【技术实现步骤摘要】
本专利技术涉及一种多任务网络模型训练方法及装置和设备。
技术介绍
1、多任务学习(multi-task learning)是一种推导迁移学习方法，是机器学习中一个很有前景的领域，其目标是利用多个学习任务中所包含的有用信息来帮助为每个任务学习得到更为准确的学习器。在多任务学习中，任务之间的信息相互共享，知识在不同的任务中互相迁移，因此多任务学习也被叫做并行迁移学习。多任务学习方法通过多任务信息共享提升整体的学习效果。比如，为了提高模型利用率，在移动端能够更好的部署深度学习模型，有时需要将检测模型和语义分割模型做成多任务网络模型，基于该多任务网络模型，通过一次推理过程就能获得检测结果以及语义分割结果。
技术实现思路
1、本专利技术的专利技术人发现，由于在多任务网络模型训练时，为了减少样本标注成本，提高模型训练效率，一般获得的样本数据集中的样本可能只进行单任务模型标注，比如对于检测模型和语义分割模型构成的多任务网络模型，样本数据集中可能一部分样本只有检测标注，而另外一部分样本只有语义标注，那么通...
【技术保护点】
1.一种多任务网络模型训练方法，其特征在于，包括：
2.如权利要求1所述的多任务网络模型训练方法，其特征在于，根据所述更新后的父代种群训练得到最优模型，包括：
3.如权利要求2所述的多任务网络模型训练方法，其特征在于，若评估所述更新后的父代种群中的任一模型中均不满足预设精度，所述方法还包括：
4.如权利要求3所述的多任务网络模型训练方法，其特征在于，对所述各个教师网络模型进行加扰处理，具体包括：
5.如权利要求1所述的多任务网络模型训练方法，其特征在于，所述样本训练集包括具有标签的样本和没有标签的样本；
6....
【技术特征摘要】
1.一种多任务网络模型训练方法，其特征在于，包括：
2.如权利要求1所述的多任务网络模型训练方法，其特征在于，根据所述更新后的父代种群训练得到最优模型，包括：
3.如权利要求2所述的多任务网络模型训练方法，其特征在于，若评估所述更新后的父代种群中的任一模型中均不满足预设精度，所述方法还包括：
4.如权利要求3所述的多任务网络模型训练方法，其特征在于，对所述各个教师网络模型进行加扰处理，具体包括：
5.如权利要求1所述的多任务网络模型训练方法，其特征在于，所述样本训练集包括具有标签的样本和没有标签的样本；
6.如权利要求5所述的多任务网络模型训练方法，其特征在于，所述使用所述得到模型训练样本集分别训练所述至少两个待变异父代模型，得到对应的子代解模型，包括：
7.如权利要求6所述的多任务网络模型训练方法，其特征在于，所述对于每个待变异父代模型，使用一个对应的子样本集进行训练，得到对应于各个任务的输出结果，得到...
【专利技术属性】
技术研发人员：贾书军，郭瑞瑞，
申请(专利权)人：沈阳美行智能网联汽车技术有限公司，
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。