[发明专利]一种神经网络模型的训练方法及训练装置

说明书

本申请公开了一种神经网络模型的训练方法，包括：根据预设的n个放缩系数将训练数据集中的样本图像进行放缩，得到n个不同分辨率的图像；n≥1，且n为整数；针对所述n个不同分辨率的图像中的每一图像，确定对应的m个训练区域；m≥1，且m为整数；对所述m个训练区域中每一个训练区域所包含的物体进行标注；基于标注后的训练数据集训练神经网络模型。本申请减小了神经网络模型训练过程中物体的尺度变化，降低了神经网络模型训练难度，提高了训练效果。

技术领域

本申请涉及数据处理领域，尤其涉及一种神经网络模型的训练方法及 训练装置。

背景技术

在图像处理技术中，现有技术通过神经网络模型提取图像中的特征， 神经网络模型在提取特征之前，需要先训练出神经网络模型。目前，在机 器学习、深度学习、数据挖掘等任务中，通过各种不同类别的大量数据样 本对神经网络模型进行训练，可使得神经网络模型能够完成不同的计算任 务。

然而，在实际训练神经网络模型的过程中，当图像或者视频中物体的 尺度变化较大时，通过现有技术训练得到的神经网络模型识别物体的精度 较低。

发明内容

本申请提供了一种神经网络模型的训练方法及训练装置，本申请减小 了神经网络模型训练过程中物体的尺度变化，降低了神经网络模型训练难 度，提高了训练效果。

根据本申请的一个方面，提供了一种神经网络模型的训练方法，包括：

根据预设的n个放缩系数将训练数据集中的样本图像进行放缩，得到 n个不同分辨率的图像；n≥1，且n为整数；

针对所述n个不同分辨率的图像中的每一图像，确定对应的m个训练 区域；m≥1，且m为整数；

对所述m个训练区域中每一个训练区域所包含的物体进行标注；

基于标注后的训练数据集训练神经网络模型。

根据本申请的另一个方面，提供了一种图像中目标物的预测方法，包 括：将实际图像按照上述n个放缩系数进行放缩，得到n个具有不同预设 分辨率的图像；n≥1；

将所述n个具有不同预设分辨率的每个图像逐一输入所述的神经网络 模型进行预测，得到预测任务对应的中间预测结果；

将处于预设尺度范围内的中间预测结果根据放缩系数映射到实际图 像，并融合映射后的中间预测结果，得到所述预测任务对应的最终预测结 果。

根据本申请的再一个方面，提供了一种图像中物体识别模型的训练装 置，包括：

放缩模块，用于根据预设的n个放缩系数将训练数据集中的目标图像 进行放缩，得到n个具有不同预设分辨率的图像；n≥1；

确定模块，用于针对所述n个不同分辨率的图像中的每一图像，确定 对应的m个训练区域；m≥1；

标注模块，用于对所述m个训练区域中每一个训练区域所包含的物体 进行标注；

训练模块，基于标注后的训练数据集训练神经网络模型。

根据本申请的又一个方面，提供了一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述可执行指令在被所述处理器运行时使得所述处理器执行上述的 神经网络模型的训练方法，或者，执行上述的一种图像中目标物的预测方 法。

根据本申请的再一个方面，提供了一种计算机可读存储介质，其上存 储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处 理器执行所述的神经网络模型的训练方法，或者，执行上述一种图像中目 标物的预测方法。

本申请能产生的有益效果包括：