CN110399933B - 数据标注修正方法、装置、计算机可读介质及电子设备 - Google Patents
数据标注修正方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN110399933B CN110399933B CN201910704540.0A CN201910704540A CN110399933B CN 110399933 B CN110399933 B CN 110399933B CN 201910704540 A CN201910704540 A CN 201910704540A CN 110399933 B CN110399933 B CN 110399933B
- Authority
- CN
- China
- Prior art keywords
- sample data
- learning model
- threshold range
- classification
- correction
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
Abstract
本公开涉及AI领域,具体地,涉及一种数据标注修正方法、装置、计算机可读介质及电子设备。本公开采用多个不同表达能力的学习模型同时计算训练集内每一样本数据的分类分数,并且选出在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内的样本数据作为需要修正的样本数据,将多个学习模型计算得到的分类标注占比最高的作为该样本数据的标注。因而,本公开无需对训练集中所有样本数据都进行标注修正,能够自动对样本数据进行核查,寻找出最容易出现标注出错问题的样本数据集,自动且较准确地对该样本数据集内的标注进行修正,代替人工标注,具有高效而低成本特点。
Description
技术领域
本公开涉及AI领域,具体地,涉及一种数据标注修正方法、装置、计算机可读介质及电子设备。
背景技术
人工智能(AI)在技术层面主要涉及大数据、自然语言处理、深度学习、语音识别、图像识别以及计算机视觉等技术,各技术均可能涉及到数学模型的生成和应用。在现在技术中,训练学习模型往往需要根据学习模型的需求对用于训练、验证及测试的数据集进行标注。目前对数据集进行标注的方式通常都是由人工来完成,因此数据集的标注中往往会存在一定的错误标注,因此在人工标注的过程中,还需要有一个对标注后的数据集进行核查的过程。这样,对用于训练学习模型的数据集进行标注的过程就非常繁琐,需要多人对整个数据集里的所有数据进行标注或核查,而且数据集的标注错误率不高时,将数据集中的所有数据都检查一遍非常浪费时间和人工成本。
由于数据集标注的正确性很大程度上影响了学习模型的效果,学习模型需要在正确的数据标注上才能获得,因此如何高效而低成本地对数据集的标注进行核查和修改是亟需解决的一个问题。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种数据标注修正方法,所述方法包括:
针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的;
将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数;
根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内;
针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
第二方面,本公开提供一种数据标注修正装置,包括:
训练集阈值范围确定模块,用于针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的;
训练集分类模块,用于将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数;
训练集目标集确定模块,用于根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内;
训练集修正模块,用于针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现上述方法的步骤
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现上述方法的步骤。
通过上述技术方案,本公开对于一训练集,采用不同表达能力的学习模型同时计算该训练集内每一样本数据的分类分数,并且选出在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内的样本数据作为需要修正的样本数据,从而实现自动对样本数据进行核查;根据多数投票原则,对采用所述不同表达能力的学习模型计算得到的分类标注占比最高的作为该样本数据的标注,从而实现了自动且较准确地对样本数据的标注进行修正。因而,本公开无需对训练集中所有样本数据都进行标注修正,能够自动对样本数据进行核查,寻找出最容易出现标注出错问题的样本数据集,自动且较准确地对该样本数据集内的标注进行修正,代替人工标注,具有高效而低成本特点。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一实施例示出的一种数据标注修正方法的流程图。
图2是根据另一实施例示出的一种数据标注修正方法的流程图。
图3是根据另一实施例示出的一种数据标注修正方法的流程图。
图4是根据另一实施例示出的一种数据标注修正方法的流程图。
图5是根据另一实施例示出的一种数据标注修正方法的流程图。
图6是根据一实施例示出的学习模型计算得到的训练集中样本数据的分类分数分布情况图。
图7是根据一实施例示出的一种数据标注修正装置的框图。
图8是根据一实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
根据本公开的第一方面,提供一种数据标注修正方法。图1是根据本公开一实施例示出的一种数据标注修正方法的流程图。如图1所示,该方法包括以下步骤:
步骤S21,针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的。
其中,所述学习模型为深度学习模型等AI领域的机器学习模型。需要说明的是,每一所述学习模型是采用所述训练集训练得到的意思是用于训练每一所述学习模型的数据集包括但不限于所述训练集。在采用学习模型对样本数据进行分类时,以一个二分类模型为例,当其分类分数大于阈值为一类,小于阈值则为另一类,则在阈值附近的样本数据很可能会分类错误,即分类分数在某一阈值范围内的样本数据可能会分类错误。对于一所述学习模型,阈值范围可以有一个或多个,当学习模型为二分类模型时,阈值范围为一个;当学习模型为三分类模型时,阈值范围为两个,以此类推。因此,在此,通过确定不同表达能力的学习模型对应的阈值范围以找出对每一学习模型,需要标注修正的样本数据。即,对于每一学习模型,当计算得到的样本数据的分类分数在该学习模型对应的阈值范围内时,该样本数据的标注需要进行修正。
