多任务标注模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，提供了一种多任务标注模型的训练方法、装置、电子设备及存储介质。该方法通过获取训练样本和预训练多任务标注模型，利用训练样本首先训练预训练多任务标注模型中的共享特征提取网络，并在共享特征提取网络训练完成后冻结其网络参数，然后使用训练样本对冻结了共享特征提取网络的网络参数的预训练多任务标注模型再次进行训练，得到N个训练好的分类网络，进而得到训练后的多任务标注模型，实现了仅训练一个模型即可得到能够识别多种不同类别数据的标注模型，同时共享特征提取网络在训练完成后可以进行参数冻结，后续训练各分类网络时无需调整共享特征提取网络的网络参数，降低了数据处理量且能够较好地保持标注结果的一致性，提高了数据标注的效率。

【技术实现步骤摘要】

本申请涉及人工智能，尤其涉及一种多任务标注模型的训练方法、装置、电子设备及存储介质。

技术介绍

1、在自动驾驶数据预标注过程中，长尾数据的标注是一个常见且难以解决的挑战。相关技术中在遇到对长尾数据标注效果不好的情况时，或者更新包括长尾数据相关类型数据的样本，重新对标注模型进行训练，或者尝试对长尾数据进行增强，由或者对长尾数据的类别权重进行调整，以解决该问题。

2、这些处理方式成本较高，且在某些情况下训练得到的标注模型对长尾数据的标注准确度仍然不够。

技术实现思路

1、有鉴于此，本申请实施例提供了一种多任务标注模型的训练方法、装置、电子设备及存储介质，以解决现有技术中对长尾数据的标注不够准确的问题。

2、本申请实施例的第一方面，提供了一种多任务标注模型的训练方法，包括：

3、获取训练样本，所述训练样本包括图像数据集，所述图像数据集中的每一图像数据分别被标注至少一个类别标签，且所述图像数据集对应n个不同的类别，n为大于1的正整数；

4、获取预训练多任务标注模型，所述本文档来自技高网...

【技术保护点】

1.一种多任务标注模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述确定所述共享特征提取网络收敛，包括：

3.根据权利要求1所述的方法，其特征在于，所述使用所述训练样本对冻结了共享特征提取网络的网络参数的预训练多任务标注模型再次进行训练，直至所述N个分类网络均收敛，包括：

4.根据权利要求1所述的方法，其特征在于，所述分类网络至少包括第二目标分类网络，所述第二目标分类网络用于对长尾数据进行标注，所述长尾数据为属于目标类别的数据量小于预设数据量阈值的数据；

5.根据权利要求1所述的方法，其特征在于，所述方法还包...

【技术特征摘要】

1.一种多任务标注模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述确定所述共享特征提取网络收敛，包括：

3.根据权利要求1所述的方法，其特征在于，所述使用所述训练样本对冻结了共享特征提取网络的网络参数的预训练多任务标注模型再次进行训练，直至所述n个分类网络均收敛，包括：

4.根据权利要求1所述的方法，其特征在于，所述分类网络至少包括第二目标分类网络，所述第二目标分类网络用于对长尾数据进行标注，所述长尾数据为属于目标类别的数据量小于预设数据量阈值的数据；

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利...

【专利技术属性】
技术研发人员：肖贵明，张操，苏星溢，
申请(专利权)人：重庆赛力斯凤凰智创科技有限公司，
类型：发明
国别省市：