CN111708561A - 算法模型更新***、方法、装置及电子设备 - Google Patents
算法模型更新***、方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111708561A CN111708561A CN202010555098.2A CN202010555098A CN111708561A CN 111708561 A CN111708561 A CN 111708561A CN 202010555098 A CN202010555098 A CN 202010555098A CN 111708561 A CN111708561 A CN 111708561A
- Authority
- CN
- China
- Prior art keywords
- algorithm model
- data
- false alarm
- detection device
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 519
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 341
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 25
- 238000013461 design Methods 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Security & Cryptography (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供了算法模型更新***、方法、装置及电子设备,检测设备上传给算法模型更新平台的误报消息中包括检测结果错误的待检测数据,算法模型更新平台的模型提供方不用采集样本数据,减少了样本数据搜集的困难度;每个检测设备可以根据自身的实际检测场景进行算法模型的更新,因此每个检测设备均可以拥有自身场景对应的算法模型,相比于由模型提供方针对每个场景去主动设计算法模型,减少了碎片化场景的算法模型设计成本,适用于碎片化的使用场景,同时在检测设备当前加载的算法模型的基础之上进行训练,不用重新设计算法,不用从最初开始对算法模型进行训练,节省了算法模型的训练时间,能够大大缩短算法模型的更新周期。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及算法模型更新***、方法、装置及电子设备。
背景技术
随着计算机技术的发展,算法模型在人工智能领域的使用场景越来越多,同时算法模型的种类及数量也越来越多。由于算法模型训练是一种基于大数据的学习过程,算法模型的准确率还很难达到百分之百,所以在实际使用中会存在误报的现象,影响用户体验。
实际应用场景中通过智能摄像机或硬盘录像机等检测设备,利用自身加载的算法模型,对待检测的图像数据等进行检测,从而实现人脸识别或车辆识别等业务。相关技术中,如果想更新算法模型以提高算法模型的准确率,主要依赖算法模型的模型提供方提供新版本的算法模型。具体的,例如图1所示,用户需要向模型提供方提供自身的需求,即用户希望得到的算法模型的功能;模型提供方根据用户的需求,采集样本数据,然后模型提供方对样本数据进行标定;模型提供方根据用户需求设计初始的算法模型,然后利用标定后的样本数据对算法模型进行训练,得到训练好的算法模型;模型提供方对训练好的算法模型进行测试;待测试通过后,将算法模型上线以供实际应用场景中的检测设备使用。
但是采用上述方法进行算法模型更新,算法模型更新周期长。
发明内容
本申请实施例的目的在于提供一种算法模型更新***、方法、装置及电子设备,以实现减少算法模型的更新周期。具体技术方案如下:
第一方面,本申请实施例提供了一种算法模型更新***,所述***包括:
算法模型更新平台及检测设备;
所述检测设备,用于基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;当所述检测结果错误时,向所述算法模型更新平台发送误报消息,其中,所述误报消息中包括所述待检测数据;
所述算法模型更新平台,用于当接收到所述误报消息后,获取所述检测设备当前加载的算法模型及所述待检测数据的真值标定结果;利用所述真值标定结果及所述待检测数据对所述检测设备当前加载的算法模型进行训练,得到目标算法模型,并向所述检测设备发送所述目标算法模型;
所述检测设备,还用于当接收到所述目标算法模型后,将当前加载的算法模型更新为所述目标算法模型。
在一种可能的实施方式中,所述检测设备还用于:当所述待检测数据的检测结果错误时,获取所述待检测数据的特征区域及所述特征区域对应的区域检测结果,其中,所述特征区域为基于所述检测设备当前加载的算法模型检测出的目标所在的区域;所述误报消息中还包括所述特征区域及所述区域检测结果;
所述算法模型更新平台,具体用于根据所述误报消息中的特征区域及所述区域检测结果,得到区域检测结果错误的特征区域作为易错区域,获取所述易错区域的真值标定结果作为所述待检测数据的真值标定结果。
在一种可能的实施方式中,所述算法模型更新平台包括:算法模型更新服务器及业务应用服务器;
所述检测设备,具体用于将所述误报消息发送给所述业务应用服务器;
所述业务应用服务器,用于获取所述检测设备当前加载的算法模型,将所述误报消息发送给所述算法模型更新服务器,并指示所述算法模型更新服务器对所述检测设备当前加载的算法模型进行训练;
所述算法模型更新服务器,用于获取所述检测设备当前加载的算法模型、所述误报消息及所述误报消息中待检测数据的真值标定结果,利用所述误报消息中待检测数据的真值标定结果及所述误报消息对所述检测设备当前加载的算法模型进行训练,得到目标算法模型,并指示所述业务应用服务器所述目标算法模型训练完成;
所述业务应用服务器,用于获取所述目标算法模型,并向所述检测设备发送所述目标算法模型。
在一种可能的实施方式中,所述业务应用服务器,具体用于:确定与目标检测设备业务相同的各检测设备,得到各待校正检测设备;向各所述待校正检测设备发送所述目标算法模型,其中,所述目标检测设备为发送所述误报消息的检测设备。
在一种可能的实施方式中,所述检测设备还用于:向所述业务应用服务器发送历史版本算法模型的回溯请求,其中,所述回溯请求中包括所述历史版本算法模型的模型标识;
所述业务应用服务器还用于:当接收到所述回溯请求后,按照所述回溯请求中的模型标识,获取所述历史版本算法模型,并向发送所述回溯请求的检测设备发送所述历史版本算法模型;
所述检测设备还用于,当接收到所述历史版本算法模型后,将当前加载的算法模型更新为所述历史版本算法模型。
第二方面,本申请实施例提供了一种算法模型更新方法,应用于算法模型更新平台,所述方法包括:
当接收到第一检测设备发送的误报消息时,获取待校正算法模型及所述误报消息中的易错数据的真值标定结果,其中,所述待校正算法模型为所述第一检测设备中当前加载的算法模型,所述易错数据为导致所述待校正算法模型产生错误检测结果的待检测数据;
