基于人工智能的模型训练方法和相关装置.pdf

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 111126515 A (43)申请公布日 2020.05.08 (21)申请号 202010237383.X (22)申请日 2020.03.30 (71)申请人 腾讯科技（深圳）有限公司 地址 518064 广东省深圳市南山区高新区 科技中一路腾讯大厦35层 (72)发明人 宋奕兵　刘威　 (74)专利代理机构 深圳市深佳知识产权代理事 务所(普通合伙) 44285 代理人 常忠良 (51)Int.Cl. G06K 9/62(2006.01) G06K 9/00(2006.01) G06N 20/00(2019.01) 权利要求书2页 说明书12页 附图5页 (54)发明名称 基于人工智能的模型训练方法和相关装置 (57)摘要 本申请实施例公开了一种基于人工智能的 模型训练方法和相关装置，通过构造正负标签 对，并对由正负标签对求得的第一损失和第二损 失对输入求偏导，得到分别反映目标对象和背景 内容的内生响应图，然后利用L2范数损失来度量 两者的距离。通过最大化目标对象和背景内容对 应的内生响应图的空间距离，得到背景扰动损 失。在原始损失的基础上，增加背景扰动损失，对 网络模型的参数进行更新，增强了网络模型对目 标对象和背景内容的分辨能力，提高了网络性 能。 A 5 1 5 6 2 1 1 1 1 N C CN 111126515 A 权　利　要　求　书 1/2页 1.一种基于人工智能的模型训练方法，其特征在于，所述方法由处理设备执行，所述方 法包括： 根据标识目标对象的目标图像和包括所述目标对象的训练图像训练网络模型，得到所 述训练图像对应的识别结果，所述识别结果用于标识所述训练图像中所述目标对象的预测 位置，所述训练图像具有对应的正标签和负标签，所述正标签用于标识所述训练图像中所 述目标对象的实际位置，所述负标签用于标识所述训练图像中背景内容的实际位置； 确定所述识别结果相对于所述正标签的第一损失，以及相对于所述负标签的第二损 失； 根据所述第一损失和所述第二损失确定背景扰动损失，所述背景扰动损失用于标识所 述背景内容对识别所述目标对象的影响； 根据所述背景扰动损失对所述网络模型的参数进行更新。 2.根据权利要求1所述的方法，其特征在于，所述根据所述第一损失和所述第二损失确 定背景扰动损失，包括： 根据所述第一损失确定第一贡献信息，以及根据所述第二损失确定第二贡献信息；所 述第一贡献信息用于标识所述训练图像中特征点对预测所述目标对象所处位置的贡献程 度，所述第二贡献信息用于标识所述训练图像中特征点对预测所述背景内容所处位置的贡 献程度； 根据所述第一贡献信息和所述第二贡献信息之间的差异信息，确定所述背景扰动损 失。 3.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失确定第一贡献信 息，包括： 通过所述第一损失在所述网络模型中进行反向传播，通过中间层的输出确定所述第一 贡献信息； 所述根据所述第二损失确定第二贡献信息，包括： 通过所述第二损失在所述网络模型中进行反向传播，通过中间层的输出确定所述第二 贡献信息。 4.根据权利要求2所述的方法，其特征在于，所述根据所述第一贡献信息和所述第二贡 献信息之间的差异信息，确定所述背景扰动损失，包括： 计算所述第一贡献信息和所述第二贡献信息间的特征距离； 将所述特征距离作为所述差异信息确定所述背景扰动损失