步骤S22,将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数。
即,对于所述训练集,每一所述学习模型会对该训练集内的每一样本数据的分类分数进行计算,则每一样本数据对于每一学习模型会得到一个分类分数。
步骤S23,根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内。
即,目标样本集内的任一样本数据采用任一学习模型计算得到的分类分数均在该学习模型对应的阈值范围内。
步骤S24,针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
通过以上方式,对于一训练集,采用不同表达能力的学习模型同时计算该训练集内每一样本数据的分类分数,并且选出在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内的样本数据作为需要修正的样本数据,从而实现自动对样本数据进行核查;根据多数投票原则,对采用所述不同表达能力的学习模型计算得到的分类标注占比最高的作为该样本数据的标注,从而实现了自动且较准确地对样本数据的标注进行修正。因而,本公开无需对训练集中所有样本数据都进行标注修正,能够自动对样本数据进行核查,寻找出最容易出现标注出错问题的样本数据集,自动且较准确地对该样本数据集内的标注进行修正,代替人工标注,具有高效而低成本特点。
如图2所示,在另一实施例中,可选地,在步骤S21之前,所述方法还包括:
步骤S11,针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围。
因而,对于验证集和测试集,本公开也是无需对测试集、验证集中所有训练数据都进行标注修正,而是自动对其内的样本数据进行核查找到容易出现标注出错问题的样本数据。
步骤S12,针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正。
一般而言,用于训练学习模型的数据集包括训练集、验证集和测试集,而测试集和验证集内的样本数据的数量远少于训练集内样本数据的数量。例如,将一个包括多个样本数据的数据集划分为训练集、验证集和测试集时,测试集内的样本数据占比可以为1%-5%,验证集内的样本数据占比可以为10%-20%,训练集内的样本数据占比可以为80%-90%。因此,对于验证集和测试集,找到容易出现标注出错问题的样本数据后,根据用户输入的标注指令对该样本数据进行修正,相比通过训练多个模型进行自动修改,速度更快。
需要说明的是,步骤S11和步骤S12中的和/或必须同时选择和或者同时选择或。也就是说,当步骤S11为针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围时,步骤S12须为针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,即步骤S11和步骤S12表示对测试集进行标注修正;当步骤S11为计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围时,步骤S12须为针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,即步骤S11和步骤S12表示对验证集进行标注修正;当步骤S11为针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,步骤S12须为针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,和针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,即步骤S11和步骤S12表示对测试集和验证集进行标注修正。
其中,所述多个不同深度包括所述目标结构。所述目标结构的第一学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的。所述多个不同深度的学习模型是基于所述训练集进行训练,且经过修正后的所述验证集验证和/或经过修正后的所述测试集测试得到的。
为了说明执行一次步骤S11、步骤S12、步骤S21、步骤S22、步骤S23和步骤S24的修正过程,在此以步骤S11、步骤S12表示对测试集和验证集进行标注修正时为例进行说明。即当步骤S11、步骤S12包括对测试集和验证集标注修正时,整个修正过程为:基于训练集、验证集和测试集对目标结构进行深度学习得到第一学习模型,根据第一学习模型分别对所述测试集和验证集进行修正,得到修正后的测试集和修正后的验证集,基于训练集、修正后的验证集和修正后的测试集对目标结构和多个深度互不相同且与所述目标结构不同的模型结构进行深度学习得到多个学习模型,根据该多个学习模型对所述训练集进行修正,得到修正后的训练集。因此,执行一次步骤S11、步骤S12、步骤S21、步骤S22、步骤S23和步骤S24,可完成对验证集、测试集和训练集的一次修正。
可选地,在实际操作中,用户可根据实际情况重复完上述步骤以完成对验证集、测试集和训练集的多次修正,也可以仅重复步骤S11和步骤S12仅再次修正测试集和验证集,或者仅重复步骤S21、步骤S22、步骤S23和步骤S24仅再次修正训练集。同理,用户根据实际情况重复时,步骤S11和步骤S12还可以是仅包括对测试集或仅包括对验证集进行修正的情况。
示例地,当步骤S11、步骤S12表示对测试集和验证集进行标注修正,对第二次重复为再次执行一次步骤S11、步骤S12、步骤S21、步骤S22、步骤S23和步骤S24时,第二次对验证集、测试集和训练集的修正过程简化为:基于修正后的训练集、修正后的验证集和修正后的测试集对目标结构进行深度学习得到模型,根据该模型分别对所述修正后的测试集和修正后的验证集进行修正,得到再次修正后的测试集和再次修正后的验证集,基于修正后的训练集、再次修正后的验证集和再次修正后的测试集对目标结构和多个深度互不相同且与所述目标结构不同的模型结构进行深度学习得到多个模型,根据该多个模型对所述修正后的训练集进行修正,得到再次修正后的训练集。
如图3所示,在另一实施例中,可选地,在步骤S24之后,所述方法还包括:
步骤S31,针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围。
同理,对于验证集和测试集,本公开也是无需对测试集、验证集中所有训练数据都进行标注修正,而是自动对其内的样本数据进行核查找到容易出现标注出错问题的样本数据。