利用所述真值标定结果及所述易错数据对所述待校正算法模型进行训练,得到目标算法模型;
向所述第一检测设备发送所述目标算法模型,以使所述第一检测设备将当前加载的算法模型更新为所述目标算法模型。
在一种可能的实施方式中,所述误报消息中还包括所述易错数据的特征区域及所述特征区域对应的区域检测结果,所述特征区域为基于所述待校正算法模型检测出的目标所在的区域;所述方法还包括:
根据所述误报消息中的特征区域及所述区域检测结果,确定区域检测结果错误的特征区域,作为易错区域;
获取所述易错区域的真值标定结果作为所述待检测数据的真值标定结果。
在一种可能的实施方式中,所述方法还包括:
确定与所述第一检测设备业务相同的各检测设备,得到各待校正检测设备;
向各所述待校正检测设备发送所述目标算法模型,以使各所述待校正检测设备将当前加载的算法模型更新为所述目标算法模型。
在一种可能的实施方式中,所述方法还包括:
当接收到第二检测设备发送的回溯请求时,按照所述回溯请求中的模型标识,获取所述模型标识表示的历史版本算法模型,其中,所述回溯请求中包括所述历史版本算法模型的模型标识;
并向所述第二检测设备发送所述历史版本算法模型,以使所述第二检测设备将当前加载的算法模型更新为所述历史版本算法模型。
第三方面,本申请实施例提供了一种算法模型更新方法,应用于检测设备,所述方法包括:
基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;
当所述待检测数据的检测结果错误时,向算法模型更新平台发送误报消息,以使所述算法模型更新平台根据所述误报消息对所述当前加载的算法模型进行训练,从而得到目标算法模型,其中,所述误报消息中包括易错数据,所述易错数据为检测结果错误的待检测数据;
当接收算法模型更新平台发送的目标算法模型时,将当前加载的算法模型更新为所述目标算法模型。
在一种可能的实施方式中,所述方法还包括:
当所述待检测数据的检测结果错误时,获取所述待检测数据的特征区域及所述特征区域对应的区域检测结果,其中,所述特征区域为基于所述当前加载的算法模型检测出的目标所在的区域,所述误报消息中还包括所述特征区域及所述区域检测结果。
第四方面,本申请实施例提供了一种算法模型更新装置,应用于算法模型更新平台,所述装置包括:
误报消息接收模块,用于当接收到第一检测设备发送的误报消息时,获取待校正算法模型及所述误报消息中的易错数据的真值标定结果,其中,所述待校正算法模型为所述第一检测设备中当前加载的算法模型,所述易错数据为导致所述待校正算法模型产生错误检测结果的待检测数据;
算法模型训练模块,用于利用所述真值标定结果及所述易错数据对所述待校正算法模型进行训练,得到目标算法模型;
算法模型发送模块,用于向所述第一检测设备发送所述目标算法模型,以使所述第一检测设备将当前加载的算法模型更新为所述目标算法模型。
在一种可能的实施方式中,所述误报消息中还包括所述易错数据的特征区域及所述特征区域对应的区域检测结果,所述特征区域为基于所述待校正算法模型检测出的目标所在的区域;所述装置还包括:
标定结果获取模块,用于根据所述误报消息中的特征区域及所述区域检测结果,确定区域检测结果错误的特征区域,作为易错区域;获取所述易错区域的真值标定结果作为所述待检测数据的真值标定结果。
在一种可能的实施方式中,所述装置还包括:
算法模型校正模块,用于确定与所述第一检测设备业务相同的各检测设备,得到各待校正检测设备;向各所述待校正检测设备发送所述目标算法模型,以使各所述待校正检测设备将当前加载的算法模型更新为所述目标算法模型。
在一种可能的实施方式中,所述装置还包括:
算法模型回溯模块,用于当接收到第二检测设备发送的回溯请求时,按照所述回溯请求中的模型标识,获取所述模型标识表示的历史版本算法模型,其中,所述回溯请求中包括所述历史版本算法模型的模型标识;向所述第二检测设备发送所述历史版本算法模型,以使所述第二检测设备将当前加载的算法模型更新为所述历史版本算法模型。
第五方面,本申请实施例提供了一种算法模型更新装置,应用于检测设备,所述装置包括:
检测结果获取模块,用于基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;
误报消息发送模块,用于当所述待检测数据的检测结果错误时,向算法模型更新平台发送误报消息,以使所述算法模型更新平台根据所述误报消息对所述当前加载的算法模型进行训练,从而得到目标算法模型,其中,所述误报消息中包括易错数据,所述易错数据为检测结果错误的待检测数据;
算法模型接收模块,用于当接收算法模型更新平台发送的目标算法模型时,将当前加载的算法模型更新为所述目标算法模型。
在一种可能的实施方式中,所述装置还包括:
特征区域获取模块,用于当所述待检测数据的检测结果错误时,获取所述待检测数据的特征区域及所述特征区域对应的区域检测结果,其中,所述特征区域为基于所述当前加载的算法模型检测出的目标所在的区域,所述误报消息中还包括所述特征区域及所述区域检测结果。
第六方面,本申请实施例提供了一种电子设备,包括:处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器用于执行所述存储器存放的计算机程序时,实现上述任一应用于算法模型更新平台的算法模型更新方法。
第七方面,本申请实施例提供了一种电子设备,包括:处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器用于执行所述存储器存放的计算机程序时,实现上述任一应用于检测设备的算法模型更新方法。
在本申请实施例的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现所述任一应用于算法模型更新平台的算法模型更新方法。
在本申请实施例的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一应用于检测设备的算法模型更新方法。
本申请实施例提供的算法模型更新***、方法、装置及电子设备,检测设备基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;当检测结果错误时,向算法模型更新平台发送误报消息,其中,误报消息中包括待检测数据;算法模型更新平台当接收到误报消息后,获取检测设备当前加载的算法模型及待检测数据的真值标定结果;利用真值标定结果及待检测数据对检测设备当前加载的算法模型进行训练,得到目标算法模型,并向目标检测设备发送目标算法模型;检测设备当接收到目标算法模型后,将当前加载的算法模型更新为目标算法模型。
