[发明专利]一种模型训练系统及方法

说明书

本发明公开了一种模型训练系统及方法，涉及机器学习技术的人工智能领域，控制器针对每个第一图像，判断该第一图像的第一识别结果与第二识别结果的差别满足预设的要求时，将该第一图像保存至训练图像集；当判断当前到达模型训练时刻时，控制初始强模型和第二初始弱模型，获取训练图像集中的每个第二图像；接收初始强模型输出训练图像集中的每个第二图像的第三识别结果，以每个第三识别结果作为监督信息，对第二初始弱模型进行训练，对第一初始弱模型进行更新。本发明实施例通过在线学习的方式提升模型准确性。并且避免了样本数据在网络中传输的安全性受到威胁，存在数据泄漏的风险的问题，同时模型的更新不依赖人工干预，因此模型更新效率更高。

技术领域

本发明涉及机器学习技术的人工智能领域，尤其涉及一种模型训练系统及方法。

背景技术

随着近年来人工智能技术的快速发展，在越来越多的领域都应用到了模型训练，例如在图像处理领域，预先训练一个目标分类模型，利用该模型对图像中的目标对象进行分类。

现有技术中，有一种模型训练的方法是，采用离线的方式训练模型，然后在实际应用中把训练好的模型部署到各个前端设备上。这种方法存在的问题是，训练得到的模型泛化能力有限，当场景中出现训练集中没有的图像时，便不能得到准确的结果。

为了解决离线模型训练存在的一些问题，现有技术中还有一种离线-在线相结合的模型训练的方法是，通过离线训练的初始模型将后验概率小于阈值的样本按类别保存下来，传输给远程服务器，远程服务器上使用接收到的样本，经过人工标注后输入到初始模型，重新进行训练模型，再更新当前设备的分类器，以此实现模型的持续学习与更新。这种方法存在的缺点是：(1)、依靠初始模型预测的后验概率来挑选分类不确定的难样本，由于初始模型的准确性受到设备计算资源的限制，后验概率可靠性较低，因此挑选的样本不一定是真正的难样本。(2)、样本需要传输到系统外部的服务器经人工标注，样本数据在网络中传输的安全性受到威胁，存在数据泄漏的风险。(3)、由于需要经过人工标注后再训练，因此初始模型的更新周期受到人工的限制，导致模型更新周期较长。

发明内容

本发明实施例提供了一种模型训练系统及方法，用以解决现有技术中模型准确率较低，存在数据泄漏的风险，并且模型更新周期较长的问题。

本发明实施例提供了一种模型训练系统，所述系统包括：前端设备、后端设备和存储设备，所述前端设备中包括第一初始弱模型，所述后端设备中包括第二初始弱模型、初始强模型和控制器，所述存储设备中包括训练图像集；

所述第一初始弱模型，用于针对接收的每个第一图像，输出该第一图像对应的第一识别结果至所述控制器；

所述初始强模型，用于针对接收的所述每个第一图像，输出该第一图像对应的第二识别结果至所述控制器；

所述控制器，用于针对所述每个第一图像，判断该第一图像的第一识别结果与第二识别结果的差别是否满足预设的要求，如果是，将该第一图像保存至训练图像集；

所述控制器，还用于当判断当前到达模型训练时刻时，控制所述初始强模型和所述第二初始弱模型，获取所述训练图像集中的每个第二图像；并以所述初始强模型输出所述训练图像集中的每个第二图像的第三识别结果作为监督信息，对所述第二初始弱模型进行训练；

所述控制器，还用于控制训练完成的第二初始弱模型传输至所述前端设备，对所述前端设备中的第一初始弱模型进行更新。

进一步地，所述控制器，具体用于当识别所述训练图像集中的第二图像数量达到预设的第一数量阈值时，确定当前到达模型训练时刻。

进一步地，所述初始强模型，还用于输出所述每个第二图像的第四识别结果至所述控制器，所述第二初始弱模型输出所述每个第二图像的第五识别结果至所述控制器；