本申请实施例提供了一种神经网络模型训练方法及相关装置，包括：从训练图像集中选择N个训练图像样本；根据N个训练图像样本生成M个全局训练图像和M个训练图像集合；使用第一检测编码器和第二检测编码器分别对M个全局训练图像和M个训练图像集合进行处理，得到M组第一图像特征和M组第二图像特征；根据M组第一图像特征和M组第二图像特征确定动量对比度MoCo自监督模型的目标损失函数；根据目标损失函数对第一检测编码器和第二检测编码器的网络参数进行调整；重复上述步骤，直到目标损失函数的值满足预设条件，得到训练好的第一检测编码器。这样可以在较小的数据集中，训练出一个具有较强特征表征能力的第一检测编码器。
【技术实现步骤摘要】
本申请属于数据处理领域，具体涉及一种神经网络模型的训练方法及相关装置。
技术介绍
1、目前对于目标物体进行检测的深度学习方法都强依赖于数据，即需要大量的数据支撑训练，因此想要在一个数据集规模较小的领域，训练出一个泛化性强的目标检测网络具有较大的难度。
技术实现思路
1、本申请实施例提供了一种神经网络模型的训练方法及相关装置，以期利用较少的数据训练出一个具有较强特征表征能力和泛化性的第一检测编码器。
2、第一方面，本申请实施例提供了一种神经网络模型的训练方法，所述方法包括：
3、从训练图像集中选择n个训练图像样本，n为正整数；
4、根据所述n个训练图像样本生成m个全局训练图像和m个训练图像集合，每个全局训练图像用于表征对应的训练图像样本的全局图像信息，每个训练图像集合中包括k个图像块，每个图像块用于表征对应的训练图像样本的局部图像信息，n＝1时m大于1，n大于1时m＝n，m和k为正整数；
5、使用第一检测编码器和第二检测编码器分别对所述m个全局训练图像和所述m个训练图像集合进行处理，得到与所述m个全局训练图像一一对应的m组第一图像特征和与所述m个训练图像集合一一对应的m组第二图像特征，所述第一检测编码器为动量对比度moco自监督模型中的编码器，所述第二检测编码器为所述动量对比度moco自监督模型中的动量编码器；
6、根据所述m组第一图像特征和所述m组第二图像特征确定所述动量对比度moco自监督模型的目标损失函数；
>7、根据所述目标损失函数对所述第一检测编码器和所述第二检测编码器的网络参数进行调整；8、重复上述步骤，直到所述目标损失函数的值满足预设条件，得到训练好的所述第一检测编码器。
9、第二方面，本申请实施例提供了一种神经网络模型训练装置，所述装置包括：
10、选择单元，用于从训练图像集中选择n个训练图像样本，n为正整数；
11、生产单元，用于根据所述n个训练图像样本生成m个全局训练图像和m个训练图像集合，每个全局训练图像用于表征对应的训练图像样本的全局图像信息，每个训练图像集合中包括k个图像块，每个图像块用于表征对应的训练图像样本的局部图像信息，n＝1时m大于1，n大于1时m＝n，m和k为正整数；
12、处理单元，用于使用第一检测编码器和第二检测编码器分别对所述m个全局训练图像和所述m个训练图像集合进行处理，得到与所述m个全局训练图像一一对应的m组第一图像特征和与所述m个训练图像集合一一对应的m组第二图像特征，所述第一检测编码器为动量对比度moco自监督模型中的编码器，所述第二检测编码器为所述动量对比度moco自监督模型中的动量编码器；
13、确定单元，用于根据所述m组第一图像特征和所述m组第二图像特征确定所述动量对比度moco自监督模型的目标损失函数；
14、调整单元，用于根据所述目标损失函数对所述第一检测编码器和所述第二检测编码器的网络参数进行调整；
15、获取单元，用于重复上述步骤，直到所述目标损失函数的值满足预设条件，得到训练好的所述第一检测编码器。
16、第三方面，本申请实施例提供了一种电子设备，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行本申请实施例第一方面中的步骤的指令。
17、第四方面，本申请实施例提供了一种计算机存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行实现上述第一方面所述的步骤。
18、第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
19、可以看出，本申请实施例中，首先从训练图像集中选择n个训练图像样本，n为正整数，然后根据所述n个训练图像样本生成m个全局训练图像和m个训练图像集合，每个全局训练图像用于表征对应的训练图像样本的全局图像信息，每个训练图像集合中包括k个图像块，每个图像块用于表征对应的训练图像样本的局部图像信息，n＝1时m大于1，n大于1时m＝n，m和k为正整数，然后使用第一检测编码器和第二检测编码器分别对所述m个全局训练图像和所述m个训练图像集合进行处理，得到与所述m个全局训练图像一一对应的m组第一图像特征和与所述m个训练图像集合一一对应的m组第二图像特征，第一检测编码器为动量对比度moco自监督模型中的编码器，所述第二检测编码器为所述动量对比度moco自监督模型中的动量编码器，再然后根据所述m组第一图像特征和所述m组第二图像特征确定所述动量对比度moco自监督模型的目标损失函数，再然后根据所述目标损失函数对所述第一检测编码器和所述第二检测编码器的网络参数进行调整，最后重复上述步骤，直到所述目标损失函数的值满足预设条件，得到训练好的所述第一检测编码器。这样可以在较小的数据集中，通过局部对比和全局对比结合的方式，训练出一个具有较强特征表征能力和泛化性的第一检测编码器，有效提高了对目标的检测精度。
本文档来自技高网...
【技术保护点】
1.一种神经网络模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述N＝1时，所述根据所述N个训练图像样本生成M个全局训练图像和M个训练图像集合，包括：
3.根据权利要求1所述的方法，其特征在于，所述N大于1时，所述根据所述N个训练图像样本生成M个全局训练图像和M个训练图像集合，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述M组第一图像特征和所述M组第二图像特征确定所述动量对比度MoCo自监督模型的目标损失函数，包括：
5.根据权利要求4所述的方法，其特征在于，使用第一检测编码器和第二检测编码器对所述M个全局训练图像进行处理，得到与所述M个全局训练图像一一对应的M组第一图像特征，包括：
6.根据权利要求4或5所述的方法，其特征在于，使用第一检测编码器和第二检测编码器对所述M个训练图像集合进行处理，得到与所述M个训练图像集合一一对应的M组第二图像特征，包括：
7.根据权利要求4或5所述的方法，其特征在于，所述根据所述M组第一图像特征确定第一损失函数，包括：
8.根据权利要求1所述的方法，其特征在于，所述得到训练好的第一检测编码器之后，所述方法还包括：
9.一种神经网络模型的训练装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，包括处理器、存储器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-8任一项所述的方法中的步骤的指令。
11.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行实现权利要求1-8任一项所述方法的步骤。
...
【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述n＝1时，所述根据所述n个训练图像样本生成m个全局训练图像和m个训练图像集合，包括：
3.根据权利要求1所述的方法，其特征在于，所述n大于1时，所述根据所述n个训练图像样本生成m个全局训练图像和m个训练图像集合，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述m组第一图像特征和所述m组第二图像特征确定所述动量对比度moco自监督模型的目标损失函数，包括：
5.根据权利要求4所述的方法，其特征在于，使用第一检测编码器和第二检测编码器对所述m个全局训练图像进行处理，得到与所述m个全局训练图像一一对应的m组第一图像特征，包括：
6.根据权利要求4或5所述的方法，其特征在于，使用第一检测编码...
【专利技术属性】
技术研发人员：刘松，
申请(专利权)人：OPPO广东移动通信有限公司，
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。