本申請涉及人工智能，尤其涉及一種多任務(wù)標(biāo)注模型的訓(xùn)練方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、在自動駕駛數(shù)據(jù)預(yù)標(biāo)注過程中，長尾數(shù)據(jù)的標(biāo)注是一個常見且難以解決的挑戰(zhàn)。相關(guān)技術(shù)中在遇到對長尾數(shù)據(jù)標(biāo)注效果不好的情況時，或者更新包括長尾數(shù)據(jù)相關(guān)類型數(shù)據(jù)的樣本，重新對標(biāo)注模型進(jìn)行訓(xùn)練，或者嘗試對長尾數(shù)據(jù)進(jìn)行增強(qiáng)，由或者對長尾數(shù)據(jù)的類別權(quán)重進(jìn)行調(diào)整，以解決該問題。

2、這些處理方式成本較高，且在某些情況下訓(xùn)練得到的標(biāo)注模型對長尾數(shù)據(jù)的標(biāo)注準(zhǔn)確度仍然不夠。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本申請實(shí)施例提供了一種多任務(wù)標(biāo)注模型的訓(xùn)練方法、裝置、電子設(shè)備及存儲介質(zhì)，以解決現(xiàn)有技術(shù)中對長尾數(shù)據(jù)的標(biāo)注不夠準(zhǔn)確的問題。

2、本申請實(shí)施例的第一方面，提供了一種多任務(wù)標(biāo)注模型的訓(xùn)練方法，包括：

3、獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括圖像數(shù)據(jù)集，所述圖像數(shù)據(jù)集中的每一圖像數(shù)據(jù)分別被標(biāo)注至少一個類別標(biāo)簽，且所述圖像數(shù)據(jù)集對應(yīng)n個不同的類別，n為大于1的正整數(shù)；

4、獲取預(yù)訓(xùn)練多任務(wù)標(biāo)注模型，所述預(yù)訓(xùn)練多任務(wù)標(biāo)注模型包括共享特征提取網(wǎng)絡(luò)和n個不同的分類網(wǎng)絡(luò)，每個分類網(wǎng)絡(luò)對應(yīng)一個類別；

5、使用所述訓(xùn)練樣本對所述預(yù)訓(xùn)練多任務(wù)標(biāo)注模型進(jìn)行訓(xùn)練，響應(yīng)于確定所述共享特征提取網(wǎng)絡(luò)收斂，凍結(jié)所述共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)；

6、使用所述訓(xùn)練樣本對凍結(jié)了共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)的預(yù)訓(xùn)練多任務(wù)標(biāo)注模型再次進(jìn)行訓(xùn)練，直至所述n個分類網(wǎng)絡(luò)均收斂，得到訓(xùn)練后的多任務(wù)標(biāo)注模型。

7、本申請實(shí)施例的第二方面，提供了一種數(shù)據(jù)標(biāo)注方法，包括：

8、獲取目標(biāo)數(shù)據(jù)；

9、獲取采用如上述第一方面提供的方法訓(xùn)練得到的多任務(wù)標(biāo)注模型；

10、使用所述訓(xùn)練后的多任務(wù)標(biāo)注模型對所述目標(biāo)數(shù)據(jù)進(jìn)行預(yù)測，得到預(yù)測分類；

11、使用所述預(yù)測分類對所述目標(biāo)數(shù)據(jù)進(jìn)行標(biāo)注。

12、本申請實(shí)施例的第三方面，提供了一種多任務(wù)標(biāo)注模型的訓(xùn)練裝置，包括：

13、獲取模塊，被配置為獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括圖像數(shù)據(jù)集，所述圖像數(shù)據(jù)集中的每一圖像數(shù)據(jù)分別被標(biāo)注至少一個類別標(biāo)簽，且所述圖像數(shù)據(jù)集對應(yīng)n個不同的類別，n為大于1的正整數(shù)；

14、所述獲取模塊還被配置為獲取預(yù)訓(xùn)練多任務(wù)標(biāo)注模型，所述預(yù)訓(xùn)練多任務(wù)標(biāo)注模型包括共享特征提取網(wǎng)絡(luò)和n個不同的分類網(wǎng)絡(luò)，每個分類網(wǎng)絡(luò)對應(yīng)一個類別；

15、訓(xùn)練模塊，被配置為使用所述訓(xùn)練樣本對所述預(yù)訓(xùn)練多任務(wù)標(biāo)注模型進(jìn)行訓(xùn)練，響應(yīng)于確定所述共享特征提取網(wǎng)絡(luò)收斂，凍結(jié)所述共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)；

16、所述訓(xùn)練模塊還被配置為使用所述訓(xùn)練樣本對凍結(jié)了共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)的預(yù)訓(xùn)練多任務(wù)標(biāo)注模型再次進(jìn)行訓(xùn)練，直至所述n個分類網(wǎng)絡(luò)均收斂，得到訓(xùn)練后的多任務(wù)標(biāo)注模型。

