技术特征：
1.一种模型训练方法，其特征在于，包括：对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集；采用预设数据增强算法对所述第一目标数据集进行数据增强，得到对应的第二目标数据集，其中，所述第二目标数据集中的目标数据量大于所述第一目标数据集中的目标数据量；采用所述第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集，包括：对原始数据集中的原始数据进行线性插值，得到对应的插值数据集；对所述插值数据集中的数据进行滤波，得到对应的滤波数据集；对所述滤波数据集对应的每个动作片段进行切割，得到对应的多个序列片段，将所述序列片段作为初始训练样本；将所述初始训练样本作为对应的第一目标数据集。3.根据权利要求1所述的方法，其特征在于，所述采用预设数据增强算法对所述第一目标数据集进行数据增强，得到对应的第二目标数据集，包括：从所述第一目标数据集中随机选取两个初始训练样本，作为对应的初始训练样本对；采用预设数据增强算法分别对每个所述初始训练样本对进行数据增强，得到对应的补充训练样本；将每个所述补充训练样本和所述第一目标数据集中的数据进行合并，得到对应的第二目标数据集。4.根据权利要求3所述的方法，其特征在于，所述采用预设数据增强算法分别对每个所述初始训练样本对进行数据增强，得到对应的补充训练样本，包括：预先配置所述初始训练样本对中每个初始训练样本的权重值；根据每个所述初始训练样本和对应的权重值，得到对应的补充训练样本。5.根据权利要求1所述的方法，其特征在于，所述采用所述第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型，包括：通过所述原始神经网络模型获取所述第二目标数据集中每个目标数据的动作特征；根据所述原始神经网络模型预测动作特征为每个动作类型的概率，将概率最大值的动作类型作为目标数据对应的训练标签；将所述第二目标数据集中的每个目标数据和对应的训练标签输入至预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。6.根据权利要求5所述的方法，其特征在于，所述原始神经网络模型的创建过程，包括：获取基础神经网络模型；调整所述基础神经网络模型的卷积核尺寸，得到对应的原始神经网络模型。7.根据权利要求1所述的方法，其特征在于，还包括：将预先获取的测试样本输入至所述目标神经网络模型中，以得到对应的动作类型。8.一种模型训练装置，其特征在于，包括：第一数据集确定模块，用于对原始数据集中的原始数据进行数据预处理得到对应的第
一目标数据集；第二数据集确定模块，用于采用预设数据增强算法对所述第一目标数据集进行数据增强，得到对应的第二目标数据集，其中，所述第二目标数据集中的目标数据量大于所述第一目标数据集中的目标数据量；模型训练模块，用于采用所述第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的动作识别方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的动作识别方法。
技术总结
本发明公开了一种模型训练方法、装置、电子设备及存储介质。其中，该模型训练方法，包括：对原始数据集中的原始数据进行数据预处理得到对应的第一目标数据集；采用预设数据增强算法对所述第一目标数据集进行数据增强，得到对应的第二目标数据集，其中，所述第二目标数据集中的目标数据量大于所述第一目标数据集中的目标数据量；采用所述第二目标数据集对预先创建的原始神经网络模型进行训练，以得到对应的目标神经网络模型。本发明实施例，通过预设数据增强算法对第一目标数据集进行数据增强，实现了对数据集中的数据扩充，并通过数据扩充得到的第二目标数据集训练原始神经网络模型，提高了模型的准确性，提升用户的使用体验。验。验。
技术研发人员：李君艳
受保护的技术使用者：中国农业银行股份有限公司
技术研发日：2022.10.31
技术公布日：2023/2/3