一种训练集生成方法、网络模型训练方法及相关装置制造方法及图纸

本申请公开了一种训练集生成方法、网络模型训练方法及相关装置，该训练集生成方法包括：获取待优化网络模型与图像数据库，图像数据库包括多张原始图像；基于原始图像中的非关注区域，对原始图像进行调整，得到参考图像；将原始图像输入待优化网络模型，得到第一输出结果；将参考图像输入待优化网络模型，得到第二输出结果；响应于基于第一输出结果与第二输出结果判定原始图像满足预设筛选条件，将原始图像添加到训练集中，以采用训练集对待优化网络模型进行训练。通过上述方式，本申请能够提高待优化网络模型的优化效果。待优化网络模型的优化效果。待优化网络模型的优化效果。

【技术实现步骤摘要】
一种训练集生成方法、网络模型训练方法及相关装置


[0001]本申请涉及图像处理
，具体涉及一种训练集生成方法、网络模型训练方法及相关装置。

技术介绍

[0002]深度学习网络模型的识别效果依赖于训练集，对于复杂任务，若要想有较好的识别效果与泛化能力，往往需要利用大规模的数据集进行训练，然而单纯仅依靠增加数据集的数量并不能起到提高识别效果的目的；目前仅能通过人工识别图像，然后在训练集中增加人工识别出的模型识别效果较差的图像来优化网络模型，无法高效准确地判断模型对哪类图像识别效果差，且数据收集和人工标注所耗费的人力物力成本也较高。

