的损失值；
根据所计算得到的对应不同分支网络的损失值更新所述骨干网络和/或多分支网络的模型参数；
利用所述特征图对所述多分支网络进行训练，并在训练效果达到预设训练条件时停止训练，得到所述训练好的多任务模型。
3.根据权利要求2所述的方法，其中，所述利用所述多分支网络中不同分支网络分别对所述每一样本图像对应的特征图进行预测，得到对应不同分支网络的预测结果，包括：
利用对应语义分割任务的分支网络对所述每一样本图像对应的特征图进行预测，得到对应所述训练图像或特征变换后的训练图像中每一个像素点对应类别的预测结果；
或，利用对应检测任务的分支网络对所述每一样本图像对应的特征图进行预测，得到对应所述训练图像中检测目标的类别及坐标的预测结果。
4.根据权利要求1所述的方法，其中，所述根据预设类别任务间的关联性进行分支网络的整合，包括：
通过单任务模型对不同类别的任务进行训练的方式确定关联任务；
将所确定的关联任务合并到同一个分支网络中，以进行分支网络的整合。
5.根据权利要求4所述的方法，其中，通过单任务模型对不同类别的任务进行训练的方式确定关联任务，包括：
选取预设类别任务中一特定任务的分支网络与所述骨干网络形成一个单任务模型；
将对应于所述特定任务的训练数据通过所述单任务模型进行预训练，得到第一损失值；
根据所述第一损失值调整所述骨干网络的权重；
将权重调整后的骨干网络和预设类别的任务中除所述特定任务...
【专利技术属性】
技术研发人员：谢粤超，
申请(专利权)人：深圳地平线机器人科技有限公司，
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。