在本申请实施例中,检测设备上传给算法模型更新平台的误报消息中包括检测结果错误的待检测数据,算法模型更新平台的模型提供方不用采集样本数据,减少了样本数据搜集的困难度。每个检测设备均可以根据自身的实际检测场景进行算法模型的更新,因此每个检测设备均可以拥有自身场景对应的算法模型,相比于由模型提供方针对每个场景去主动设计算法模型,减少针对碎片化使用场景的算法模型的设计成本,更加适用于碎片化的使用场景。同时在检测设备当前加载的算法模型的基础之上进行训练,不用重新设计算法,并且不用从最初开始对算法模型进行训练,节省了算法模型的训练时间,能够大大缩短算法模型的更新周期。当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为相关技术中算法模型更新方法的一种示意图;
图2为本申请实施例的算法模型更新***的第一种结构示意图;
图3为本申请实施例的算法模型更新***的第二种结构示意图;
图4为本申请实施例的算法模型更新方法的一种流程示意图;
图5为本申请实施例的应用于算法模型更新平台的算法模型更新方法的一种流程示意图;
图6为本申请实施例的应用于检测设备的算法模型更新方法的一种流程示意图;
图7为本申请实施例的应用于算法模型更新平台的算法模型更新装置的一种结构示意图;
图8为本申请实施例的应用于检测设备的算法模型更新装置的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
相关技术中,检测设备的算法模型的更新过程例如图1所示,用户首先需要向模型提供方提供自身的需求;模型提供方根据用户的需求,采集样本数据,并对样本数据进行标定;然后根据用户需求设计初始的算法模型,并利用标定后的样本数据对算法模型进行训练,得到训练好的算法模型;模型提供方将训练好的算法模型进行测试;待测试通过后,将算法模型上线以供用户使用。但是采用上述方法,算法模型更新周期长,针对碎片化使用场景算法模型设计成本较高,同时对于算法模型的提供方,样本数据的采集也较为困难。
有鉴于此,本申请实施例提供了一种算法模型更新***,参见图2,上述***包括:
算法模型更新平台11及检测设备12。
上述检测设备12,用于基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;当上述检测结果错误时,向上述算法模型更新平台11发送误报消息,其中,上述误报消息中包括上述待检测数据。
上述算法模型更新平台11,用于当接收到上述误报消息后,获取上述检测设备12当前加载的算法模型及上述待检测数据的真值标定结果;利用上述真值标定结果及上述待检测数据对上述检测设备当前加载的算法模型进行训练,得到目标算法模型,并向上述检测设备12发送上述目标算法模型;
上述检测设备12,还用于当接收到上述目标算法模型后,将当前加载的算法模型更新为上述目标算法模型。
算法模型更新平台11可以为多台计算机组成的集群,也可以为独立的计算机设备。检测设备12可以为智能摄像机或硬盘录像机等,检测设备12需要具备处理器等硬件用于运行算法模型。算法模型更新***中包括一个或多个检测设备12。
检测设备12中加载有算法模型,检测设备12利用自身当前加载的算法模型对待检测数据进行检测。此处的待检测数据可以图像数据或声音数据等,算法模型用户执行指定的业务,例如,进行人脸比对、车辆识别、或事件检测等。当检测设备12基于算法模型得到的待检测数据的检测结果错误时,生成携带该待检测数据的误报消息。此外误报消息中还可以携带检测设备12的标识,从而方便算法模型更新平台11确定误报消息的来源。待检测数据的检测结果错误可以为用户发现错误后上报检测设备的,也可以为检测设备12检测到异常后触发的,均在本申请的保护范围内。
当算法模型更新平台11接收到误报消息时,获取发送该误报消息的检测设备(以下称为目标检测设备)当前加载的算法模型(以下称为待校正算法模型)。例如,当算法模型更新平台11可以根据误报消息中检测设备的标识确定目标检测设备,并获取目标检测设备的待校正算法模型。算法模型更新平台11可以从目标检测设备中获取待校正算法模型,但是这样会耗费流量,一种实施方式中,算法模型更新平台11的数据库中存储有个检测设备当前加载的算法模型,算法模型更新平台11可以根据目标检测设备的标识,从数据库中获取目标检测设备的当前加载的算法模型,即待校正算法模型。
算法模型更新平台11获取误报消息中待检测数据的真值标定结果。待检测数据的真值标定结果表示待检测数据的正确检测结果,例如,在车辆品牌识别业务中,真值标定结果为待检测数据中车辆的真实品牌。待检测数据的真值标定结果可以为工作人员人工标定的,也可以为利用其它算法模型检测得到的。相比于检测设备,算法模型更新平台11的计算能力及存储能力要强大的多,因此,算法模型更新平台11中可以加载更加复杂的算法模型,用于对待检测数据进行检测,当结果的置信度大于预设置信度阈值时,可以将该结果作为待检测数据的真值标定结果,当结果的置信度不大于预设置信度阈值时,发送告警信息以提示工作人员进行人工标定。当然也可以直接由工作人员对待检测数据进行人工标定,得到待检测数据的真值标定结果。
算法模型更新平台11利用待检测数据的真值标定结果及待检测数据对待校正算法模型进行训练,得到训练后的待校正算法模型,即目标算法模型。算法模型更新平台11将目标算法模型发送给目标检测设备,例如,可以将目标算法模型压缩打包为更新消息发送给目标检测设备。
目标检测设备接收到目标算法模型后,加载目标算法模型以替换之前加载的算法模型。之后目标检测设备利用目标算法模型进行相应的数据检测,从而可以减少与之前相同的检测结果错误。
在本申请实施例中,检测设备上传给算法模型更新平台的误报消息中包括检测结果错误的待检测数据,算法模型更新平台端的模型提供方,不用采集样本数据,减少了样本数据搜集的困难度。每个检测设备均可以根据自身的实际检测场景进行算法模型的更新,因此每个检测设备均可以拥有自身场景对应的算法模型,相比于由模型提供方针对每个场景去主动设计算法模型,减少针对碎片化使用场景的算法模型的设计成本,更加适用于碎片化的使用场景,同时在检测设备当前加载的算法模型的基础之上进行训练,不用重新设计算法,并且不用从最初开始对算法模型进行训练,节省了算法模型的训练时间,能够大大缩短算法模型的更新周期。
在一种可能的实施方式中,上述检测设备12,用于基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;当上述待检测数据的检测结果错误时,向上述算法模型更新平台11发送误报消息,其中,上述误报消息中包括上述待检测数据。
上述算法模型更新平台11,用于当接收到上述误报消息时,获取待校正算法模型及上述误报消息中待检测数据的真值标定结果,其中,上述待校正算法模型为目标检测设备当前加载的算法模型,上述目标检测设备为发送上述误报消息的检测设备;利用上述真值标定结果及上述待检测数据对上述待校正算法模型进行训练,得到目标算法模型,并向上述目标检测设备发送携带上述目标算法模型的更新消息。
上述检测设备12,还用于当接收到上述更新消息时,将当前加载的算法模型更新为上述更新消息中携带的目标算法模型。
在一种可能的实施方式中,上述检测设备12还用于:当上述待检测数据的检测结果错误时,获取上述待检测数据的特征区域及上述特征区域对应的区域检测结果,其中,上述特征区域为基于上述检测设备当前加载的算法模型检测出的目标所在的区域,上述误报消息中还包括上述特征区域及上述区域检测结果。