步骤S32,针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正。
同理,通过步骤S31和步骤S32,对于验证集和测试集,找到容易出现标注出错问题的样本数据后,根据用户输入的标注指令对该样本数据进行修正,相比通过训练多个模型进行自动修改,速度更快。
同理,步骤S31和步骤S32中的和/或必须同时选择和或者同时选择或。也就是说,当步骤S31为针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围时,步骤S32须为针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,即步骤S31和步骤S32表示对测试集进行标注修正;当步骤S31为计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围时,步骤S32须为针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正,即步骤S31和步骤S32表示对验证集进行标注修正;当步骤S31为针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,步骤S32须为针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,和针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正,即步骤S31和步骤S32表示对测试集和验证集进行标注修正。
其中,所述目标结构的第二学习模型是基于修正后的训练集训练得到的。为了说明执行一次步骤S21、步骤S22、步骤S23、步骤S24、步骤S31和步骤S32的修正过程,在此以步骤S31、步骤S32表示对测试集和验证集进行标注修正时为例进行说明。即当步骤S31、步骤S32包括对测试集和验证集标注修正时,整个修正过程为:基于训练集、验证集和测试集对目标结构和多个深度互不相同且与所述目标结构不同的模型结构进行深度学习得到多个学习模型,根据该多个学习模型对所述训练集进行修正,得到修正后的训练集,基于验证集、测试集和修正后的训练集对目标结构进行深度学习得到第二学习模型,根据第二学习模型分别对所述测试集和验证集进行修正,得到修正后的测试集和修正后的验证集。因此,执行一次步骤S21、步骤S22、步骤S23、步骤S24、步骤S31和步骤S32,可完成对训练集、验证集和测试集的一次修正。可选地,在实际操作中,用户可根据实际情况重复完上述步骤以完成对验证集、测试集和训练集的多次修正,也可以仅重复步骤S31和步骤S32仅再次修正测试集和验证集,或者仅重复步骤S21、步骤S22、步骤S23和步骤S24仅再次修正训练集。同理,用户根据实际情况重复时,步骤S31和步骤S32还可以是仅包括对测试集或仅包括对验证集进行修正的情况。
示例地,当步骤S31、步骤S32表示对测试集和验证集进行标注修正,对第二次重复为再次执行一次步骤S21、步骤S22、步骤S23、步骤S24、步骤S31和步骤S32时,第二次对验证集、测试集和训练集的修正过程简化为:基于修正后的训练集、修正后的验证集和修正后的测试集对目标结构和多个深度互不相同且与所述目标结构不同的模型结构进行深度学习得到多个模型,根据该多个模型对所述修正后的训练集进行修正,得到再次修正后的训练集,基于修正后的验证集、修正后的测试集和再次修正后的训练集对目标结构进行深度学习得到模型,根据该模型分别对所述修正后的测试集和修正后的验证集进行修正,得到再次修正后的测试集和再次修正后的验证集。
如图4所示,在另一实施例中,可选地,所述方法还包括:
步骤S41,针对所述第三学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围。
因而,对于验证集和测试集,本公开也是无需对测试集、验证集中所有训练数据都进行标注修正,而是自动对其内的样本数据进行核查找到容易出现标注出错问题的样本数据。
步骤S42,针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正。
同理,通过步骤S41和步骤S42,对于验证集和测试集,找到容易出现标注出错问题的样本数据后,根据用户输入的标注指令对该样本数据进行修正,相比通过训练多个模型进行自动修改,速度更快。
同理,步骤S41和步骤S42中的和/或必须同时选择和或者同时选择或。也就是说,当步骤S41为针对所述第三学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围时,步骤S42须为针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,即步骤S41和步骤S42表示对测试集进行标注修正;当步骤S41为计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,步骤S42须为针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,即步骤S41和步骤S42表示对验证集进行标注修正;当步骤S41为针对所述第三学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,步骤S42须为针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,和针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正,即步骤S41和步骤S42表示对测试集和验证集进行标注修正。
其中,所述多个不同深度的学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的。所述多个不同深度的学习模型包括具有目标结构的第三学习模型。为了说明执行一次步骤S21、步骤S22、步骤S23、步骤S24、步骤S41和步骤S42的修正过程,在此以步骤S41、步骤S42表示对测试集和验证集进行标注修正时为例进行说明。即当步骤S41、步骤S42包括对测试集和验证集标注修正时,整个修正过程为:基于训练集、验证集和测试集对目标结构和多个深度互不相同且与所述目标结构不同的模型结构进行深度学习得到多个学习模型,根据该多个学习模型对所述训练集进行修正,得到修正后的训练集,根据所述多个学习模型中具有目标结构的第三学习模型分别对所述测试集和验证集进行修正,得到修正后的测试集和修正后的验证集。因此,执行一次步骤S21、步骤S22、步骤S23、步骤S24、步骤S41和步骤S42,可完成对训练集、验证集和测试集的一次修正。并且步骤S21、步骤S22、步骤S23和步骤S24可以在步骤S41和步骤S42之前执行,也可以在步骤S41和步骤S42之后执行。可选地,在实际操作中,用户可根据实际情况重复完上述步骤以完成对验证集、测试集和训练集的多次修正,也可以仅重复步骤S41和步骤S42仅再次修正测试集和验证集,或者仅重复步骤S21、步骤S22、步骤S23和步骤S24仅再次修正训练集。同理,用户根据实际情况重复时,步骤S41和步骤S42还可以是仅包括对测试集或仅包括对验证集进行修正的情况。
