(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 (43)申请公布日 (21)申请 号 202111605270.1 (22)申请日 2021.12.24 (71)申请人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 江俊林　朱树磊　殷俊　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 代理人 周婷婷 (51)Int.Cl. G06N 20/00(2019.01) G06V 10/774(2022.01) G06V 10/764(2022.01) (54)发明名称 图像处理模 型的训练方法和装置、 存储介质 及电子设备 (57)摘要 本发明公开了一种图像处理模型的训练方 法和装置、 存储介质及电子设备。 其中， 该方法包 括： 获取每个训练样本在每个迭代周期内进行模 拟训练后得到的样本损失值； 根据获取到的训练 样本在多个迭代周期内得到的多个样本损失值， 确定训练样本所属的样本类型， 其中， 样本类型 用于指示训练样本在模拟训练中达到收敛条件 的收敛程度； 为目标样本类型的目标训练样本添 加关注标记， 并利用目标训练样 本对原始模型进 行模型训练， 直至得到达到与目标样本类型相匹 配的第二收敛条件的目标模型， 其中， 关注标记 用于指示增加目标训练样本在每个迭代周期内 的模型训练中的训练权重。 本发 明解决了模型训 练不当导致的图像处理模型性能不佳的技术问 题。 权利要求书2页 说明书11页 附图4页 CN 114330744 A 2022.04.12 CN 114330744 A 1.一种图像处 理模型的训练方法， 其特 征在于， 包括： 获取每个训练样本在每个迭代周期内进行模拟训练后得到的样本损 失值， 其中， 所述 模拟训练为利用所述训练样本对原始模型进 行多次迭代训练， 直至所述原始模型的模型损 失值达到第一收敛 条件； 根据获取到的所述训练样本在多个所述迭代周期内得到的多个样本损失值， 确定所述 训练样本所属的样本类型， 其中， 所述样本类型用于指示所述训练样本在模拟训练中达到 收敛条件的收敛程度； 为目标样本类型的目标训练样本添加关注标记， 并利用所述目标训练样本对所述原始 模型进行模型训练， 直至得到达到与所述目标样本类型相匹配的第二收敛条件的目标模 型， 其中， 所述关注标记用于指示增加所述 目标训练样本在每个迭代周期 内的模型训练中 的训练权 重。 2.根据权利要求1所述的方法， 其特征在于， 所述根据获取到的所述训练样本在多个所 述迭代周期内得到的多个样本损失值， 确定所述训练样本所属的样本类型包括： 根据每个所述训练样本在所述模拟训练的每个迭代周期的样本损失值， 绘制每个所述 训练样本的迭代损失 图， 其中， 所述迭代损失 图用于指示所述训练样本的样本损失值与所 述模拟训练的迭代周期的对应关系； 根据每个所述训练样本的迭代损失图所指示的样本模拟损失值， 确定所述训练样本的 样本类型。 3.根据权利要求2所述的方法， 其特征在于， 所述根据每个所述训练样本的迭代损失图 所指示的样本模拟损失值， 确定所述训练样本的样本类型包括： 在所述训练样本的样本模拟损失值小于第 一阈值的情况下， 确定所述训练样本属于第 一样本类型， 其中， 所述第一样本类型在所述模拟训练中完成收敛； 在所述训练样本的样本模拟损失值大于第 二阈值的情况下， 确定所述训练样本属于噪 声样本类型， 其中， 所述第二阈值大于所述第一阈值； 在所述训练样本的样本模拟损失值大于等于所述第一阈值且小于等于所述第二阈值 的情况下， 确定所述训练样 本属于关注样本类型， 其中， 所述关注样本类型在所述模拟训练 中未完成收敛。 4.根据权利要求3所述的方法， 其特征在于， 根据每个所述训练样本的迭代损失图所指 示的样本模拟损失值， 确定所述训练样本的样本类型包括： 计算所述关注样本类型的训练样本的收敛损 失均值， 其中， 所述收敛损 失均值为所述 训练样本在达 到收敛条件下的样本损失值的均值； 根据所述关注样本类型的训练样本的收敛损失均值确定目标分割阈值； 将所述关注样本类型中样本模拟损失值小于所述目标分割阈值的训练样本， 确定为所 述目标样本类型的所述目标训练样本 。 5.根据权利要求3所述的方法， 其特征在于， 根据每个所述训练样本的迭代损失图所指 示的样本模拟损失值， 确定所述训练样本的样本类型包括： 按照所述样本模拟损 失值， 对所述关注样本类型的训练样本进行排序， 得到关注样本 序列； 将所述关注样本序列中位于目标序位的训练样本作为所述目标样本类型的初始目标权　利　要　求　书 1/2 页 2 CN 114330744 A 2训练样本 。 6.根据权利要求5所述的方法， 其特征在于， 所述为目标样本类型的目标训练样本添加 关注标记， 并利用所述目标训练样本对所述原 始模型进行模型训练包括： 为所述初始目标训练样本添加所述关注标记， 并利用添加所述关注标记的所述初始目 标训练样本对所述原 始模型进行第一迭代训练； 获取所述关注样本类型的训练样本基于所述第一迭代模型训练得到的第一迭代样本 损失值； 将所述关注样本类型的训练样本按照所述第一迭代样本损失值进行排序得到的第一 关注样本序列中， 位于所述目标序位的训练样本作为第二目标训练样本； 为所述第二目标训练样本添加所述关注标记， 并利用添加所述关注标记的所述第 二目 标训练样本对所述原 始模型进行第二迭代训练。 7.根据权利要求3至6任一项所述的方法， 其特征在于， 在为目标样本类型的目标训练 样本添加关注标记， 并利用所述 目标训练样本对所述原始模型进行模型训练， 直至得到达 到与所述目标样本类型相匹配的第二收敛 条件的目标模型之后， 还 包括： 为所述关注样本类型的训练样本 中的目标数据添加加强标记， 并利用添加所述加强标 记的训练样本， 对所述目标模型进 行加强训练， 其中， 所述加强训练用于提高所述目标模型 识别所述目标 数据的成功率达 到识别阈值。 8.一种图像处 理模型的训练装置， 其特 征在于， 包括： 获取单元， 用于获取每个训练样本在每个迭代周期内进行模拟训练后得到的样本损失 值， 其中， 所述模拟训练为利用所述训练样本对原始模型进 行多次迭代训练， 直至所述原始 模型的模型损失值达 到第一收敛 条件； 确定单元， 用于根据获取到的所述训练样本在多个所述迭代周期内得到的多个样本损 失值， 确定所述训练样本所属的样本类型， 其中， 所述样 本类型用于指示所述训练样本在模 拟训练中达 到收敛条件的收敛程度； 训练单元， 用于为目标样本类型的目标训练样本添加关注标记， 并利用所述目标训练 样本对所述原始模型进行模型训练， 直至得到达到与所述目标样本类型相匹配的第二收敛 条件的目标模型， 其中， 所述关注标记用于指示增加所述 目标训练样本在每个迭代周期内 的模型训练中的训练权 重。 9.一种计算机可读的存储介质， 其特征在于， 所述计算机可读的存储介质包括存储的 程序， 其中， 所述 程序运行时执 行所述权利要求1至7任一项中所述的方法。 10.一种电子设备， 包括存储器和 处理器， 其特征在于， 所述存储器中存储有计算机程 序， 所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方 法。权　利　要　求　书 2/2 页 3 CN 114330744 A 3