上述算法模型更新平台11,具体用于根据上述误报消息中的特征区域及上述区域检测结果,得到区域检测结果错误的特征区域作为易错区域,获取上述易错区域的真值标定结果作为上述待检测数据的真值标定结果。
为了方便获取待检测数据的真值标定结果,误报消息中还可以包括特征区域及特征区域对应的区域检测结果。特征区域为基于待校正算法模型检测出的目标所在的区域,例如,在算法模型用于对非机动车进行检测时,特征区域为待检测数据中检测出的非机动车的区域,特征区域对应的区域检测结果可以为电动车或自行车等。一个待检测数据中可以有一个或多个特征区域,每个特征区域均对应相应区域检测结果。
算法模型更新平台11基于特征区域及特征区域对应的区域检测结果,确定是哪个区域检测结果出现错误,并将错误的区域检测结果对应的特征区域作为易错区域。此处可以通过其他的算法模型确定错误的区域检测结果,也可以展示特征区域及特征区域对应的区域检测结果由工作人员进行人工确定。将易错区域的真值标定结果作为待检测数据的真值标定结果。
在本申请实施例中,误报消息中还包括特征区域及区域检测结果,将易错区域的真值标定结果作为待检测数据的真值标定结果,能够方便定位错误的目标,从而可以直接利用易错区域及易错区域的真值标定结果对算法模型进行训练,算法模型的训练更加有针对性,训练效率更高。
在一种可能的实施方式中,参见图3,上述算法模型更新平台11包括:算法模型更新服务器111及业务应用服务器112。
上述检测设备12,具体用于将上述误报消息发送给上述业务应用服务器112。
上述业务应用服务器112,用于获取上述检测设备当前加载的算法模型,将上述误报消息发送给上述算法模型更新服务器,并指示上述算法模型更新服务器111对上述检测设备当前加载的算法模型进行训练。
其中,业务应用服务器112指示算法模型更新服务器111对检测设备当前加载的算法模型进行训练,可以为业务应用服务器112获取该算法模型,并将该算法模型发送给算法模型更新服务器111,也可以为业务应用服务器112将该算法模型的标识发送给算法模型更新服务器111,以使算法模型更新服务器111从数据库中获取该算法模型。
上述算法模型更新服务器111,用于获取上述检测设备当前加载的算法模型、上述误报消息及上述误报消息中待检测数据的真值标定结果,利用上述误报消息中待检测数据的真值标定结果及上述误报消息对上述检测设备当前加载的算法模型进行训练,得到目标算法模型,并指示上述业务应用服务器112上述目标算法模型训练完成。
其中,算法模型更新服务器111指示业务应用服务器112目标算法模型训练完成,可以为算法模型更新服务器111将目标算法模型发送业务应用服务器112,也可以为算法模型更新服务器111将目标算法模型的标识发送业务应用服务器112,以使业务应用服务器112从数据库中获取目标算法模型。
上述业务应用服务器112,用于获取上述目标算法模型,并向上述检测设备12发送上述目标算法模型。
一台业务应用服务器112可以负责一种或多种业务的检测设备的算法模型的管理,业务应用服务器负责管理的算法模型,作为该业务应用服务器对应的算法模型。可选的,上述检测设备12,具体用于将上述误报消息发送给自身对应的业务应用服务器。
上述业务应用服务器112,用于获取上述待校正算法模型,将上述待校正算法模型及上述误报消息发送给上述算法模型更新服务器。
上述算法模型更新服务器111,用于获取上述待校正算法模型、上述误报消息及上述误报消息的真值标定结果,利用上述误报消息的真值标定结果及上述误报消息对上述待校正算法模型进行训练,得到目标算法模型,并向对应的业务应用服务器发送上述目标算法模型。
上述业务应用服务器112,用于接收上述算法模型更新服务器发送的上述目标算法模型,生成携带上述目标算法模型的更新消息,并向上述目标检测设备发送上述更新消息。
算法模型更新服务器111负责算法模型的训练,业务应用服务器112负责管理对应业务的检测设备12的算法模型。每个业务应用服务器112对应至少一种业务的检测设备,例如,业务应用服务器对应人脸识别业务的各检测设备,或业务应用服务器对应机动车识别业务及非机动车识别业务的各检测设备等。
在本申请实施例中,算法模型更新平台包括算法模型更新服务器及业务应用服务器,将算法模型更新与算法模型的管理区分开,并且将业务应用服务器管理的检测设备与检测设备的业务挂钩,方便业务分级,便于供应方管理。
在一种可能的实施方式中,上述业务应用服务器112,具体用于:确定与目标检测设备业务相同的各检测设备,得到各待校正检测设备;向各上述待校正检测设备发送上述目标算法模型,其中,上述目标检测设备为发送上述误报消息的检测设备。
业务应用服务器112中可以记录各检测设备的业务种类,从而确定与目标检测设备业务相同的各检测设备。具体的,业务应用服务器112还可以按照检测设备上述的用户或区域等划分用户分组或区域分组等,选取与目标检测设备在同一用户分组或区域分组,且业务相同的检测设备,作为待校正检测设备,并行各待校正检测设备发送目标算法模型,以使各待校正检测设备将自身当前加载的算法模型更新为目标算法模型。
在本申请实施例中,选取与目标检测设备业务相同的检测设备,从而可以根据一个检测设备的错误检测结果,对同种业务的各检测设备的算法模型进行更新,增加了算法模型的更新效率。
在一种可能的实施方式中,上述检测设备12还用于:向上述业务应用服务器发送历史版本算法模型的回溯请求,其中,上述回溯请求中包括上述历史版本算法模型的模型标识。
上述业务应用服务器112还用于:当接收到上述回溯请求后,按照上述回溯请求中的模型标识,获取上述历史版本算法模型,并向发送上述回溯请求的检测设备发送上述历史版本算法模型。
上述检测设备12还用于,当接收到上述历史版本算法模型后,将当前加载的算法模型更新为上述历史版本算法模型。
业务应用服务器112的数据库中可以存储有检测设备12的多个版本的算法模型,例如,业务应用服务器112的数据库中可以存储有检测设备12当前加载的算法模型及检测设备12当前加载的算法模型的上一个版本的算法模型。当用户希望恢复检测设备曾经加载过的某个版本的算法模型时(以下将希望恢复的版本的算法模型称为历史版本算法模型),发送携带历史版本算法模型的模型标识的回溯请求。业务应用服务器112根据回溯请求中的模型标识,获取历史版本算法模型,并向发送回溯请求的检测设备12发送历史版本算法模型,以使检测设备12加载历史版本算法模型。例如,业务应用服务器112可以将历史版本算法模型打包为回溯消息返回给对应的检测设备12。检测设备12当接收到回溯消息时,将当前加载的算法模型更新为回溯消息中携带的历史版本算法模型,从而完成模型算法的回溯。
在本申请实施例中,可以通过回溯请求实现检测设备中算法模型的回溯,能够满足用户的多种需求。
为了更加清楚的说明本申请实施例的算法模型更新***,下面以电梯内部的禁止搭载目标的检测为例,进行具体说明:
