[发明专利]用于训练神经网络模型的方法和设备

权利要求书

1.一种处理器实现的训练神经网络模型的方法，所述方法包括：

接收输入数据和目标数据，其中，输入数据包括包含多种对象的图像，所述多种对象分别与多个类对应，其中，目标数据包括第一目标数据和第二目标数据，第一目标数据包括地面真值标签，第二目标数据包括在输入数据中的图像中所述多个类的概率的分布；

通过神经网络模型从输入数据中的图像提取特征图；

通过神经网络模型基于特征图的每个类的概率对特征图进行池化，以获得池化出的特征图；

通过将输入数据输入到神经网络模型来生成输出数据，其中，输出数据包括输入数据中的图像中的对象的识别结果；

基于将输出数据与第一目标数据进行比较来确定第一损失，并且基于第二目标数据与池化出的特征图来确定池化的辅助损失；以及

基于第一损失和辅助损失来训练神经网络模型。

2.根据权利要求1所述的方法，其中，辅助损失包括基于第二目标数据与通过神经网络模型池化出的特征图之间的差异而确定的损失。

3.根据权利要求1所述的方法，其中，特征图包括特征图中的元素所属的类的信息，并且特征图的每个类的概率基于元素所属的类的信息来确定。

4.根据权利要求3所述的方法，其中，神经网络模型被配置为：基于在由池化的比例因子确定的特征图的单元区域中的属于所述多个类中的每个类的元素的数量与包括在特征图的单元区域中的元素的总数量之比来确定特征图的每个类的概率。

5.根据权利要求4所述的方法，其中，对特征图进行池化的步骤包括：针对所述多个类中的至少一个类，通过神经网络模型基于特征图的每个类的概率以单元区域为单位对特征图执行池化，

其中，在针对所述至少一个类中的每个类而确定的相应特征图中，与每个单元区域对应的特征图的值是每个单元区域中的每个类的概率。

6.根据权利要求1所述的方法，

其中，辅助损失包括基于包括在第二目标数据中的输入数据的所述多个类的概率的分布与池化出的特征图的所述多个类的概率的分布之间的距离而计算的损失。

7.一种用于训练神经网络模型的设备，所述设备包括：

存储器，被配置为存储神经网络模型；以及

处理器，被配置为：

接收输入数据和目标数据，其中，输入数据包括包含多种对象的图像，并且所述多种对象分别与多个类对应，其中，目标数据包括第一目标数据和第二目标数据，第一目标数据包括地面真值标签，第二目标数据包括在输入数据中的图像中所述多个类的概率的分布；

通过神经网络模型从输入数据中的图像提取特征图；

通过神经网络模型基于特征图的每个类的概率对特征图进行池化，以获得池化出的特征图；

通过将输入数据输入到神经网络模型来生成输出数据，其中，输出数据包括输入数据中的图像中的对象的识别结果；

基于将输出数据与第一目标数据进行比较来确定第一损失，并且基于第二目标数据与池化出的特征图来确定池化的辅助损失，以及

基于第一损失和辅助损失来训练神经网络模型。

8.根据权利要求7所述的设备，其中，辅助损失包括基于第二目标数据与通过神经网络模型池化出的特征图之间的差异而确定的损失。

9.根据权利要求7所述的设备，其中，特征图包括特征图中的元素所属的类的信息，并且特征图的每个类的概率基于元素所属的类的信息来确定。

10.根据权利要求9所述的设备，其中，神经网络模型被配置为：基于在由池化的比例因子确定的特征图的单元区域中的属于所述多个类中的每个类的元素的数量与包括在特征图的单元区域中的元素的总数量之比来确定特征图的每个类的概率。