模型训练方法、图像处理方法、装置和车辆制造方法及图纸

本公开关于一种模型训练方法、图像处理方法、装置和车辆，属于自动驾驶、图像处理技术领域。其中，该方法包括：获取初始模型；基于隶属于图像分割任务的第一训练样本，对共享初始网络层和第一初始网络层进行训练，得到共享候选网络层和第一候选网络层；基于隶属于图像分类任务的第二训练样本，对第二初始网络层进行训练，得到第二候选网络层；基于共享候选网络层、第一候选网络层和第二候选网络层，生成目标模型。由此，可对共享初始网络层和第一初始网络层进行图像分割任务的训练，并对第二初始网络层进行图像分类任务的训练，先进行图像分割任务的训练，有助于提升图像分类任务的训练速度和精度，即提高了模型训练效果。即提高了模型训练效果。即提高了模型训练效果。

【技术实现步骤摘要】
模型训练方法、图像处理方法、装置和车辆


[0001]本公开涉及自动驾驶、图像处理
，尤其涉及一种模型训练方法、图像处理方法、装置、车辆和存储介质。

技术介绍

[0002]目前，随着人工智能技术的不断发展，模型在图像分类领域得到了广泛应用，具有自动化程度高、人工成本低等优点。比如，可将图像输入图像分类模型中，由图像分类模型输出图像的类别、图像中的每个实体的类别等。然而，相关技术中的图像分类模型，存在训练速度慢、精度低的问题。

技术实现思路

[0003]本公开提供一种模型训练方法、图像处理方法、装置、车辆、计算机可读存储介质，以至少解决相关技术中图像分类模型存在训练速度慢、精度低的问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种模型训练方法，包括：获取初始模型，其中，所述初始模型包括共享初始网络层、第一初始网络层和第二初始网络层；基于隶属于图像分割任务的第一训练样本，对所述共享初始网络层和所述第一初始网络层进行训练，得到共享候选网络层和第一候选网络层；基于隶属于图像分类任务的第二训练样本，对所述第二初始网络层进本文档来自技高网...

【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：获取初始模型，其中，所述初始模型包括共享初始网络层、第一初始网络层和第二初始网络层；基于隶属于图像分割任务的第一训练样本，对所述共享初始网络层和所述第一初始网络层进行训练，得到共享候选网络层和第一候选网络层；基于隶属于图像分类任务的第二训练样本，对所述第二初始网络层进行训练，得到第二候选网络层；基于所述共享候选网络层、所述第一候选网络层和所述第二候选网络层，生成所述初始模型训练后的目标模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述共享候选网络层、所述第一候选网络层和所述第二候选网络层，生成所述初始模型训练后的目标模型，包括：基于隶属于图像分割任务的第三训练样本和隶属于图像分类任务的第四训练样本，对所述共享候选网络层、所述第一候选网络层和所述第二候选网络层进行训练，得到共享目标网络层、第一目标网络层和第二目标网络层；对所述共享目标网络层、所述第一目标网络层和所述第二目标网络层进行组合，得到所述目标模型。3.根据权利要求2所述的方法，其特征在于，所述基于隶属于图像分割任务的第三训练样本和隶属于图像分类任务的第四训练样本，对所述共享候选网络层、所述第一候选网络层和所述第二候选网络层进行训练，得到共享目标网络层、第一目标网络层和第二目标网络层，包括：基于所述第三训练样本，对所述共享候选网络层和所述第一候选网络层进行前向计算，得到第一前向计算结果，并基于所述第四训练样本，对所述共享候选网络层和所述第二候选网络层进行前向计算，得到第二前向计算结果；基于所述第一前向计算结果和所述第二前向计算结果，对所述共享候选网络层、所述第一候选网络层和所述第二候选网络层进行反向计算，得到反向计算结果；基于所述反向计算结果，对所述共享候选网络层、所述第一候选网络层和所述第二候选网络层的模型参数进行更新，以得到所述共享目标网络层、所述第一目标网络层和所述第二目标网络层。4.根据权利要求3所述的方法，其特征在于，所述基于所述第三训练样本，对所述共享候选网络层和所述第一候选网络层进行前向计算，得到第一前向计算结果，并基于所述第四训练样本，对所述共享候选网络层和所述第二候选网络层进行前向计算，得到第二前向计算结果，包括：基于m个第三训练样本，对所述共享候选网络层和所述第一候选网络层进行m次前向计算，得到所述第一前向计算结果，其中，m为正整数；基于n个第四训练样本，对所述共享候选网络层和所述第二候选网络层进行n次前向计算，得到所述第二前向计算结果，其中，n为正整数。5.根据权利要求2所述的方法，其特征在于，所述共享目标网络层的输入端为所述目标模型的输入端，所述共享目标网络层的输出端分别与所述第一目标网络层、所述第二目标网络层的输入端连接，所述第一目标网络层、所述第二目标网络层的输出端为所述目标模
型的输出端。6.根据权利要求1所述的方法，其特征在于，所述基于隶属于图像分割任务的第一训练样本，对所述共享初始网络层和所述第一初始网络层进行训练，得到共享候选网络层和第一候选网络层，包括：对所述共享初始网络层和所述第一初始网络层进行组合，得到第一模型；将所述第一训练样本输入所述第一模型中，获取所述第一模型的第一输出；基于所述第一训练样本的标签和所述第一输出，对所述第一模型进行训练，得到第二模型，其中，所述第二模型包括所述共享候选网络层和所述第一候选网络层。7.根据权利要求1所述的方法，其特征在于，所述基于隶属于图像分类任务的第二训练样本，对所述第二初始网络层进行训练，得到第二候选网络层，包括：对所述共享候选网络层和所述第二初始网络层进行组合，得到第三模型；将所述第二训练样本输入所述第三模型中，获取所述第三模型的第二输出；基于所述第二训练样本的标签和所述第二输出，对所述第三模型中的所述第二初始网络层进行训练，得到所述第二候选网络层。8.根据权利要求1
‑
7中任一项所述的方法，其特征在于，所述图像分割任务包括实体分割任务，所述图像分类任务包括可行驶区域检测任务。9.一种图像处理方法，其特征在于，包括：获取待处理图像；将所述待处理图像输入目标模型中，由所述目标模型输出所述待处理图像的处理结果，其中，所述目标模型采用如权利要求1
‑
8中任一项所述的模型训练方法得到。10.根据权利要求9所述的方法，其特征在于，所述目标模型包括共享目标网络层、第一目标网络层和第二目标网络层，所述由所述目标模型输出所述待处理图像的处理结果，包括：由所述第一目标网络层输出所述待处理图像中的实体分割区域；和/或，由所述第二目标网络层输出所述...

【专利技术属性】
技术研发人员：刘安华，
申请(专利权)人：小米汽车科技有限公司，
类型：发明
国别省市：