检测设备获取电梯内部的监控图像数据,基于当前加载的算法模型,对监控图像数据进行检测;当检测到监控图像数据中存在禁止搭载目标时,向电梯发送报警指令,以使电梯在接收到报警指令后保持电梯门的开启;当接收到表示目标监控图像数据的检测结果错误的消息时,检测设备生成第一误报消息,并向自身对应的业务应用服务器发送第一误报消息,其中,第一误报消息中包括目标监控图像数据。
其中,禁止搭载目标可以为电动车或摩托车等。表示目标监控图像数据的检测结果错误的消息可以为用户发送给检测设备的,也可以为其他设备在检测到异常后发送给检测设备的。
业务应用服务器接收到第一误报消息时,获取发送第一误报消息的检测设备当前加载的算法模型,作为待校正算法模型,并将待校正算法模型及第一误报消息发送给算法模型更新服务器。
算法模型更新服务器获取第一误报消息中的目标监控图像数据的真值标定结果,利用该真值标定结果及目标监控图像数据对待校正算法模型进行训练,训练完成后得到目标算法模型;算法模型更新服务器将目标算法模型发送给业务应用服务器。
业务应用服务器将目标算法模型打包为更新消息,返回给发送第一误报消息的检测设备。
检测设备接收到更新消息后,将当前加载的算法模型更新为目标算法模型。后续检测设备可以基于目标算法模型进行监控图像数据的检测,从而实现了算法模型的更新。
本申请实施例还提供了一种算法模型更新方法,参见图4所示,主要包括:线上数据处理、线上平台模型训练及线上操作模型部署三部分,下面进行具体说明。
参见图5,图5为本申请实施例的应用于算法模型更新平台的算法模型更新方法的一种示意图,包括:
S501,当接收到第一检测设备发送的误报消息时,获取待校正算法模型及上述误报消息中的易错数据的真值标定结果,其中,上述待校正算法模型为上述第一检测设备中当前加载的算法模型,上述易错数据为导致上述待校正算法模型产生错误检测结果的待检测数据。
S502,利用上述真值标定结果及上述易错数据对上述待校正算法模型进行训练,得到目标算法模型。
S503,向上述第一检测设备发送上述目标算法模型,以使上述第一检测设备将当前加载的算法模型更新为上述目标算法模型。
在一种可能的实施方式中,上述误报消息中还包括上述易错数据的特征区域及上述特征区域对应的区域检测结果,上述特征区域为基于上述待校正算法模型检测出的目标所在的区域;上述方法还包括:
根据上述误报消息中的特征区域及上述区域检测结果,确定区域检测结果错误的特征区域,作为易错区域;
获取上述易错区域的真值标定结果作为上述待检测数据的真值标定结果。
在一种可能的实施方式中,上述方法还包括:
确定与上述第一检测设备业务相同的各检测设备,得到各待校正检测设备;
向各上述待校正检测设备发送上述目标算法模型,以使各上述待校正检测设备将当前加载的算法模型更新为上述目标算法模型。
在一种可能的实施方式中,上述方法还包括:
当接收到第二检测设备发送的回溯请求时,按照上述回溯请求中的模型标识,获取上述模型标识表示的历史版本算法模型,其中,上述回溯请求中包括上述历史版本算法模型的模型标识;
并向上述第二检测设备发送上述历史版本算法模型,以使上述第二检测设备将当前加载的算法模型更新为上述历史版本算法模型。
本申请实施例还提供了一种算法模型更新方法,应用于检测设备,参见图6,该方法包括:
S601,基于当前加载的算法模型,对待检测数据进行检测,得到检测结果。
S602,当上述待检测数据的检测结果错误时,向算法模型更新平台发送误报消息,以使上述算法模型更新平台根据上述误报消息对上述当前加载的算法模型进行训练,从而得到目标算法模型,其中,上述误报消息中包括易错数据,上述易错数据为检测结果错误的待检测数据。
S603,当接收算法模型更新平台发送的目标算法模型时,将当前加载的算法模型更新为上述目标算法模型。
在一种可能的实施方式中,上述方法还包括:
当上述待检测数据的检测结果错误时,获取上述待检测数据的特征区域及上述特征区域对应的区域检测结果,其中,上述特征区域为基于上述当前加载的算法模型检测出的目标所在的区域,上述误报消息中还包括上述特征区域及上述区域检测结果。
在一种可能的实施方式中,上述方法还包括:
确定需要回溯的历史版本算法模型的模型标识;
向上述算法模型更新平台发送携带上述模型标识的回溯请求;
接收上述算法模型更新平台根据上述回溯请求返回的上述历史版本算法模型,将当前加载的算法模型更新为上述历史版本算法模型。
本申请实施例还提供了一种算法模型更新装置,应用于算法模型更新平台,参见图7,该装置包括:
误报消息接收模块701,用于当接收到第一检测设备发送的误报消息时,获取待校正算法模型及上述误报消息中的易错数据的真值标定结果,其中,上述待校正算法模型为上述第一检测设备中当前加载的算法模型,上述易错数据为导致上述待校正算法模型产生错误检测结果的待检测数据;
算法模型训练模块702,用于利用上述真值标定结果及上述易错数据对上述待校正算法模型进行训练,得到目标算法模型;
算法模型发送模块703,用于向上述第一检测设备发送上述目标算法模型,以使上述第一检测设备将当前加载的算法模型更新为上述目标算法模型。
在一种可能的实施方式中,上述误报消息中还包括上述易错数据的特征区域及上述特征区域对应的区域检测结果,上述特征区域为基于上述待校正算法模型检测出的目标所在的区域;上述装置还包括:
标定结果获取模块,用于根据上述误报消息中的特征区域及上述区域检测结果,确定区域检测结果错误的特征区域,作为易错区域;获取上述易错区域的真值标定结果作为上述待检测数据的真值标定结果。
在一种可能的实施方式中,上述装置还包括:
算法模型校正模块,用于确定与上述第一检测设备业务相同的各检测设备,得到各待校正检测设备;向各上述待校正检测设备发送上述目标算法模型,以使各上述待校正检测设备将当前加载的算法模型更新为上述目标算法模型。
在一种可能的实施方式中,上述装置还包括:
算法模型回溯模块,用于当接收到第二检测设备发送的回溯请求时,按照上述回溯请求中的模型标识,获取上述模型标识表示的历史版本算法模型,其中,上述回溯请求中包括上述历史版本算法模型的模型标识;向上述第二检测设备发送上述历史版本算法模型,以使上述第二检测设备将当前加载的算法模型更新为上述历史版本算法模型。
本申请实施例还提供了一种算法模型更新装置,应用于检测设备,参见图8,该装置包括:
检测结果获取模块801,用于基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;
误报消息发送模块802,用于当上述待检测数据的检测结果错误时,向算法模型更新平台发送误报消息,以使上述算法模型更新平台根据上述误报消息对上述当前加载的算法模型进行训练,从而得到目标算法模型,其中,上述误报消息中包括易错数据,上述易错数据为检测结果错误的待检测数据;
算法模型接收模块803,用于当接收算法模型更新平台发送的目标算法模型时,将当前加载的算法模型更新为上述目标算法模型。
在一种可能的实施方式中,上述装置还包括:
特征区域获取模块,用于当上述待检测数据的检测结果错误时,获取上述待检测数据的特征区域及上述特征区域对应的区域检测结果,其中,上述特征区域为基于上述当前加载的算法模型检测出的目标所在的区域,上述误报消息中还包括上述特征区域及上述区域检测结果。