技术实现思路

[0003]本申请提供一种训练集生成方法、网络模型训练方法及相关装置，能够提高待优化网络模型的优化效果。
[0004]为解决上述技术问题，本申请采用的技术方案是：提供一种训练集生成方法，该训练集生成方法包括：获取待优化网络模型与图像数据库，图像数据库包括多张原始图像；基于原始图像中的非关注区域，对原始图像进行调整，得到参考图像；将原始图像输入待优化网络模型，得到第一输出结果；将参考图像输入待优化网络模型，得到第二输出结果；响应于基于第一输出结果与第二输出结果判定原始图像满足预设筛选条件，将原始图像添加到训练集中，以采用训练集对待优化网络模型进行训练。
[0005]为解决上述技术问题，本申请采用的技术方案是：提供一种网络模型训练方法，该网络模型训练方法包括：获取训练集，训练集为利用上述技术方案中的训练集生成方法得到的；将训练集输入待优化网络模型，以对待优化网络模型进行训练，得到优化后网络模型。
[0006]为解决上述技术问题，本申请采用的另一技术方案是：提供一种图像处理装置，图像处理装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的训练集生成方法。
[0007]为解决上述技术问题，本申请采用的又一技术方案是：提供一种计算机可读存储介质，其用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的训练集生成方法或网络模型训练方法。
[0008]通过上述方案，本申请的有益效果是：先获取待优化网络模型与图像数据库；然后根据原始图像中的非关注区域，对原始图像进行调整，得到参考图像；然后基于第一输出结果与第二输出结果来判断原始图像是否满足预设筛选条件，将满足预设筛选条件的原始图像添加到训练集中，以便后续采用训练集对待优化网络模型进行训练，起到优化待优化网络模型的目的；通过采用本方案，能够从大规模数据中自动筛选出对待优化网络模型的优化有较大价值的图像作为训练集，提高待优化网络模型的优化效果，使得待优化网络模型
的性能更好，省去了人工分析过程，大大减少人工标注成本。
附图说明
[0009]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
[0010]图1是本申请提供的训练集生成方法一实施例的流程示意图；
[0011]图2是本申请提供的训练集生成方法另一实施例的流程示意图；
[0012]图3是本申请提供的关注区域检测的示意图；
[0013]图4是本申请提供的判断原始图像是否满足预设筛选条件的流程示意图；
[0014]图5是本申请提供的判断原始图像是否满足预设筛选条件的另一方案的流程示意图；
[0015]图6是本申请提供的网络模型训练方法一实施例的流程示意图；
[0016]图7是本申请提供的图像处理装置一实施例的结构示意图；
[0017]图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
[0018]下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0019]在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0020]需要说明的是，本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0021]请参阅图1，图1是本申请提供的训练集生成方法一实施例的流程示意图，该方法包括：
[0022]步骤11：获取待优化网络模型与图像数据库。
[0023]图像数据库包括多张原始图像，待优化网络模型可为基于现有训练集训练得到的模型，待优化网络模型可为人体识别模型或车辆属性识别模型等，在此不对待优化网络模
型的种类、功能进行限定。
[0024]进一步地，原始图像可为包含待优化网络模型的检测对象的图像，例如：待优化网络模型为人体识别模型，则原始图像为包含人体目标的图像。原始图像的场景信息也可与待优化网络模型的场景信息相同，例如：待优化网络模型为用于对商场人员进行识别的工作人员识别模型，则原始图像便可为包含人体目标的商场监控图像。可以理解地，图像数据库可根据实际情况进行建立，在此不作限定。
[0025]步骤12：基于原始图像中的非关注区域，对原始图像进行调整，得到参考图像。
[0026]非关注区域即为原始图像中的关注区域之外的其他区域，可基于原始图像中的非关注区域，对原始图像进行调整，得到参考图像；具体地，可对原始图像的非关注区域进行干扰等处理，来实现对原始图像的调整，在此不作限定。
[0027]进一步地，在对原始图像的识别过程中，待优化网络模型可先识别出原始图像中的关注区域，然后对关注区域中的检测目标进行特征分析，从而得到识别结果；可以理解地，关注区域可为待优化网络模型的检测目标所在的区域，例如：对于人体识别模型来说，关注区域可为原始图像中人体目标所在的区域。
[0028]步骤13：将原始图像输入待优化网络模型，得到第一输出结果。
[0029]将原始图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练集生成方法，其特征在于，包括：获取待优化网络模型与图像数据库，所述图像数据库包括多张原始图像；基于所述原始图像中的非关注区域，对所述原始图像进行调整，得到参考图像；将所述原始图像输入所述待优化网络模型，得到第一输出结果；将所述参考图像输入所述待优化网络模型，得到第二输出结果；响应于基于所述第一输出结果与所述第二输出结果判定所述原始图像满足预设筛选条件，将所述原始图像添加到训练集中，以采用所述训练集对所述待优化网络模型进行训练。2.根据权利要求1所述的训练集生成方法，其特征在于，所述第一输出结果包括第一属性识别结果，所述第二输出结果包括第二属性识别结果；所述基于所述第一输出结果与所述第二输出结果判定所述原始图像满足预设筛选条件的步骤，包括：判断所述第一属性识别结果与所述第二属性识别结果是否一致；若否，则确定所述原始图像满足所述预设筛选条件。3.根据权利要求2所述的训练集生成方法，其特征在于，所述第一输出结果还包括所述第一属性识别结果对应的第一置信度信息，所述第二输出结果还包括所述第二属性识别结果对应的第二置信度信息，所述方法还包括：响应于所述第一属性识别结果与所述第二属性识别结果一致，基于所述第一置信度信息与所述第二置信度信息，判断所述原始图像是否满足所述预设筛选条件。4.根据权利要求3所述的训练集生成方法，其特征在于，所述第一属性识别结果与所述第二属性识别结果包括至少一个属性的识别结果，所述判断所述第一属性识别结果与所述第二属性识别结果是否一致的步骤之前，包括：获取预设属性信息，所述预设属性信息包括所述至少一个属性中的目标属性的类型；所述判断所述第一属性识别结果与所述第二属性识别结果是否一致的步骤，包括：判断第一待对比属性识别结果与第二待对比属性识别结果是否一致；其中，所述第一待对比属性识别结果为所述第一属性识别结果中与所述预设属性信息相同的属性的识别结果，所述第二待对比属性识别结果为所述第二属性识别结果中与所述预设属性信息相同的属性的识别结果；所述基于所述第一置信度信息与所述第二置信度信息，判断所述原始图像是否满足所述预设筛选条件的步骤，包括：基于所述目标属性对应的置信度，确定所述原始图像是否满足所述预设筛选条件。5.根据权利要求4所述的训练集生成方法，其特征在于，所述第一置信度信息与所述第二置信度信息包括至少一个属性的置信度，所述基于所述目标属性对应的置信度，确定所述原始图像是否满足所述预设筛选条件的步骤，包括：计算所述第一置信度信息中目标属性的置信度与所述第二置信度信息中目标属性的置信度的差值的绝对值，得到第一置信度差值；判断所述第一置信度差值是否大于预设阈值；若是，则确定所述原始图像满足所述预设筛选条件；若否，则确定所述原始图像不满足所述预设筛选条件。6...

【专利技术属性】
技术研发人员：杨永涛，唐邦杰，潘华东，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：