示例地,当步骤S41、步骤S42表示对测试集和验证集进行标注修正,对第二次重复为再次执行一次步骤S21、步骤S22、步骤S23、步骤S24、步骤S41和步骤S42时,第二次对验证集、测试集和训练集的修正过程简化为:基于修正后的训练集、修正后的验证集和修正后的测试集对目标结构和多个深度互不相同且与所述目标结构不同的模型结构进行深度学习得到多个模型,根据该多个模型对所述修正后的训练集进行修正,得到再次修正后的训练集,根据该多个模型中具有目标结构的模型分别对所述测试集和验证集进行修正,得到修正后的测试集和修正后的验证集。该过程也简化为:基于修正后的训练集、修正后的验证集和修正后的测试集对目标结构进行深度学习得到模型,采用该模型分别对所述测试集和验证集进行修正,得到修正后的测试集和修正后的验证集,根据该模型及根据基于修正后的训练集、修正后的验证集和修正后的测试集对多个深度互不相同且与所述目标结构不同的模型结构进行深度学习得到多个模型,根据该多个模型对所述修正后的训练集进行修正,得到再次修正后的训练集。
上述步骤S21中的阈值范围可以是用户设定的,也可以是根据一定算法设定的。如图5所示,可选地,上述步骤S21包括:
子步骤S211,根据每一所述学习模型的预设召回率和/或预设精确率分别确定每一所述学习模型对应的分类分数的预设阈值。
以一个二分类模型为例,在实际工程中,大家关心两个指标:召回率和精确率。在这两个指标的限制下,可以获得一个二分类模型的阈值,即本公开的预设阈值。例如,可以固定召回率是75%,在这个召回率下,可以找到一个阈值,使得精确率在训练集上达到最大,即本公开的预设阈值。同理,也可以固定一个精确率,去寻找该精确率下的预设阈值。同理,还可以综合考量召回率和精确率,最后选择一个召回率和精确率同时都能相对接受的平衡的方案来确定预设阈值。
子步骤S212,针对每一所述学习模型,根据所述训练集中样本数据的分类分数分布情况以所述预设阈值为中心确定需要进行标注修正的样本数据的分类分数的阈值范围,其中分类分数在所述阈值范围内的样本数据占所述训练集内总样本数据的百分比等于预设修正比例。
其中,预设修正比例可以是根据能够用于人工标注修正的人力和待修正的训练数据的规模大小来确定,例如,可以为5%。阈值范围是指以该预设阈值为中心的一个范围,能够使得分类分数落在该阈值范围内的样本数据的个数占所有训练数据的比例与该预设修正比例相同。如图6所示,以所述学习模型为一个二分类模型为例,针对一所述学习模型,计算所述训练集中样本数据的分类分数,得到该训练集的分类分数分布情况。图6中,横坐标为该学习模型对样本数据的分类分数,区间在0-1之间;纵坐标为对应分类分数上的样本数据数量占训练集内样本数据总数的百分比,横坐标上的B点表示预设阈值,区间[A,C]表示阈值范围。则,曲线f(x)下部的面积之和为100%,表示训练集内样本数据总数;通过调整阈值范围区间[A,C]的大小可以使阴影部分面积等于预设修正比例。
显而易见,步骤S11、步骤S31和步骤S41与步骤S21类似,在此不作赘述。
基于上述发明构思,本公开的第二方面,提供一种数据标注修正装置。图7是根据本公开一实施例示出的一种数据标注修正装置的框图。如图7所示,数据标注修正装置包括:训练集阈值范围确定模块21、训练集分类模块22、训练集目标集确定模块23和训练集修正模块24。
训练集阈值范围确定模块21,用于针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的。
训练集分类模块22,用于将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数。
训练集目标集确定模块23,用于根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内。
训练集修正模块24,用于针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
可选地,所述装置还包括:第一测试集阈值范围确定模块及第一测试集修正模块;和/或,第一验证集阈值范围确定模块及第一验证集修正模块。
第一测试集阈值范围确定模块,用于针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第一测试集修正模块,用于在针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
和/或,第一验证集阈值范围确定模块,用于针对目标结构的第一学习模型,计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第一验证集修正模块,用于针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
其中,所述多个不同深度包括所述目标结构;所述目标结构的第一学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的;所述多个不同深度的学习模型是基于所述训练集进行训练,且经过修正后的所述验证集验证和/或经过修正后的所述测试集测试得到的。
可选地,所述装置还包括:第二测试集阈值范围确定模块及第一测试集修正模块;和/或,第二验证集阈值范围确定模块及第二验证集修正模块。
第二测试集阈值范围确定模块,用于针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第二测试集修正模块,用于针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
和/或,第二验证集阈值范围确定模块,用于针对目标结构的第二学习模型,计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第二验证集修正模块,用于针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正。
其中,所述目标结构的第二学习模型是基于修正后的训练集训练得到的。
可选地,所述装置还包括:第三测试集阈值范围确定模块及第三测试集修正模块;和/或,第三验证集阈值范围确定模块及第三验证集修正模块。