本申请实施例还提供了一种电子设备,包括:处理器及存储器;
上述存储器,用于存放计算机程序;
上述处理器用于执行上述存储器存放的计算机程序时,实现上述任一应用于检测设备的算法模型更新方法。
本申请实施例还提供了一种电子设备,包括:处理器及存储器;
上述存储器,用于存放计算机程序;
上述处理器用于执行上述存储器存放的计算机程序时,实现上述任一应用于算法模型更新平台的算法模型更新方法。
存储器可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时实现上述任一应用于检测设备的算法模型更新方法。
本申请实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时实现上述任一应用于算法模型更新平台的算法模型更新方法。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一应用于检测设备的算法模型更新方法。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一应用于算法模型更新平台的算法模型更新方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
需要说明的是,在本文中,各个可选方案中的技术特征只要不矛盾均可组合来形成方案,这些方案均在本申请公开的范围内。诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上所述仅为本申请的较佳实施例,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (15)
1.一种算法模型更新***,其特征在于,所述***包括:
算法模型更新平台及检测设备;
所述检测设备,用于基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;当所述检测结果错误时,向所述算法模型更新平台发送误报消息,其中,所述误报消息中包括所述待检测数据;
所述算法模型更新平台,用于当接收到所述误报消息后,获取所述检测设备当前加载的算法模型及所述待检测数据的真值标定结果;利用所述真值标定结果及所述待检测数据对所述检测设备当前加载的算法模型进行训练,得到目标算法模型,并向所述检测设备发送所述目标算法模型;
所述检测设备,还用于当接收到所述目标算法模型后,将当前加载的算法模型更新为所述目标算法模型。
2.根据权利要求1所述的***,其特征在于,所述检测设备还用于:当所述待检测数据的检测结果错误时,获取所述待检测数据的特征区域及所述特征区域对应的区域检测结果,其中,所述特征区域为基于所述检测设备当前加载的算法模型检测出的目标所在的区域;所述误报消息中还包括所述特征区域及所述区域检测结果;
所述算法模型更新平台,具体用于根据所述误报消息中的特征区域及所述区域检测结果,得到区域检测结果错误的特征区域作为易错区域,获取所述易错区域的真值标定结果作为所述待检测数据的真值标定结果。
3.根据权利要求1所述的***,其特征在于,所述算法模型更新平台包括:算法模型更新服务器及业务应用服务器;
所述检测设备,具体用于将所述误报消息发送给所述业务应用服务器;
所述业务应用服务器,用于获取所述检测设备当前加载的算法模型,将所述误报消息发送给所述算法模型更新服务器,并指示所述算法模型更新服务器对所述检测设备当前加载的算法模型进行训练;
所述算法模型更新服务器,用于获取所述检测设备当前加载的算法模型、所述误报消息及所述误报消息中待检测数据的真值标定结果,利用所述误报消息中待检测数据的真值标定结果及所述误报消息对所述检测设备当前加载的算法模型进行训练,得到目标算法模型,并指示所述业务应用服务器所述目标算法模型训练完成;
所述业务应用服务器,用于获取所述目标算法模型,并向所述检测设备发送所述目标算法模型。
4.根据权利要求3所述的***,其特征在于,所述业务应用服务器,具体用于:确定与目标检测设备业务相同的各检测设备,得到各待校正检测设备;向各所述待校正检测设备发送所述目标算法模型,其中,所述目标检测设备为发送所述误报消息的检测设备。
5.根据权利要求3所述的***,其特征在于,所述检测设备还用于:向所述业务应用服务器发送历史版本算法模型的回溯请求,其中,所述回溯请求中包括所述历史版本算法模型的模型标识;
所述业务应用服务器还用于:当接收到所述回溯请求后,按照所述回溯请求中的模型标识,获取所述历史版本算法模型,并向发送所述回溯请求的检测设备发送所述历史版本算法模型;
所述检测设备还用于,当接收到所述历史版本算法模型后,将当前加载的算法模型更新为所述历史版本算法模型。
6.一种算法模型更新方法,其特征在于,应用于算法模型更新平台,所述方法包括:
当接收到第一检测设备发送的误报消息时,获取待校正算法模型及所述误报消息中的易错数据的真值标定结果,其中,所述待校正算法模型为所述第一检测设备中当前加载的算法模型,所述易错数据为导致所述待校正算法模型产生错误检测结果的待检测数据;
利用所述真值标定结果及所述易错数据对所述待校正算法模型进行训练,得到目标算法模型;
向所述第一检测设备发送所述目标算法模型,以使所述第一检测设备将当前加载的算法模型更新为所述目标算法模型。
7.根据权利要求6所述的方法,其特征在于,所述误报消息中还包括所述易错数据的特征区域及所述特征区域对应的区域检测结果,所述特征区域为基于所述待校正算法模型检测出的目标所在的区域;所述方法还包括:
根据所述误报消息中的特征区域及所述区域检测结果,确定区域检测结果错误的特征区域,作为易错区域;
获取所述易错区域的真值标定结果作为所述待检测数据的真值标定结果。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
确定与所述第一检测设备业务相同的各检测设备,得到各待校正检测设备;
向各所述待校正检测设备发送所述目标算法模型,以使各所述待校正检测设备将当前加载的算法模型更新为所述目标算法模型。
9.根据权利要求6所述的方法,其特征在于,所述方法还包括:
当接收到第二检测设备发送的回溯请求时,按照所述回溯请求中的模型标识,获取所述模型标识表示的历史版本算法模型,其中,所述回溯请求中包括所述历史版本算法模型的模型标识;
并向所述第二检测设备发送所述历史版本算法模型,以使所述第二检测设备将当前加载的算法模型更新为所述历史版本算法模型。
10.一种算法模型更新方法,其特征在于,应用于检测设备,所述方法包括:
基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;
当所述待检测数据的检测结果错误时,向算法模型更新平台发送误报消息,以使所述算法模型更新平台根据所述误报消息对所述当前加载的算法模型进行训练,从而得到目标算法模型,其中,所述误报消息中包括易错数据,所述易错数据为检测结果错误的待检测数据;
