一种针对神经网络的半监督训练方法及装置制造方法及图纸

一种针对神经网络的半监督训练方法及装置，在本申请中，训练装置获得训练集，该训练集中可以包括两种图像，一种为标注有目标的第一图像。另一种为没有标注目标的第二图像。训练装置可以将该训练集输入到神经网络。训练装置根据神经所述所预测的第一图像的目标与所述第一图像中标注的目标计算第一损失值。根据所述神经网络输出所预测的所述第二图像中的目标相对于第三图像中的目标的偏移与所述神经网络所预测的所述第二图像中的目标计算第二损失值。再利用第一损失值和第二损失值调整神经网络。训练装置在对神经网络进行训练时，不需要引入额外的网络为无标注图像生成伪标签，能够有效的简化训练过程。能够有效的简化训练过程。能够有效的简化训练过程。

【技术实现步骤摘要】
一种针对神经网络的半监督训练方法及装置


[0001]本申请涉及神经网络
，尤其涉及一种针对神经网络的半监督训练方法及装置。

技术介绍

[0002]目标检测的神经网络所应用的领域广泛，例如，安防检测、自动驾驶、工业质检等领域。在神经网络实际投入使用之前，需要对神经网络进行训练。传统的监督训练方法，需要构建训练集，该训练集中图像均需要进行标注，以标注图像上的类别以及目标框。之后，在基于该训练集对神经网络进行训练。但是标注是密集且重复的劳动，需要投入大量有相关领域知识的人力完成，成本高昂，效率较低。
[0003]目前，针对这类神经网络的训练方法逐渐偏向于利用少量有标注图像和大量无标注图像作为训练集的半监督训练方法。
[0004]常见的半监督训练方法如下：先通过视频流中少量有标注图像预训练神经网络。之后，在利用光流网络(flownet)得到视频流的光流图。将光流图输入至预训练的神经网络，为视频流中无标注图像配置伪标签，该伪标签可以指示图像中的目标以及目标框。之后，根据带伪标签的图像和有标注图像一同对该神经网络进行训练。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对神经网络的半监督训练方法，其特征在于，所述神经网络用于目标检测，所述方法包括：将训练集输入至所述神经网络，所述训练集包括第一图像以及无第二图像，所述第一图像标注有目标，所述第二图像没有标注目标；所述神经网络输出所预测的所述第二图像中的目标相对于第三图像中的目标的偏移、所述第一图像中的目标及所述第二图像中的目标；根据所述神经所述所预测的第一图像的目标与所述第一图像中标注的目标计算第一损失值；根据所述神经网络输出所预测的所述第二图像中的目标相对于第三图像中的目标的偏移与所述神经网络所预测的所述第二图像中的目标计算第二损失值；根据所述第一损失值即第二损失值调整所述神经网络。2.如权利要求1所述的方法，其特征在于，所述第三图像为所述第一图像，且所述第一图像与所述第二图像属于同一视频流中的图像。3.如权利要求1所述的方法，其特征在于，所述第三图像没有标注目标，且与所述第二图像属于同一视频流中的图像，所述第一图像不是所述视频流中的图像。4.如权利要求2或3所述的方法，其特征在于，所述根据所述神经网络输出所预测的所述第二图像中的目标相对于第三图像中的目标的偏移与所述神经网络所预测的所述第二图像中的目标计算第二损失值，包括：将所述第二图像中的目标相对于第三图像中的目标的偏移施加于所述神经网络预测的所述第三图像中的目标，通过所述神经网络预测的所述第二图像中的目标与施加了所述偏移的第三图像中的目标确定所述第二图像的损失值；根据所述第二图像的损失值计算第二损失值。5.如权利要求1
‑
4任一所述的方法，其特征在于，所述神经网络包括类别分支、目标框分支及关联分支，所述目标包括目标的类别和目标框，所述目标框用于标示目标在图像中的位置；所述神经网络输出所预测的所述第二图像中的目标相对于第三图像中的目标的偏移及所述第一图像及所述第二图像中的目标，包括：所述类别分支输出所预测的所述第一图像及所述第二图像中的目标的类别；所述目标框分支输出所预测的所述第一图像及所述第二图像中的目标的目标框所在的位置；所述关联分支用于输出所预测的所述第二图像中的目标相对于第三图像中的目标的偏移。6.一种训练装置，其特征在于，该训练装置用于对用于目标检测的神经网络进行半监督训练，所述装置包括输入模块、输出获取模块、损失值计算模块以及调整模块：所述输入模块，用于将训练集输入至所述神经网络，所述训练集包括第一图像以及无第二图像，所述第...

【专利技术属性】
技术研发人员：韩承志，王小辉，吴学文，陈安伟，张亚斌，葛建壮，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：