第三测试集阈值范围确定模块,用于针对所述第三学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第三测试集修正模块,用于针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正。
和/或,第三验证集阈值范围确定模块,用于针对所述第三学习模型,计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围。第三验证集修正模块;第三验证集修正模块,用于针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正。
其中,所述多个不同深度的学习模型包括具有目标结构的第三学习模型。
在上述装置中,可选地,训练集阈值范围确定模块21包括:预设阈值获取子模块和阈值范围确定子模块。
预设阈值获取子模块,用于根据每一所述学习模型的预设召回率和/或预设精确率分别确定每一所述学习模型对应的分类分数的预设阈值。
阈值范围确定子模块,用于针对每一所述学习模型,根据所述训练集中样本数据的分类分数分布情况以所述预设阈值为中心确定需要进行标注修正的样本数据的分类分数的阈值范围,其中分类分数在所述阈值范围内的样本数据占所述训练集内总样本数据的百分比等于预设修正比例。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本公开第三方面,提供一种包括程序指令的计算机可读介质,该程序被处理装置执行时实现上述的数据标注修正方法的步骤。
根据本公开第四方面,提供一种电子设备。下面参考图8,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的电子设备600可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的;将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数;根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内;针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,训练集阈值范围确定模块还可以被描述为“确定训练集的阈值范围的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例一提供了一种数据标注修正方法,包括:针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的;将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数;根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内;针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
根据本公开的一个或多个实施例,示例二提供了示例一的方法,在针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围之前,还包括针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;其中,所述多个不同深度包括所述目标结构;所述目标结构的第一学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的;所述多个不同深度的学习模型是基于所述训练集进行训练,且经过修正后的所述验证集验证和/或经过修正后的所述测试集测试得到的。
根据本公开的一个或多个实施例,示例三提供了示例一的方法,还包括:针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,所述目标结构的第二学习模型是基于修正后的训练集训练得到的;针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正。
根据本公开的一个或多个实施例,示例四提供了示例一的方法,所述多个不同深度的学习模型包括具有目标结构的第三学习模型,还包括:针对所述第三学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;所述多个不同深度的学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的。
根据本公开的一个或多个实施例,示例五提供了示例一至四的方法,针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围包括:根据每一所述学习模型的预设召回率和/或预设精确率分别确定每一所述学习模型对应的分类分数的预设阈值;针对每一所述学习模型,根据所述训练集中样本数据的分类分数分布情况以所述预设阈值为中心确定需要进行标注修正的样本数据的分类分数的阈值范围,其中分类分数在所述阈值范围内的样本数据占所述训练集内总样本数据的百分比等于预设修正比例。
根据本公开的一个或多个实施例,示例六提供了一种数据标注修正装置,包括:训练集阈值范围确定模块,用于针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的;训练集分类模块,用于将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数;训练集目标集确定模块,用于根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内;训练集修正模块,用于针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
根据本公开的一个或多个实施例,示例七提供了示例六的装置,还包括:第一测试集阈值范围确定模块,用于针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第一测试集修正模块,用于在针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,第一验证集阈值范围确定模块,用于针对目标结构的第一学习模型,计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第一验证集修正模块,用于针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;其中,所述多个不同深度包括所述目标结构;所述目标结构的第一学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的;所述多个不同深度的学习模型是基于所述训练集进行训练,且经过修正后的所述验证集验证和/或经过修正后的所述测试集测试得到的。
