训练方法、预测方法、装置、电子设备以及存储介质制造方法及图纸

本公开提供了一种训练方法、预测方法、装置、电子设备以及存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸识别等场景下。具体实现方案为：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个场景样本集对应一个场景；在确定不满足相似度条件的情况下，根据与多个场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与预设模型对应的损失函数中与场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及基于调整后的损失函数，利用多个场景样本集训练预设模型直至满足相似度条件。至满足相似度条件。至满足相似度条件。

【技术实现步骤摘要】
训练方法、预测方法、装置、电子设备以及存储介质


[0001]本公开涉及人工智能
，具体为计算机视觉和深度学习
，可应用于人脸识别等场景下。具体地，涉及一种训练方法、预测方法、装置、电子设备以及存储介质。

技术介绍

[0002]随着近几年计算机视觉技术的发展，对象识别作为人工智能兴起后的一个重要方向，近年来的发展已经日趋成熟，被应用于各个领域，给人们的生活带来便利。在实际应用中，可以利用对象识别模型对场景数据进行识别。

技术实现思路

[0003]本公开提供了一种训练方法、预测方法、装置、电子设备以及存储介质。
[0004]根据本公开的一方面，提供了一种预设模型的训练方法，包括：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个上述场景样本集对应一个场景；在确定不满足相似度条件的情况下，根据与多个上述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与上述预设模型对应的损失函数中与上述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及基于上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预设模型的训练方法，包括：确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，其中，每个所述场景样本集对应一个场景；在确定不满足相似度条件的情况下，根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，得到调整后的损失函数；以及基于所述调整后的损失函数，利用所述多个场景样本集训练所述预设模型直至满足所述相似度条件。2.根据权利要求1所述的方法，其中，所述基于所述调整后的损失函数，利用所述多个场景样本集，训练所述预设模型的模型参数，直至满足所述相似度条件包括重复执行以下操作，直至满足所述相似度条件：基于所述调整后的损失函数，利用所述多个场景样本集，调整所述预设模型的模型参数，得到新的预设模型；基于所述新的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的新的目标正样本相似度和新的目标负样本相似度；在确定不满足所述相似度条件的情况下，根据与多个所述场景中的每个场景对应的新的目标正样本相似度和新的目标负样本相似度，分别调整与所述新的预设模型对应的损失函数中与所述场景对应的新的正样本场景阈值和与所述场景对应的新的负样本场景阈值。3.根据权利要求1或2所述的方法，其中，所述确定与多个场景样本集中的每个场景样本集对应的目标正样本相似度和目标负样本相似度，包括：针对M轮模型训练中的每轮模型训练，基于与该轮模型训练对应的预设模型，确定与所述多个场景样本集中的每个场景样本集对应的正样本平均相似度和负样本平均相似度，其中，M是大于或等于2的整数；根据与所述多个场景样本集中的每个场景样本集对应的M个所述正样本平均相似度和M个所述负样本平均相似度，确定与所述场景样本集对应的正样本平均相似度的平均值和负样本平均相似度的平均值；将与所述场景样本集对应的正样本平均相似度的平均值确定为与所述场景样本集对应的目标正样本相似度；以及将与所述场景样本集对应的负样本平均相似度的平均值确定为与所述场景样本集对应的目标负样本相似度。4.根据权利要求1～3中任一项所述的方法，其中，所述根据与多个所述场景中的每个场景对应的目标正样本相似度和目标负样本相似度，分别调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值和负样本场景阈值，包括：根据多个所述目标正样本相似度，确定全局正样本相似度；根据多个所述目标负样本相似度，确定全局负样本相似度；针对多个所述场景中的每个场景，根据所述全局正样本相似度和与所述场景对应的目标正样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及根据所述全局负样本相似度和与所述场景对应的目标负样本相似度，调整与所述预设
模型对应的损失函数中与所述场景对应的负样本场景阈值。5.根据权利要求4所述的方法，其中，所述根据所述全局正样本相似度和与所述场景对应的目标正样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值，包括：在确定所述全局正样本相似度大于与所述场景对应的目标正样本相似度的情况下，增大与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值；以及在确定所述全局正样本相似度小于与所述场景对应的目标正样本相似度的情况下，减小与所述预设模型对应的损失函数中与所述场景对应的正样本场景阈值。6.根据权利要求4或5所述的方法，其中，所述根据所述全局负样本相似度和与所述场景对应的目标负样本相似度，调整与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值，包括：在确定所述全局负样本相似度大于与所述场景对应的目标负样本相似度的情况下，减小与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值；以及在确定所述全局负样本相似度小于与所述场景对应的目标负样本相似度的情况下，增大与所述预设模型对应的损失函数中与所述场景对应的负样本场景阈值。7.根据权利要求1～6中任一项所述的方法，还包括：确定所述多个场景样本集中的每两个场景样本集之间的目标正样本相似度的第一差值的绝对值；确定所述多个场景样本集中的每两个场景样本集之间的目标负样本相似度的第二差值的绝对值；以及在确定存在所述第一差值的绝对值不属于第一差值范围且第二差值的绝对值不属于第二差值范围的情况下，确定不满足所述相似度条件。8.根据权利要求4～6中任一项所述的方法，还包括：针对所述多个场景样本集中的每个场景样本集，确定与所述场景样本集对应的目标正样本相似度与所述全局正样本相似度之间的第三差值的绝对值；确定与所述场景样本集对应的目标负样本相似度与所述全局负样本相似度之间的第四差值的绝对值；以及在确定存在所述第三差值的绝对值不属于第三差值范围且第四差值的绝对值不属于第四差值范围的情况下，确定不满足所述相似度条件。9.一种预测方法，包括：获取目标场景图像；将所述目标场景图像输入预设模型，得到对象识别结果；其中，所述预设模型是利用根据权利要求1～7中任一项所述的方法训练的。10.一种...

【专利技术属性】
技术研发人员：范彦文，温圣召，张刚，冯浩城，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：