[发明专利]智能摄像头模型终端训练方法、装置、设备及介质

权利要求书

1.一种智能摄像头模型终端训练方法，其特征在于，所述方法包括：

合并预置的第一样本集和智能摄像头在本地实时采集的第二样本集，输出训练样本集；

分别根据所述训练样本集对当前模型进行分阶段训练，输出校验模型；

其中，分阶段训练包括模型收敛对应的第一阶段训练和模型微调对应的第二阶段训练。

2.根据权利要求1所述的智能摄像头模型终端训练方法，其特征在于，所述分别根据所述训练样本集对当前模型进行分阶段训练，输出校验模型包括：

获取用于在所述第二阶段训练的各正样本对应的可靠权重；

利用所述训练样本集对所述当前模型进行第一阶段训练，输出中间训练模型；

利用所述可靠权重在所述中间训练模型的基础上，对所述当前模型进行第二阶段训练，输出校验模型；

其中，所述第二阶段训练的各轮训练中，各正样本对应的可靠权重相互独立，可靠权重为当前模型的网络输出层的全中通道输出的参数，本次训练的当前模型为前一次训练后得到的模型；在对中间训练模型的多轮训练中，各轮训练分别加入对应的当前模型对各正样本输出的可靠权重参与本轮训练。

3.根据权利要求1所述的智能摄像头模型终端训练方法，其特征在于，对网络输出层增加用于输出可靠权重的权重通道，所述获取用于在所述第二阶段训练的各正样本对应的可靠权重包括：

获取映射函数和训练集中各正样本一一对应的位置信息；

根据所述位置信息，输出所述权重通道中与各所述位置信息对应的值，由所述映射函数输出与各值对应的各正样本的可靠权重。

4.根据权利要求3所述的智能摄像头模型终端训练方法，其特征在于，每一轮训练包括多个训练batch，对各所述训练batch中属于所述第二样本集的样本对应的各正样本依据可靠权重进行排序，输出可靠权重序列，所述获取用于在所述第二阶段训练的各正样本对应的可靠权重包括：

获取高可靠权重和低可靠权重在所述可靠权重序列的数量占比；

根据所述数量占比由公式M＝α*N，输出各所述高可靠权重和各所述低可靠权重；

M为高可靠权重的数量，α为高可靠权重数量占比，N为各batch中可靠权重序列的可靠权重总数量。

5.根据权利要求4所述的智能摄像头模型终端训练方法，其特征在于，包括用于第一阶段训练的第一损失函数和用于第二阶段训练的第二损失函数。

6.根据权利要求5所述的智能摄像头模型终端训练方法，其特征在于，在各训练batch中，当正样本属于第二样本集时，所述第二损失函数还包括权重通道的第二监督函数，所述利用所述可靠权重在所述中间训练模型的基础上，对所述当前模型进行第二阶段训练，输出校验模型包括：

获取当前所述训练batch输出的所述可靠权重序列；

根据各所述高可靠权重，由公式计算得到当前所述训练batch中各所述高可靠权重对应的第一权重平均值W_H；

根据各所述低可靠权重，由公式计算得到当前所述训练batch中各所述低可靠权重对应的第二权重平均值W_L；

根据所述第一权重平均值W_H、所述第二权重平均值W_L和所述第二监督函数L_w＝max(0，δ-(w_H-w_L)),通过所述第二损失函数进行当前所述训练batch；

重复获取当前所述训练batch输出的所述可靠权重序列至根据所述第一权重平均值W_H、所述第二权重平均值W_L和所述第二监督函数L_w＝max(0，δ-(w_H-w_L)),通过所述第二损失函数进行当前所述训练batch，直到完成所述第二阶段训练，输出所述校验模型；

其中，M为一个训练batch中高可靠权重的数量，N为一个训练batch中属于第二样本集的正样本总数量，W_a为高可靠权重中第a个可靠权重；W_b为低可靠权重中第b个可靠权重，δ为权重差值预设值。