[发明专利]一种目标特征提取方法及装置

说明书

本申请实施例提供了一种目标特征提取方法及装置，通过获取待处理的图像，利用预先训练的网络模型，从图像中提取目标特征。其中，网络模型是采用数据并行训练方式，利用针对不同训练阶段设置的不同超参分别对多个初始神经网络进行训练得到。在进行网络模型训练时，采用数据并行训练方式，利用针对不同训练阶段设置的不同超参分别对多个初始神经网络进行训练，针对每个初始神经网络，无需设置统一的超参，超参的设置更为灵活，网络模型受超参的影响降低，保证了网络模型的精度，利用训练得到的网络模型进行目标特征提取，所提取的目标特征更为精准，从而提高了图像处理结果的准确性。

技术领域

本申请涉及智能技术领域，特别是涉及一种目标特征提取方法及装置。

背景技术

神经网络作为机器学习研究中的一个新兴领域，通过模仿人脑的机制来分析数据，已在智能领域得到广泛应用。在图像处理的应用场景下，通过将待处理的图像输入网络模型，即可提取出图像中的目标特征，实现端到端的图像处理功能。上述网络模型基于神经网络建立并通过训练得到，网络模型的训练过程直接影响着图像处理结果的准确性。

相关技术中，在训练网络模型的过程中需要人工配置一些参数，如网络模型的中间层数量、所使用的激活函数、损失函数、迭代次数等，下文称这些参数为超参数。超参数的设置将对训练得到的网络模型的性能产生影响，因此超参数的设定也将影响到图像处理结果的准确性。

然而，在相关技术中，超参往往是技术人员根据自身的调参经验设置的，如果设置的不合理，会导致网络模型精度较差，进一步影响图像处理结果的准确性。

发明内容

本申请实施例的目的在于提供一种目标特征提取方法及装置，以提高图像处理结果的准确性。具体技术方案如下：

第一方面，本申请实施例提供了一种目标特征提取方法，该方法包括：

获取待处理的图像；

利用预先训练的网络模型，从上述图像中提取目标特征；其中，网络模型为采用数据并行训练方式，利用针对不同训练阶段设置的不同超参分别对多个初始神经网络进行训练得到。

在一种可能的实施例中，所述网络模型的训练方式，包括：

采用预先设置的同一超参，对多个初始神经网络进行数据并行训练；

在满足预先设定的第一停止条件的情况下，停止对所述多个初始神经网络的训练，得到多个更新神经网络；

在每个不同的训练阶段中，对所述多个更新神经网络进行并行训练，并在每个训练阶段完成后，对该训练阶段训练得到的各神经网络进行精度测试，其中，在每个训练阶段中针对每个更新神经网络设置的超参不同；

在满足预先设定的第二停止条件的情况下，停止对所述多个更新神经网络的并行训练，并根据最后一个训练阶段训练得到的各神经网络中精度最高的神经网络的网络结构，确定最终训练得到的网络模型。

在一种可能的实施例中，所述在每个不同的训练阶段中，对所述多个更新神经网络进行并行训练，并在每个训练阶段完成后，对该训练阶段训练得到的各神经网络进行精度测试的步骤，包括：

在每个训练阶段中，并行地针对每个更新神经网络，采用按照预设规则设置的该更新神经网络对应的超参，对该更新神经网络进行单次训练，得到单次训练后的神经网络；

在每个训练阶段完成后，对每个单次训练后的神经网络进行精度测试，确定该训练阶段训练得到的精度最高的神经网络；

将该训练阶段训练得到的精度最高的神经网络的网络权值拷贝至其他各单次训练后的神经网络；

将各单次训练后的神经网络作为新的更新神经网络，开始下一个训练阶段的并行训练，其中，在除第一个训练阶段外的其他训练阶段中，一个更新神经网络对应的超参被设置为上一个训练阶段得到的精度最高的神经网络对应的超参。