识别模型的训练方法及装置、对象识别方法及装置制造方法及图纸

本公开提供了一种识别模型的训练方法及装置、对象识别方法及装置，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术领域。具体实现方案包括：利用全域样本数据进行针对预设初始识别模型的预训练，得到中间识别模型，全域样本数据为对数据来源不进行限定的样本数据；利用局域样本数据对中间识别模型进行调优，得到经训练的识别模型，其中，局域样本数据为对数据来源进行区域性限定的样本数据，全域样本数据和局域样本数据包含相同类型的待识别对象。别对象。别对象。

【技术实现步骤摘要】
识别模型的训练方法及装置、对象识别方法及装置


[0001]本公开涉及人工智能领域，尤其涉及计算机视觉和深度学习
，可应用于车辆识别场景下。

技术介绍

[0002]基于深度学习的对象识别任务包括对不同来源数据中的目标对象进行识别。但是，在一些场景下，在利用经训练的识别模型识别特定数据来源数据中的目标对象时，存在对象识别精度不高、识别效率低的现象。

技术实现思路

[0003]本公开提供了一种识别模型的训练方法及装置、对象识别方法及装置、电子设备、存储介质以及程序产品。
[0004]根据本公开的一方面，提供了一种识别模型的训练方法，包括：利用全域样本数据进行针对预设初始识别模型的预训练，得到中间识别模型，所述全域样本数据为对数据来源不进行限定的样本数据；利用局域样本数据对所述中间识别模型进行调优，得到经训练的识别模型。所述局域样本数据为对数据来源进行区域性限定的样本数据，所述全域样本数据和所述局域样本数据包含相同类型的待识别对象。
[0005]根据本公开的另一方面，提供了一种对象识别方法，包括：根据待识别数据的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别模型的训练方法，包括：利用全域样本数据进行针对预设初始识别模型的预训练，得到中间识别模型，所述全域样本数据为对数据来源不进行限定的样本数据；利用局域样本数据对所述中间识别模型进行调优，得到经训练的识别模型，其中，所述局域样本数据为对数据来源进行区域性限定的样本数据，所述全域样本数据和所述局域样本数据包含相同类型的待识别对象。2.根据权利要求1所述的方法，其中，所述利用全域样本数据进行针对预设初始识别模型的预训练，得到中间识别模型，包括：将所述全域样本数据输入所述初始识别模型，得到与所述待识别对象关联的全域对象特征；基于所述全域对象特征识别所述待识别对象，得到中间识别结果；以及根据所述中间识别结果调整所述初始识别模型的参数，得到所述中间识别模型。3.根据权利要求2所述的方法，其中，所述利用局域样本数据对所述中间识别模型进行调优，得到经训练的识别模型，包括：将所述局域样本数据输入所述中间识别模型，得到与所述待识别对象关联的局域对象特征；利用所述局域对象特征对所述全域对象特征进行增强，得到增强后的对象特征；基于所述增强后的对象特征识别所述待识别对象，得到对象识别结果；以及根据所述对象识别结果调整所述中间识别模型的参数，得到所述经训练的识别模型。4.根据权利要求3所述的方法，其中，所述利用所述局域对象特征对所述全域对象特征进行增强，得到增强后的对象特征，包括：对具有相同特征属性的局域对象特征和全域对象特征进行加权平均，得到加权后的对象特征；以及利用所述加权后的对象特征替换对应的全域对象特征，以得到所述增强后的对象特征。5.根据权利要求3所述的方法，其中，所述利用所述局域对象特征对所述全域对象特征进行增强，得到增强后的对象特征，包括：对具有相同特征属性的局域对象特征和全域对象特征进行相似度计算，得到每个局域对象特征与对应全域对象特征之间的相似度；根据与所述每个局域对象特征关联的相似度，针对所述每个局域对象特征分配权重，得到加权后的局域对象特征；将所述全域对象特征和所述加权后的局域对象特征，作为所述增强后的对象特征。6.根据权利要求5所述的方法，其中，所述基于所述增强后的对象特征识别所述待识别对象，得到对象识别结果，以及根据所述对象识别结果调整所述中间识别模型的参数，得到所述经训练的识别模型，包括：基于所述全域对象特征识别局部区域内的待识别对象，得到与所述中间识别模型关联的全域损失函数；基于所述加权后的局域对象特征识别所述局部区域内的待识别对象，得到与所述中间识别模型关联的局域损失函数；
根据所述全域损失函数和所述局域损失函数，调整所述中间识别模型的参数，直至满足预设训练终止条件，得到所述经训练的识别模型，其中，所述局部区域包括所述局域样本数据的数据来源。7.根据权利要求3所述的方法，其中，在所述中间识别模型包括注意力机制网络的情况下，所述利用所述局域对象特征对所述全域对象特征进行增强，得到增强后的对象特征，包括：利用所述注意力机制网络对每个局域对象特征分配权重，得到与所述每个局域对象特征关联的权重标记；根据与所述每个局域对象特征关联的权重标记，确定所述局域对象特征之间的特征属性关系；根据与所述每个局域对象特征关联的权重标记和所述局域对象特征之间的特征属性关系，生成局域对象注意力特征集；以及将所述局域对象注意力特征集和所述全域对象特征，作为所述增强后的对象特征。8.根据权利要求2所述的方法，其中，所述中间识别模型包括特征提取网络和分类网络，所述特征提取网络包括至少一个卷积层；所述根据所述对象识别结果调整所述中间识别模型的参数，得到所述经训练的识别模型，包括：依次对所述至少一个卷积层中的每个卷积层新增至少一个卷积核，得到调优识别模型；将所述局域样本数据输入所述调优识别模型，得到与所述待识别对象关联的局域对象特征；根据所述全域对象特征和所述局域对象特征，对所述调优识别模型中的新增卷积核进行更新，直至所述全域对象特征和所述局域对象特征满足预设收敛条件；以及将所述全域对象特征和所述局域对象特征满足预设收敛条件时所对应的调优识别模型，作为所述对象识别模型。9.一种对象识别方法，包括：根据待识别数据的数据来源，确定与所述数据来源关联的目标识别模型；以及将所述待识别数据输入所述目标识别模型，得到基于预设目标对象的识别结果，其中，所述目标识别模型是根据权利要求1至8中任一项所述方法训练得到的。10.根据权利要求9所述的方法，其中，所述目标识别模型是基于全域样本数据和局域样本数据训练得到的；所述全域样本数据为对数据来源不进行限定的样本数据，所述局域样本数据为对数据来源进行区域性限定的样本数据；所述局域样本数据的数据来源与所述待识别数据的数据来源相对应。11.一种识别模型的训练装置，包括：第一处理模块，用于利用全域样本数据进行针对预设初始识别模型的预训练，得到中间识别模型，所述全域样本数据为对数据来源不进行限定的样本数据；第二处理模块，用于利用局域样本数据对所述中间识别模型进行调优，得到经训练的
识别模型，其中，所述局域样本数据为对数据来源进行区域性限定的样本数据，所述全域样本数据和所述局域样本数据包含相同类型的待识别对象。12...

【专利技术属性】
技术研发人员：于越，孙昊，谭啸，
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：