[发明专利]网络模型的训练方法、装置、电子设备及存储介质

说明书

本公开涉及人工智能技术领域，提供了一种网络模型的训练方法、装置、电子设备及存储介质。该方法应用于无人车，即无人驾驶设备或自动驾驶设备，包括：执行第一训练步骤，以利用点云数据集中的有标签数据对改进的网络模型进行训练；执行处理步骤，以利用训练得到的改进的网络模型对点云数据集中的无标签数据进行打上伪标签的处理，生成无标签数据的伪标签数据；执行第二训练步骤，以利用伪标签数据和有标签数据对改进的网络模型进行训练；交替执行处理步骤和第二训练步骤，直至满足改进的网络模型的训练结束条件。本公开能够基于伪标签数据和有标签数据对改进的网络模型进行训练，因此，提升了网络模型的泛化性能，提高了网络模型的预测准确率。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种网络模型的训练方法、装置、电子设备及计算机可读存储介质。

背景技术

深度学习（Deep Learning，DL）是机器学习（Machine Learning，ML）研究中的一个新的领域，其动机在于建立和模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据，例如，图像、声音和文本。深度学习是无监督学习的一种。

近年来，随着深度学习技术的不断进步和计算机算力的不断提升，数据分类技术在诸如语音分析、图像识别、自然语言处理等各个领域取得了巨大的进展。以图像识别技术领域为例，通常可以使用大规模的有标签数据的训练样本作为训练集，应用相应的神经网络来训练分类器，使其可以学习图像的全局或局部特征，并将该全局或局部特征与已学习的特征进行比对，从而确定每个图像中对象的类别。

然而，现有的数据分类技术依赖于人工标注的标签数据，这不仅耗费了大量的时间和人力成本，而且受限于标签数据的准确性和数据规模等因素，导致网络模型的泛化性能差且预测准确率低。

发明内容

有鉴于此，本公开实施例提供了一种网络模型的训练方法、装置、电子设备及计算机可读存储介质，以解决现有技术中数据分类技术依赖于人工标注的标签数据，耗费了大量的时间和人力成本且受限于标签数据的准确性和数据规模，导致网络模型的泛化性能差且预测准确率低的问题。

本公开实施例的第一方面，提供了一种网络模型的训练方法，包括：执行第一训练步骤，以利用点云数据集中的有标签数据对改进的网络模型进行训练；执行处理步骤，以利用训练得到的改进的网络模型对点云数据集中的无标签数据进行打上伪标签的处理，生成无标签数据的伪标签数据；执行第二训练步骤，以利用伪标签数据和有标签数据对改进的网络模型进行训练；交替执行处理步骤和第二训练步骤，直至满足改进的网络模型的训练结束条件。

本公开实施例的第二方面，提供了一种网络模型的训练装置，包括：第一训练模块，被配置为执行第一训练步骤，以利用点云数据集中的有标签数据对改进的网络模型进行训练；处理模块，被配置为执行处理步骤，以利用训练得到的改进的网络模型对点云数据集中的无标签数据进行打上伪标签的处理，生成无标签数据的伪标签数据；第二训练模块，被配置为执行第二训练步骤，以利用伪标签数据和有标签数据对改进的网络模型进行训练；交替模块，被配置为控制处理模块和第二训练模块交替执行处理步骤和第二训练步骤，直至满足改进的网络模型的训练结束条件。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。