根据本公开的一个或多个实施例,示例八提供了示例六的装置,还包括:第二测试集阈值范围确定模块,用于针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第二测试集修正模块,用于针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,第二验证集阈值范围确定模块,用于针对目标结构的第二学习模型,计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,所述目标结构的第二学习模型是基于修正后的训练集训练得到的;第二验证集修正模块,用于针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正。
根据本公开的一个或多个实施例,示例九提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例一至五中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例十提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例一至五中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种数据标注修正方法,其特征在于,所述方法包括:
针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的;
将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数;
根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内;
针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
2.根据权利要求1所述的数据标注修正方法,其特征在于,在针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围之前,所述方法还包括:
针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;
针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
其中,所述多个不同深度包括所述目标结构;所述目标结构的第一学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的;所述多个不同深度的学习模型是基于所述训练集进行训练,且经过修正后的所述验证集验证和/或经过修正后的所述测试集测试得到的。
3.根据权利要求1所述的数据标注修正方法,其特征在于,所述方法还包括:
针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,所述目标结构的第二学习模型是基于修正后的训练集训练得到的;
针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正。
4.根据权利要求1所述的数据标注修正方法,其特征在于,所述多个不同深度的学习模型包括具有目标结构的第三学习模型,所述方法还包括:
针对所述第三学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围,和/或计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;
针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;和/或,针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
所述多个不同深度的学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的。
5.根据权利要求1-4任一项所述的数据标注修正方法,其特征在于,针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围包括:
根据每一所述学习模型的预设召回率和/或预设精确率分别确定每一所述学习模型对应的分类分数的预设阈值;
针对每一所述学习模型,根据所述训练集中样本数据的分类分数分布情况以所述预设阈值为中心确定需要进行标注修正的样本数据的分类分数的阈值范围,其中分类分数在所述阈值范围内的样本数据占所述训练集内总样本数据的百分比等于预设修正比例。
6.一种数据标注修正装置,其特征在于,包括:
训练集阈值范围确定模块,用于针对多个不同深度的学习模型,分别计算训练集中需要进行标注修正的样本数据的分类分数的阈值范围,得到每一所述学习模型对应的阈值范围,其中,每一所述学习模型是采用所述训练集训练得到的;
训练集分类模块,用于将所述训练集分别输入每一所述学习模型,得到所述训练集中每一样本数据在各所述学习模型下的分类分数;
训练集目标集确定模块,用于根据每一所述样本数据在各个所述学习模型下的分类分数,确定待进行标注修正的目标样本集,对于所述目标样本集中的任一样本数据,该样本数据在每一所述学习模型下的分类分数均在该学习模型对应的阈值范围内;
训练集修正模块,用于针对所述目标样本集中的每一样本数据,获取该样本数据输入各所述学习模型后得到的分类标注,并根据该样本数据的每一种分类标注的占比,将该样本数据的标注修正为占比最高的分类标注。
7.根据权利要求6所述的数据标注修正装置,其特征在于,还包括:
第一测试集阈值范围确定模块,用于针对目标结构的第一学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第一测试集修正模块,用于在针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
和/或,第一验证集阈值范围确定模块,用于针对目标结构的第一学习模型,计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第一验证集修正模块,用于针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
其中,所述多个不同深度包括所述目标结构;所述目标结构的第一学习模型是基于所述训练集进行训练,且经过所述验证集验证,以及经过所述测试集测试得到的;所述多个不同深度的学习模型是基于所述训练集进行训练,且经过修正后的所述验证集验证和/或经过修正后的所述测试集测试得到的。
8.根据权利要求6所述的数据标注修正装置,其特征在于,还包括:
