【技术实现步骤摘要】
一种模型训练方法及装置
[0001]本专利技术涉及数据处理
，尤其涉及一种模型训练方法及装置。
技术介绍
[0002]深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，已远超过相关传统技术。
[0003]深度学习在ADAS系统中应用广泛，尤其是基于目标检测的深度学习算法，是完成基于图像的车辆检测、行人检测、车道线检测等多种任务的技术基础。在实际应用中，ADAS使用场景非常复杂，需要提高目标检测模型的泛化能力。
[0004]现有技术中，可以通过以下角度训练模型从而提高模型的泛化能力，所述角度包括：数据角度、模型设计角度和模型训练角度等。但是在实际应用中，虽然上述模型训练方法无法实现模型的不断迭代优化、存在效率低下的问题。
技术实现思路
[0005]本专利技术实施例提供一种模型训练...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：当判定待训练模型处于新增样本的过程中时，计算新增样本数量度量和新增样本目标特征差异性度量；根据所述新增样本数量度量和所述新增样本目标特征差异性度量，计算综合度量；当判定所述综合度量大于第一预设数值时，训练所述待训练模型，直至判定所述待训练模型不处于新增样本的过程中时，完成模型训练。2.根据权利要求1所述的一种模型训练方法，其特征在于，所述计算新增样本数量度量，具体为：将新增样本数量的初始值设置为零，当判定所述待训练模型处于新增样本的过程中时，更新所述新增样本数量，得到第一新增样本数量；当判定所述第一新增样本数量大于第二预设数值时，将所述第一新增样本数量作为所述新增样本数量度量。3.根据权利要求1所述的一种模型训练方法，其特征在于，所述计算新增样本目标特征差异性度量，具体为：当判定所述待训练模型处于新增样本的过程中时，计算第一特征向量和第二特征向量之间的第一聚类中心距离；其中，所述第一特征向量为原有样本的目标特征向量，所述第二特征向量为新增样本的目标特征向量；当所述第一聚类中心距离大于第三预设数值时，记为第二聚类中心距离；计算所述第二聚类中心距离的数量，将所述第二聚类中心距离的数量作为所述新增样本目标特征差异性度量。4.根据权利要求1所述的一种模型训练方法，其特征在于，在所述计算新增样本数量度量和新增样本目标特征差异性度量之后，还包括：根据新增样本更新原有样本集。5.根据权利要求1所述的一种模型训练方法，其特征在于，所述判定待训练模型处于新增样本的过程中，具体为：当所述待训练模型已经开始或正在持续进行新增样本的采集与标注，则判定所述待训练模型处于新增样本的过程中。6.一种模型训练装置，其特征在于，包括：第一计算模块、第二计算模...
【专利技术属性】
技术研发人员：陈文浩，刘圣阳，朱贵冬，高山，金吉成，
申请(专利权)人：广州海格星航信息科技有限公司，
类型：发明
国别省市：
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。