17、本申請實(shí)施例的第四方面，提供了一種電子設(shè)備，包括存儲器、處理器以及存儲在存儲器中并且可在處理器上運(yùn)行的計算機(jī)程序，該處理器執(zhí)行計算機(jī)程序時實(shí)現(xiàn)上述方法的步驟。

18、本申請實(shí)施例的第五方面，提供了一種計算機(jī)可讀存儲介質(zhì)，該計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)上述方法的步驟。

19、本申請實(shí)施例與現(xiàn)有技術(shù)相比存在的有益效果是：本申請實(shí)施例通過獲取訓(xùn)練樣本和預(yù)訓(xùn)練多任務(wù)標(biāo)注模型，利用訓(xùn)練樣本首先訓(xùn)練預(yù)訓(xùn)練多任務(wù)標(biāo)注模型中的共享特征提取網(wǎng)絡(luò)，并在共享特征提取網(wǎng)絡(luò)訓(xùn)練完成后凍結(jié)其網(wǎng)絡(luò)參數(shù)，然后使用訓(xùn)練樣本對凍結(jié)了共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)的預(yù)訓(xùn)練多任務(wù)標(biāo)注模型再次進(jìn)行訓(xùn)練，得到n個訓(xùn)練好的分類網(wǎng)絡(luò)，進(jìn)而得到訓(xùn)練后的多任務(wù)標(biāo)注模型，實(shí)現(xiàn)了僅訓(xùn)練一個模型即可得到能夠識別多種不同類別數(shù)據(jù)的標(biāo)注模型，同時共享特征提取網(wǎng)絡(luò)在訓(xùn)練完成后可以進(jìn)行參數(shù)凍結(jié)，后續(xù)訓(xùn)練各分類網(wǎng)絡(luò)時無需調(diào)整共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，降低了數(shù)據(jù)處理量且能夠較好地保持標(biāo)注結(jié)果的一致性，提高了數(shù)據(jù)標(biāo)注的效率。

技術(shù)特征：

1.一種多任務(wù)標(biāo)注模型的訓(xùn)練方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述確定所述共享特征提取網(wǎng)絡(luò)收斂，包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述使用所述訓(xùn)練樣本對凍結(jié)了共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)的預(yù)訓(xùn)練多任務(wù)標(biāo)注模型再次進(jìn)行訓(xùn)練，直至所述n個分類網(wǎng)絡(luò)均收斂，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分類網(wǎng)絡(luò)至少包括第二目標(biāo)分類網(wǎng)絡(luò)，所述第二目標(biāo)分類網(wǎng)絡(luò)用于對長尾數(shù)據(jù)進(jìn)行標(biāo)注，所述長尾數(shù)據(jù)為屬于目標(biāo)類別的數(shù)據(jù)量小于預(yù)設(shè)數(shù)據(jù)量閾值的數(shù)據(jù)；

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述使用更新后的訓(xùn)練樣本重新訓(xùn)練所述多任務(wù)標(biāo)注模型，包括：

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，在得到訓(xùn)練后的多任務(wù)標(biāo)注模型后，所述方法還包括：

8.一種多任務(wù)標(biāo)注模型的訓(xùn)練裝置，其特征在于，包括：

9.一種電子設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并且可在所述處理器上運(yùn)行的計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計算機(jī)程序時實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述方法的步驟。

10.一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本申請涉及人工智能技術(shù)領(lǐng)域，提供了一種多任務(wù)標(biāo)注模型的訓(xùn)練方法、裝置、電子設(shè)備及存儲介質(zhì)。該方法通過獲取訓(xùn)練樣本和預(yù)訓(xùn)練多任務(wù)標(biāo)注模型，利用訓(xùn)練樣本首先訓(xùn)練預(yù)訓(xùn)練多任務(wù)標(biāo)注模型中的共享特征提取網(wǎng)絡(luò)，并在共享特征提取網(wǎng)絡(luò)訓(xùn)練完成后凍結(jié)其網(wǎng)絡(luò)參數(shù)，然后使用訓(xùn)練樣本對凍結(jié)了共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)的預(yù)訓(xùn)練多任務(wù)標(biāo)注模型再次進(jìn)行訓(xùn)練，得到N個訓(xùn)練好的分類網(wǎng)絡(luò)，進(jìn)而得到訓(xùn)練后的多任務(wù)標(biāo)注模型，實(shí)現(xiàn)了僅訓(xùn)練一個模型即可得到能夠識別多種不同類別數(shù)據(jù)的標(biāo)注模型，同時共享特征提取網(wǎng)絡(luò)在訓(xùn)練完成后可以進(jìn)行參數(shù)凍結(jié)，后續(xù)訓(xùn)練各分類網(wǎng)絡(luò)時無需調(diào)整共享特征提取網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，降低了數(shù)據(jù)處理量且能夠較好地保持標(biāo)注結(jié)果的一致性，提高了數(shù)據(jù)標(biāo)注的效率。

技術(shù)研發(fā)人員：肖貴明,張操,蘇星溢
受保護(hù)的技術(shù)使用者：重慶賽力斯鳳凰智創(chuàng)科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26