第二测试集阈值范围确定模块,用于针对目标结构的第二学习模型,计算测试集对应的需要进行标注修正的样本数据的分类分数的阈值范围;第二测试集修正模块,用于针对所述测试集中分类分数在所述测试集对应的阈值范围内的样本数据,根据用户输入的标注指令对该样本数据进行标注修正;
和/或,第二验证集阈值范围确定模块,用于针对目标结构的第二学习模型,计算验证集对应的需要进行标注修正的样本数据的分类分数的阈值范围,所述目标结构的第二学习模型是基于修正后的训练集训练得到的;第二验证集修正模块,用于针对所述验证集中分类分数在所述验证集对应的阈值范围内的样本数据,根据用户输入的标注指令对该数据进行标注修正。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910704540.0A CN110399933B (zh) | 2019-07-31 | 2019-07-31 | 数据标注修正方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910704540.0A CN110399933B (zh) | 2019-07-31 | 2019-07-31 | 数据标注修正方法、装置、计算机可读介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399933A CN110399933A (zh) | 2019-11-01 |
CN110399933B true CN110399933B (zh) | 2021-05-07 |
Family
ID=68326989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910704540.0A Active CN110399933B (zh) | 2019-07-31 | 2019-07-31 | 数据标注修正方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399933B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991170B (zh) * | 2019-12-05 | 2021-10-12 | 清华大学 | 基于电子病历信息的中文疾病名称智能标准化方法与系统 |
CN111488939A (zh) * | 2020-04-15 | 2020-08-04 | 天津美腾科技股份有限公司 | 模型训练方法、分类方法、装置及设备 |
CN112632350B (zh) * | 2020-12-07 | 2023-12-05 | 肇庆学院 | 一种基于在线教育大数据的深度学习样本标注方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142912A (zh) * | 2013-05-07 | 2014-11-12 | 百度在线网络技术(北京)有限公司 | 一种精确的语料类别标注方法及装置 |
US20150086133A1 (en) * | 2013-09-25 | 2015-03-26 | Heartflow, Inc. | Systems and methods for controlling user repeatability and reproducibility of automated image annotation correction |
CN106169095A (zh) * | 2016-06-24 | 2016-11-30 | 广州图普网络科技有限公司 | 主动学习大数据标注方法和系统 |
CN106355628A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 图文知识点标注方法和装置、图文标注的修正方法和系统 |
CN107403198A (zh) * | 2017-07-31 | 2017-11-28 | 广州探迹科技有限公司 | 一种基于级联分类器的官网识别方法 |
CN107506362A (zh) * | 2016-11-23 | 2017-12-22 | 上海大学 | 基于用户群优化的图像分类仿脑存储方法 |
US20180114100A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Edge-based adaptive machine learning for object recognition |
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
CN108171335A (zh) * | 2017-12-06 | 2018-06-15 | 东软集团股份有限公司 | 建模数据的选取方法、装置、存储介质及电子设备 |
CN108197658A (zh) * | 2018-01-11 | 2018-06-22 | 阿里巴巴集团控股有限公司 | 图像标注信息处理方法、装置、服务器及系统 |
CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
CN108830329A (zh) * | 2018-06-22 | 2018-11-16 | 北京字节跳动网络技术有限公司 | 图片处理方法和装置 |
CN109242013A (zh) * | 2018-08-28 | 2019-01-18 | 北京九狐时代智能科技有限公司 | 一种数据标注方法、装置、电子设备及存储介质 |
CN109377509A (zh) * | 2018-09-26 | 2019-02-22 | 深圳前海达闼云端智能科技有限公司 | 图像语义分割标注的方法、装置、存储介质和设备 |
CN109509189A (zh) * | 2018-11-13 | 2019-03-22 | 复旦大学附属中山医院 | 一种基于多个子区域模板的腹部肌肉标注方法及标注装置 |
CN109543683A (zh) * | 2018-11-30 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 图像标注修正方法、装置、设备和介质 |
CN109978002A (zh) * | 2019-02-25 | 2019-07-05 | 华中科技大学 | 基于深度学习的内窥镜图像胃肠道出血检测方法和系统 |
-
2019
- 2019-07-31 CN CN201910704540.0A patent/CN110399933B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142912A (zh) * | 2013-05-07 | 2014-11-12 | 百度在线网络技术(北京)有限公司 | 一种精确的语料类别标注方法及装置 |
