[发明专利]一种模型训练方法及装置

说明书

本发明公开了一种模型训练方法及装置，所述方法包括：当判定待训练模型处于新增样本的过程中时，计算新增样本数量度量和新增样本目标特征差异性度量；根据新增样本数量度量和新增样本目标特征差异性度量，计算综合度量；当判定综合度量大于第一预设数值时，训练待训练模型，直至判定待训练模型不处于新增样本的过程中时，完成模型训练。采用本发明实施例能实现模型的不断迭代优化、提高优化效率。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种模型训练方法及装置。

背景技术

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，已远超过相关传统技术。

深度学习在ADAS系统中应用广泛，尤其是基于目标检测的深度学习算法，是完成基于图像的车辆检测、行人检测、车道线检测等多种任务的技术基础。在实际应用中，ADAS使用场景非常复杂，需要提高目标检测模型的泛化能力。

现有技术中，可以通过以下角度训练模型从而提高模型的泛化能力，所述角度包括：数据角度、模型设计角度和模型训练角度等。但是在实际应用中，虽然上述模型训练方法无法实现模型的不断迭代优化、存在效率低下的问题。

发明内容

本发明实施例提供一种模型训练方法及装置，能够实现模型的不断迭代优化、提高优化效率。

本申请实施例的第一方面提供了一种模型训练方法，包括：

当判定待训练模型处于新增样本的过程中时，计算新增样本数量度量和新增样本目标特征差异性度量；

根据新增样本数量度量和新增样本目标特征差异性度量，计算综合度量；

当判定综合度量大于第一预设数值时，训练待训练模型，直至判定待训练模型不处于新增样本的过程中时，完成模型训练。

在第一方面的一种可能的实现方式中，计算新增样本数量度量，具体为：

将新增样本数量的初始值设置为零，当判定待训练模型处于新增样本的过程中时，更新新增样本数量，得到第一新增样本数量；

当判定第一新增样本数量大于第二预设数值时，将第一新增样本数量作为新增样本数量度量。

在第一方面的一种可能的实现方式中，计算新增样本目标特征差异性度量，具体为：

当判定待训练模型处于新增样本的过程中时，计算第一特征向量和第二特征向量之间的第一聚类中心距离；其中，第一特征向量为原有样本的目标特征向量，第二特征向量为新增样本的目标特征向量；

当第一聚类中心距离大于第三预设数值时，记为第二聚类中心距离；

计算第二聚类中心距离的数量，将第二聚类中心距离的数量作为新增样本目标特征差异性度量。

在第一方面的一种可能的实现方式中，在计算新增样本数量度量和新增样本目标特征差异性度量之后，还包括：

根据新增样本更新原有样本集。

在第一方面的一种可能的实现方式中，判定待训练模型处于新增样本的过程中，具体为：

当待训练模型已经开始或正在持续进行新增样本的采集与标注，则判定待训练模型处于新增样本的过程中。

本申请实施例的第二方面提供了一种模型训练装置，包括：第一计算模块、第二计算模块和训练模块；

其中，第一计算模块用于当判定待训练模型处于新增样本的过程中时，计算新增样本数量度量和新增样本目标特征差异性度量；