模型训练方法、推理方法及装置、电子设备、介质制造方法及图纸

本公开提供一种模型训练方法，包括：根据至少一种数据增强变换对事件信息采集装置采集的原始数据进行增强处理，得到至少一路增强数据，所述至少一路增强数据与所述原始数据组成训练样本集，其中，每一路所述增强数据对应至少一种所述数据增强变换；利用所述训练样本集对待训练模型进行训练。本公开还提供了一种模型训练装置、一种推理方法、一种推理装置、一种电子设备及计算机可读介质。种电子设备及计算机可读介质。种电子设备及计算机可读介质。

【技术实现步骤摘要】
模型训练方法、推理方法及装置、电子设备、介质


[0001]本公开涉及数据处理
，特别涉及一种模型训练方法、一种模型训练装置、一种推理方法、一种推理装置、一种电子设备、一种计算机可读介质。

技术介绍

[0002]事件信息采集装置是一种事件驱动的传感器，能够在事件发生时输出反映场景内事件变化的数据流。
[0003]在一些相关技术中，基于事件信息采集装置采集的数据的推理精度还不理想。

技术实现思路

[0004]本公开实施例提供一种模型训练方法、一种模型训练装置、一种推理方法、一种推理装置、一种电子设备、一种计算机可读介质。
[0005]第一方面，本公开实施例提供一种模型训练方法，包括：
[0006]根据至少一种数据增强变换对事件信息采集装置采集的原始数据进行增强处理，得到至少一路增强数据，所述至少一路增强数据与所述原始数据组成训练样本集，其中，每一路所述增强数据对应至少一种所述数据增强变换；
[0007]利用所述训练样本集对待训练模型进行训练。
[0008]在一些实施例中，所述原始数据包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：根据至少一种数据增强变换对事件信息采集装置采集的原始数据进行增强处理，得到至少一路增强数据，所述至少一路增强数据与所述原始数据组成训练样本集，其中，每一路所述增强数据对应至少一种所述数据增强变换；利用所述训练样本集对待训练模型进行训练。2.根据权利要求1所述的模型训练方法，其中，所述原始数据包括多个原始事件数据，每一个所述原始事件数据对应一个事件；所述原始事件数据包括坐标分量、时间分量、极性分量，所述坐标分量表征对应事件的坐标，所述时间分量表征对应事件的发生时间，所述极性分量表征对应事件的极性；根据至少一种数据增强变换对事件信息采集装置采集的原始数据进行增强处理，得到至少一路增强数据的步骤包括：根据至少一种对事件数据的坐标分量进行变换的数据增强变换、至少一种对事件数据进行筛选的数据增强变换、对事件数据的极性分量进行变换的数据增强变换中各种数据增强变换的至少一个增强变换组合，分别对所述原始数据中的各个所述原始事件数据进行处理，得到所述至少一路增强数据，每一个所述增强变换组合包括至少一种数据增强变换。3.根据权利要求2所述的模型训练方法，其中，根据对事件数据的极性分量进行变换的数据增强变换对所述原始数据中的各个所述原始事件数据进行处理包括：对各个所述原始事件数据的极性分量进行变换，得到构成增强数据的各个增强事件数据，其中，所述增强事件数据对应事件的极性与所述原始事件数据对应事件的极性相反。4.根据权利要求2所述的模型训练方法，其中，根据对事件数据的坐标分量进行变换的数据增强变换对所述原始数据中的各个所述原始事件数据进行处理包括：对所述原始数据中的各个所述原始事件数据的坐标分量进行缩放变换；或对所述原始数据中的各个所述原始事件数据的坐标分量进行移位变换；或对所述原始数据中的各个所述原始事件数据的坐标分量...

【专利技术属性】
技术研发人员：吴臻志，盛凯枫，肖润宇，
申请(专利权)人：北京灵汐科技有限公司，
类型：发明
国别省市：