US20150086133A1 (en) * | 2013-09-25 | 2015-03-26 | Heartflow, Inc. | Systems and methods for controlling user repeatability and reproducibility of automated image annotation correction |
CN106355628A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 图文知识点标注方法和装置、图文标注的修正方法和系统 |
CN106169095A (zh) * | 2016-06-24 | 2016-11-30 | 广州图普网络科技有限公司 | 主动学习大数据标注方法和系统 |
US20180114100A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Edge-based adaptive machine learning for object recognition |
CN107506362A (zh) * | 2016-11-23 | 2017-12-22 | 上海大学 | 基于用户群优化的图像分类仿脑存储方法 |
CN107403198A (zh) * | 2017-07-31 | 2017-11-28 | 广州探迹科技有限公司 | 一种基于级联分类器的官网识别方法 |
CN108171335A (zh) * | 2017-12-06 | 2018-06-15 | 东软集团股份有限公司 | 建模数据的选取方法、装置、存储介质及电子设备 |
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
CN108197658A (zh) * | 2018-01-11 | 2018-06-22 | 阿里巴巴集团控股有限公司 | 图像标注信息处理方法、装置、服务器及系统 |
CN108830329A (zh) * | 2018-06-22 | 2018-11-16 | 北京字节跳动网络技术有限公司 | 图片处理方法和装置 |
CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
CN109242013A (zh) * | 2018-08-28 | 2019-01-18 | 北京九狐时代智能科技有限公司 | 一种数据标注方法、装置、电子设备及存储介质 |
CN109377509A (zh) * | 2018-09-26 | 2019-02-22 | 深圳前海达闼云端智能科技有限公司 | 图像语义分割标注的方法、装置、存储介质和设备 |
CN109509189A (zh) * | 2018-11-13 | 2019-03-22 | 复旦大学附属中山医院 | 一种基于多个子区域模板的腹部肌肉标注方法及标注装置 |
CN109543683A (zh) * | 2018-11-30 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 图像标注修正方法、装置、设备和介质 |
CN109978002A (zh) * | 2019-02-25 | 2019-07-05 | 华中科技大学 | 基于深度学习的内窥镜图像胃肠道出血检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
DDBJ progress report: a nefor leading to a correct annotationw submission system;Takehide Kosuge等;《Nucleic Acids Research》;20131104;第42卷;第44-49页 * |
Deep Web数据集成系统中数据标注研究;常勇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120215(第2期);I139-451 * |
基于最近邻模型的图像标注中标签传播和标签修正问题的研究;钟福平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180715(第7期);I138-1455 * |
Also Published As
Publication number | Publication date |
---|---|
CN110399933A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858445B (zh) | 用于生成模型的方法和装置 | |
CN110288082B (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
CN110969012B (zh) | 文本纠错方法、装置、存储介质及电子设备 | |
CN110399933B (zh) | 数据标注修正方法、装置、计算机可读介质及电子设备 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN109376419B (zh) | 一种数据模型的生成方法、装置、电子设备及可读介质 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN115271071A (zh) | 基于图神经网络的知识图谱实体对齐方法、系统及设备 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN109829431B (zh) | 用于生成信息的方法和装置 | |
CN111325031A (zh) | 简历解析方法及装置 | |
CN112712795B (zh) | 标注数据确定方法、装置、介质及电子设备 | |
CN112883966B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN109816670B (zh) | 用于生成图像分割模型的方法和装置 | |
CN112380883A (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN111949837A (zh) | 信息处理方法、装置、电子设备以及存储介质 | |
CN112669816B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN113849416A (zh) | 测试方法、装置、存储介质及电子设备 |
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 |