当接收算法模型更新平台发送的目标算法模型时,将当前加载的算法模型更新为所述目标算法模型。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
当所述待检测数据的检测结果错误时,获取所述待检测数据的特征区域及所述特征区域对应的区域检测结果,其中,所述特征区域为基于所述当前加载的算法模型检测出的目标所在的区域,所述误报消息中还包括所述特征区域及所述区域检测结果。
12.一种算法模型更新装置,其特征在于,应用于算法模型更新平台,所述装置包括:
误报消息接收模块,用于当接收到第一检测设备发送的误报消息时,获取待校正算法模型及所述误报消息中的易错数据的真值标定结果,其中,所述待校正算法模型为所述第一检测设备中当前加载的算法模型,所述易错数据为导致所述待校正算法模型产生错误检测结果的待检测数据;
算法模型训练模块,用于利用所述真值标定结果及所述易错数据对所述待校正算法模型进行训练,得到目标算法模型;
算法模型发送模块,用于向所述第一检测设备发送所述目标算法模型,以使所述第一检测设备将当前加载的算法模型更新为所述目标算法模型。
13.一种算法模型更新装置,其特征在于,应用于检测设备,所述装置包括:
检测结果获取模块,用于基于当前加载的算法模型,对待检测数据进行检测,得到检测结果;
误报消息发送模块,用于当所述待检测数据的检测结果错误时,向算法模型更新平台发送误报消息,以使所述算法模型更新平台根据所述误报消息对所述当前加载的算法模型进行训练,从而得到目标算法模型,其中,所述误报消息中包括易错数据,所述易错数据为检测结果错误的待检测数据;
算法模型接收模块,用于当接收算法模型更新平台发送的目标算法模型时,将当前加载的算法模型更新为所述目标算法模型。
14.一种电子设备,其特征在于,包括:处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器用于执行所述存储器存放的计算机程序时,实现权利要求6-9中任一所述的算法模型更新方法。
15.一种电子设备,其特征在于,包括:处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器用于执行所述存储器存放的计算机程序时,实现权利要求10-11中任一所述的算法模型更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555098.2A CN111708561B (zh) | 2020-06-17 | 2020-06-17 | 算法模型更新***、方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555098.2A CN111708561B (zh) | 2020-06-17 | 2020-06-17 | 算法模型更新***、方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111708561A true CN111708561A (zh) | 2020-09-25 |
CN111708561B CN111708561B (zh) | 2024-01-05 |
Family
ID=72541283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010555098.2A Active CN111708561B (zh) | 2020-06-17 | 2020-06-17 | 算法模型更新***、方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708561B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024130709A1 (zh) * | 2022-12-23 | 2024-06-27 | Oppo广东移动通信有限公司 | 模型更新的方法和设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991072A (zh) * | 2016-01-21 | 2017-07-28 | 杭州海康威视数字技术股份有限公司 | 在线自学习事件检测模型更新方法及装置 |
US20180044159A1 (en) * | 2015-05-28 | 2018-02-15 | Sonicu, Llc | Container fill level indication system using a machine learning algorithm |
CN107942300A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 一种基于改进人工蜂群算法的智能雷达海上目标检测***及方法 |
WO2018077121A1 (zh) * | 2016-10-24 | 2018-05-03 | 合肥美的智能科技有限公司 | 图像中目标物体识别方法、冰箱内食品识别方法及*** |
CN108830332A (zh) * | 2018-06-22 | 2018-11-16 | 安徽江淮汽车集团股份有限公司 | 一种视觉车辆检测方法及*** |
US20190042763A1 (en) * | 2017-08-02 | 2019-02-07 | Alibaba Group Holding Limited | Model training method and apparatus based on data sharing |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109934512A (zh) * | 2019-03-28 | 2019-06-25 | 努比亚技术有限公司 | 一种预测模型的训练方法及*** |
CN110135223A (zh) * | 2018-02-08 | 2019-08-16 | 浙江宇视科技有限公司 | 人脸检测方法及装置 |
CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 产品缺陷检测数据处理方法、装置、***和设备 |
CN110928528A (zh) * | 2019-10-23 | 2020-03-27 | 深圳市华讯方舟太赫兹科技有限公司 | 算法模型的开发方法、终端设备及计算机存储介质 |
CN111078659A (zh) * | 2019-12-20 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 模型更新方法、装置、计算机可读存储介质和计算机设备 |
WO2020088338A1 (zh) * | 2018-10-30 | 2020-05-07 | 杭州海康威视数字技术股份有限公司 | 一种建立识别模型的方法及装置 |
-
2020
