(19)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 202211217650.2 (22)申请日 2022.09.30 (71)申请人 天翼云科技有限公司 地址 100007 北京市东城区青龙胡同甲1 号、 3号2幢2层20 5-32室 (72)发明人 王雨婷　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 路晓丹 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种图像 检测模型的确定方法及装置 (57)摘要 本申请公开了一种图像检测模型的确定方 法及装置， 用以从根本上提升图像检测模型的准 确率。 该方法包括： 获取用于预训练的第一图像 集以及用于构建图像检测模型的多个候选子网 络； 根据多个候选子网络的训练损失， 确定多个 候选子网络分别所属的至少一个集合， 以及确定 每个集合对应的训练方式； 多个候选子网络的训 练损失是基于第一图像集确定的； 采用每个集合 对应的训练方式对每个集合包括的候选子网络 进行训练， 得到训练后的多个候选子网络； 根据 训练后的多个候选子网络的准确率， 确定图像检 测模型包括的子网络 。 权利要求书2页 说明书10页 附图3页 CN 115496969 A 2022.12.20 CN 115496969 A 1.一种图像 检测模型的确定方法， 其特 征在于， 所述方法包括： 获取用于预训练的第一图像集以及用于构建图像 检测模型的多个候选 子网络； 根据所述多个候选子网络的训练损失， 确定所述多个候选子网络分别所属的至少一个 集合， 以及确定每个集合对应的训练方式； 所述多个候选子网络的训练损失是基于所述第 一图像集确定的； 采用所述每个集合对应的训练方式对所述每个集合包括的候选子网络进行训练， 得到 训练后的多个候选 子网络； 根据所述训练后的多个候选 子网络的准确率， 确定所述图像 检测模型包括的子网络 。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取用于预训练 的第二图像集； 所述第 一图像集和所述第 二图像集包括的训练样本不 同； 所述根据 所述训练后的多个候选子网络的准确率， 确定所述图像检测模型中包括的子 网络， 具体包括： 通过所述第 二图像集对所述训练后的多个候选子网络 中的目标子网络进行训练， 确定 所述目标子网络的各参数； 所述目标子网络为所述训练后的多个子候选网络中包含最优解 数量大于设定阈值的任意 一个子网络； 将所述训练后的多个候选子网络中除所述目标子网络外的任一候选子网络的参数替 换为所述各参数； 通过所述第一图像集和所述第二图像集确定替换参数后的所述任一候选子网络的准 确率； 将准确率高于预设值的候选 子网络组成所述图像 检测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述将准确率高于预设值的候选子网络组 成所述神经网络模型， 包括： 根据所述 准确率高于预设值的候选 子网络的多种组合方式， 确定多个候选检测模型； 采用所述第一图像集和所述第二图像集确定所述多个候选检测模型的准确率； 将准确率 最高的候选检测模型作为所述图像 检测模型。 4.根据权利要求1 ‑3任一项所述的方法， 其特征在于， 所述根据 所述多个候选子网络的 训练损失， 确定所述多个候选子网络分别所属的至少一个集合， 以及确定每个集合对应的 训练方式， 包括： 采用所述第一图像集对所述多个候选 子网络进行训练， 确定每 个子网络的训练损失； 根据所述每 个候选子网络的训练损失， 确定所述每 个候选子网络所属的集 合； 基于任一集合包括的候选子网络的训练损失， 根据 所述第一图像集生成所述任一集合 对应的训练方式。 5.一种图像 检测模型的确定装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取用于预训练的第 一图像集以及用于构建图像检测模型的多个候选 子网络； 处理单元， 被配置为执 行： 根据所述多个候选子网络的训练损失， 确定所述多个候选子网络分别所属的至少一个 集合， 以及确定每个集合对应的训练方式； 所述多个候选子网络的训练损失是基于所述第权　利　要　求　书 1/2 页 2 CN 115496969 A 2一图像集确定的； 采用所述每个集合对应的训练方式对所述每个集合包括的候选子网络进行训练， 得到 训练后的多个候选 子网络； 根据所述训练后的多个候选 子网络的准确率， 确定所述图像 检测模型包括的子网络 。 6.根据权利要求5所述的装置， 其特征在于， 所述获取单元， 还用于获取用于预训练的 第二图像集； 所述第一图像集和所述第二图像集包括的训练样本不同； 所述处理单元， 具体执 行： 通过所述第 二图像集对所述训练后的多个候选子网络 中的目标子网络进行训练， 确定 所述目标子网络的各参数； 所述目标子网络为所述训练后的多个子候选网络中包含最优解 数量大于设定阈值的任意 一个子网络； 将所述训练后的多个候选子网络中除所述目标子网络外的任一候选子网络的参数替 换为所述各参数； 通过所述第一图像集和所述第二图像集确定替换参数后的所述任一候选子网络的准 确率； 将准确率高于预设值的候选 子网络组成所述图像 检测模型。 7.根据权利要求6所述的装置， 其特征在于， 所述处理单元， 在将准确率高于预设值的 候选子网络组成所述神经网络模型时， 具体用于： 根据所述 准确率高于预设值的候选 子网络的多种组合方式， 确定多个候选检测模型； 采用所述第一图像集和所述第二图像集确定所述多个候选检测模型的准确率； 将准确率 最高的候选检测模型作为所述图像 检测模型。 8.根据权利要求5 ‑7任一项所述的装置， 其特征在于， 所述处理单元， 在根据所述多个 候选子网络的训练损失， 确定所述多个候选子网络分别所属的至少一个集合， 以及确定每 个集合对应的训练方式时， 具体用于： 采用所述第一图像集对所述多个候选 子网络进行训练， 确定每 个子网络的训练损失； 根据所述每 个候选子网络的训练损失， 确定所述每 个候选子网络所属的集 合； 基于任一集合包括的候选子网络的训练损失， 根据 所述第一图像集生成所述任一集合 对应的训练方式。 9.一种电子设备， 其特 征在于， 包括： 存储器， 用于存 储计算机指令； 控制器， 与所述存储器连接， 用于执行所述存储器 中的计算机指令， 且在执行所述计算 机指令时实现如权利要求1～4中任一项所述的方法。 10.一种计算机可读存 储介质， 其特 征在于， 包括： 所述计算机可读存储介质存储有计算机指令， 当所述计算机指令在计算机上运行时， 使得所述计算机执 行如权利要求1～4中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115496969 A 3