【技术实现步骤摘要】
本申请涉及图像深度学习领域，尤其涉及一种模型训练方法及装置。
技术介绍
1、图像深度学习技术凭借其出色性能，已广泛应用于生产生活领域。经典技术路线为构建深度学习网络，搜集相关任务的图像样本，通过训练使网络接收图像样本并输出期望信息，例如物体类别、尺寸信息等。但在部分任务中，网络期望输出的信息主观性较强，缺乏严格客观标准。例如养猪场评估猪的胖瘦等级，实际操作中主要依赖养殖专家通过目测经验快速判断，评估方式因专家经验差异，导致不同猪场或专家对同一头猪的胖瘦等级标签可能存在不一致，形成固有尺度差异。
2、常规的图像深度学习网络有监督训练方法高度依赖客观准确的标签作为监督信号，但在标签存在尺度差异的数据集上(如不同猪场的猪胖瘦标签)，传统方法难以有效学习，导致性能不佳。现有针对标签尺度未知(即无固定标准、存在固有尺度差异)的数据集，改善深度学习网络训练效果的方法较为匮乏。
技术实现思路
1、本申请提供一种模型训练方法及装置，解决了现有针对标签尺度未知(即无固定标准、存在固有尺度差异)的...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，使用第一标签与第一预测值计算第一损失，所述第一损失loss1满足以下公式：
3.如权利要求2所述的方法，其特征在于，所述批次类别中心Ab,c的更新满足以下公式：
4.如权利要求3所述的方法，其特征在于，对所述第一标签Y1b做尺度无关变换得到第二标签Y2b，所述尺度无关变换满足以下公式：
5.如权利要求4所述的方法，其特征在于，将所述图像数据输入构建的深度学习网络，使用第二标签与第二预测值计算第二损失，所述第二损失loss2满足以下公式：p>
6.如权利...
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，使用第一标签与第一预测值计算第一损失，所述第一损失loss1满足以下公式：
3.如权利要求2所述的方法，其特征在于，所述批次类别中心ab,c的更新满足以下公式：
4.如权利要求3所述的方法，其特征在于，对所述第一标签y1b做尺度无关变换得到第二标签y2b，所述尺度无关变换满足以下公式：
5.如权利要求4所述的方法，其特征在于，将所述图像数据输入构建的深度学习网络，使用第二标签与第二预测值计算第二损失，所述第二损失loss2满足以下公式：
6.如权利要求5所述的方法，其特征在于，使用所述第...
【专利技术属性】
技术研发人员：桂志明，刘冲冲，邹军，
申请(专利权)人：合肥拉塞特机器人科技有限公司，
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。