- 2020-06-17 CN CN202010555098.2A patent/CN111708561B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180044159A1 (en) * | 2015-05-28 | 2018-02-15 | Sonicu, Llc | Container fill level indication system using a machine learning algorithm |
CN106991072A (zh) * | 2016-01-21 | 2017-07-28 | 杭州海康威视数字技术股份有限公司 | 在线自学习事件检测模型更新方法及装置 |
WO2018077121A1 (zh) * | 2016-10-24 | 2018-05-03 | 合肥美的智能科技有限公司 | 图像中目标物体识别方法、冰箱内食品识别方法及*** |
US20190042763A1 (en) * | 2017-08-02 | 2019-02-07 | Alibaba Group Holding Limited | Model training method and apparatus based on data sharing |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN107942300A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 一种基于改进人工蜂群算法的智能雷达海上目标检测***及方法 |
CN110135223A (zh) * | 2018-02-08 | 2019-08-16 | 浙江宇视科技有限公司 | 人脸检测方法及装置 |
CN108830332A (zh) * | 2018-06-22 | 2018-11-16 | 安徽江淮汽车集团股份有限公司 | 一种视觉车辆检测方法及*** |
WO2020088338A1 (zh) * | 2018-10-30 | 2020-05-07 | 杭州海康威视数字技术股份有限公司 | 一种建立识别模型的方法及装置 |
CN109934512A (zh) * | 2019-03-28 | 2019-06-25 | 努比亚技术有限公司 | 一种预测模型的训练方法及*** |
CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 产品缺陷检测数据处理方法、装置、***和设备 |
CN110928528A (zh) * | 2019-10-23 | 2020-03-27 | 深圳市华讯方舟太赫兹科技有限公司 | 算法模型的开发方法、终端设备及计算机存储介质 |
CN111078659A (zh) * | 2019-12-20 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 模型更新方法、装置、计算机可读存储介质和计算机设备 |
Non-Patent Citations (1)
Title |
---|
张光伟: "视频序列中入侵目标检测算法研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), pages 35 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024130709A1 (zh) * | 2022-12-23 | 2024-06-27 | Oppo广东移动通信有限公司 | 模型更新的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111708561B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190333296A1 (en) | Vehicle diagnostic method and device, and computer readable storage medium | |
CN104252520A (zh) | 用于提供传感器设备注册表的方法和*** | |
US20120284211A1 (en) | Identifying abnormalities in resource usage | |
CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
CN113815464B (zh) | 充电桩的推荐方法、装置、车辆以及存储介质 | |
CN111383246B (zh) | 条幅检测方法、装置及设备 | |
CN108629310B (zh) | 一种工程管理监督方法及装置 | |
CN112132220A (zh) | 一种自训练方法、***、装置、电子设备及存储介质 | |
CN111708561B (zh) | 算法模型更新***、方法、装置及电子设备 | |
CN114489500A (zh) | 故障数据处理方法、***、设备及计算机可读存储介质 | |
CN113407515A (zh) | 应用于人工智能的大数据维护方法及大数据服务器 | |
CN111145380A (zh) | 适配车载设备的上报数据处理方法、装置、电子设备 | |
CN107885651B (zh) | 移动终端定位算法的自动化***回归测试方法及其装置 | |
CN111522570B (zh) | 目标库更新方法、装置、电子设备及机器可读存储介质 | |
CN113763305B (zh) | 标定物品缺陷的方法、装置及电子设备 | |
CN111368651A (zh) | 一种车辆识别方法、装置及电子设备 | |
JP6701467B2 (ja) | 学習装置および学習方法 | |
CN113610503A (zh) | 简历信息处理方法、装置、设备及介质 | |
CN113470367A (zh) | 基于多种识别设备的停车检测方法及装置 | |
CN112184493A (zh) | 基于大数据和装配式建筑平台的数据处理方法、***及存储介质 | |
CN111835830B (zh) | 一种数据感知***、方法及装置 | |
CN117979118B (zh) | 一种数据流录制方法、装置、记录仪及记录*** | |
US10921167B1 (en) | Methods and apparatus for validating event scenarios using reference readings from sensors associated with predefined event scenarios | |
JP2020038409A (ja) | 車載装置、データ収集システム、データ収集方法およびデータ収集装置 | |
CN117275644B (zh) | 基于深度学习的检测结果互认方法、***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |