CN111160406A - 图像分类模型的训练方法、图像分类方法及装置 - Google Patents
图像分类模型的训练方法、图像分类方法及装置 Download PDFInfo
- Publication number
- CN111160406A CN111160406A CN201911260342.6A CN201911260342A CN111160406A CN 111160406 A CN111160406 A CN 111160406A CN 201911260342 A CN201911260342 A CN 201911260342A CN 111160406 A CN111160406 A CN 111160406A
- Authority
- CN
- China
- Prior art keywords
- classification model
- image classification
- image data
- training
- sample
- 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.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 240
- 238000012549 training Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 abstract description 22
- 238000012216 screening Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例提供了一种图像分类模型的训练方法、图像分类方法及装置,其中所述图像分类模型的训练方法包括:利用预先标注的样本图像数据对图像分类模型进行迭代训练,并在每次训练后,剔除样本图像数据中所对应预测分类的置信度低的图像数据,直至所述训练后的图像分类模型符合预设收敛条件,得到目标图像分类模型。通过对初步训练得到的初始图像分类模型进行多次迭代训练,并在每次训练后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注,而且提高了所得到目标图像分类模型的鲁棒性和精度。
Description
技术领域
本公开涉及计算机技术领域,特别是涉及一种图像分类模型的训练方法、图像分类方法及装置。
背景技术
近年来,随着短视频应用的逐渐普及,网络上产生的图像数据呈现井喷式的增长,从而使得针对海量数据分类处理的需求也在与日俱增。而人工神经网络系统是由众多的神经元通过可调的连接权重相互连接而成的,具有大规模并行处理、分布式信息存储、良好的学习能力等特点,应用人工神经网络系统对图像数据进行分类处理以成为本领域的发展趋势。
现有技术中,通常是采用人工标注的方法,或者在粗处理的基础上进一步进行人工标注的方式,以使得神经网络模型学习样本数据中的特征,从而对神经网络模型进行优化。
然而对于大规模的数据,在训练的过程中需要不断进行人工审核从而提高样本标注的质量,需要耗费大量的人力资源成本,并且随着数据量的增加,所得到模型鲁棒性也较低。
公开内容
鉴于上述问题,提出了本公开以便提供解决上述问题或者至少部分地解决上述问题的一种图像分类模型的训练方法、图像分类方法及装置。
依据本公开的第一方面,提供了一种图像分类模型的训练方法,包括:
将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类;
将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度;
在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应样本预测分类的置信度低于置信度阈值的图像数据;
将剔除后的样本图像数据作为新的样本图像数据,进入所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类以及其相对应的置信度的步骤,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
可选的,所述预设收敛条件包括:损失值收敛条件或迭代次数收敛条件。
可选的,在所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度的步骤之后,还包括:
在所述预设收敛条件包括损失值收敛条件的情况下,根据所述样本预测分类与所述标准分类确定二次训练后的初始图像分类模型的第二损失值;
在所述第二损失值大于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件;
在所述第二损失值小于或等于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
可选的,在所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度的步骤之后,还包括:
在所述预设收敛条件包括迭代次数收敛条件的情况下,对所述初始图像分类模型的迭代次数进行更新;
在更新后的迭代次数小于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件;
在更新后的迭代次数大于或等于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
可选的,所述将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型的步骤之前,还包括:
获取分辨率高于预设分辨率阈值的初始图像数据;
剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据,得到样本图像数据。
可选的,所述剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据,得到样本图像数据的步骤,包括:
剔除所述初始图像数据中标注区域符合以下至少一预设条件的图像数据,得到样本图像数据,其中所述预设条件包括:
所述初始图像数据的标注区域中遮挡区域占比大于遮挡占比阈值,所述遮挡区域是根据标注区域的亮度确定;
所述初始图像数据中标注区域的密度大于密度阈值。
依据本公开的第二方面,提供了一种图像分类方法,包括:
获取待分类的图像数据;
将所述待分类的图像数据输入目标图像分类模型进行预测,获得目标预测分类,所述目标图像分类模型是通过上述第一方面中任一所述的图像分类模型的训练方法得到的。
依据本公开的第三方面,提供了一种图像分类模型的训练装置,包括:
第一训练模块,被配置为将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类;
第二训练模块,被配置为将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度;
剔除模块,被配置为在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应样本预测分类的置信度低于置信度阈值的图像数据;
第三训练模块,被配置为将剔除后的样本图像数据作为新的样本图像数据,进入所述第二训练模块,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
可选的,所述预设收敛条件包括:损失值收敛条件或迭代次数收敛条件。
可选的,所述装置,还包括:
第一确定模块,被配置为在所述预设收敛条件包括损失值收敛条件的情况下,根据所述样本预测分类与所述标准分类确定二次训练后的初始图像分类模型的第二损失值;
第一确认模块,被配置为在所述第二损失值大于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件;
第二确认模块,被配置为在所述第二损失值小于或等于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
可选的,所述装置,还包括:
第二确定模块,被配置为在所述预设收敛条件包括迭代次数收敛条件的情况下,对所述初始图像分类模型的迭代次数进行更新;
第三确认模块,被配置为在更新后的迭代次数小于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件;
第四确认模块,被配置为在更新后的迭代次数大于或等于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
可选的,所述装置,还包括:
获取模块,被配置为获取分辨率高于预设分辨率阈值的初始图像数据;
筛选模块,被配置为剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据,得到样本图像数据。
可选的,所述筛选模块,包括:
筛选子模块,被配置为剔除所述初始图像数据中标注区域符合以下至少一预设条件的图像数据,得到样本图像数据,其中所述预设条件包括:
所述初始图像数据的标注区域中遮挡区域占比大于遮挡占比阈值,所述遮挡区域是根据标注区域的亮度确定;
所述初始图像数据中标注区域的密度大于密度阈值。
依据本公开的第四方面,提供了一种图像分类装置,包括:
接收模块,被配置为获取待分类的图像数据;
预测模块,被配置为将所述待分类的图像数据输入目标图像分类模型进行预测,获得目标预测分类,所述目标图像分类模型是通过上述第一方面中任一所述的图像分类模型的训练方法得到的。
根据本公开实施例的第五方面,提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的图像分类模型的训练方法或第二方面所述的图像分类方法。
根据本公开实施例的第六方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述图像分类模型的训练方法或第二方面所述的图像分类方法。
本公开实施例具有如下优点:
本公开实施例提供了一种图像分类模型的训练方法、图像分类方法及装置,通过对初步训练所得到的初始图像分类模型进行多次迭代训练,并在每次训练后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注所需的人力成本,而且提高了所得到目标图像分类模型的鲁棒性和精度。
上述说明仅是本公开技术方案的概述,为了能够更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂,以下特举本公开的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本公开的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本公开的第一种图像分类模型的训练方法的步骤流程图;
图2示出了根据本公开的第二种图像分类模型的训练方法的步骤流程图;
图3示出了根据本公开的一种样本图像数据的剔除方法的步骤流程图;
图4示出了根据本公开的第三种图像分类模型的训练方法的步骤流程图;
图5示出了根据本公开的一种图像分类方法的步骤流程图;
图6示出了根据本公开的一种图像分类模型的训练装置的结构框图;
图7示出了根据本公开的一种图像分类装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
参照图1,示出了根据本公开的第一种图像分类模型的训练方法,所述方法包括:
步骤101,将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类。
在本公开实施例中,所述样本图像数据可以是通过网络获取到的大量的图像数据集,例如:人物肖像图像、景物图像等,可通过各种类型的图像识别模型根据不同的需求对所述样本图像数据预先标注所需识别的区域,例如所述样本图像数据为人物肖像图像时,可通过人脸识别模型对该样本图像数据进行识别,标注图像中的人脸区域,而适应于所述样本图像数据的特点,例如社交软件中的用户肖像图像,可通过用户注册的性别对所述样本图像数据预先标注性别分类,作为所述样本图像数据的标准分类。所述初始图像分类模型在进行初步训练前,操作人员可根据经验对所述初始图像分类模型的参数进行初始配置,可以缩短训练时长。
所述初始图像分类模型可以是基于误差反向传播算法的ResNet模型,该模型通过增加层级之间的直连通道,使得原始输入信息直接传递到后面的层中,使得输入信息可以绕道传到输出,从而保护信息的完整性,模型只需要学习输入、输出差别的那一部分,简化了学习目标和难度,使得图像分类模型可以在处理大规模的图像数据时,不容易出现梯度小或者梯度爆炸的问题。在迭代训练之前,可通过所述样本图像数据对待训练的图像分类模型进行初步训练,得到准确率较低的初始图像分类模型。
在利用所述样本图像数据对所述初始图像分类模型进行初步训练之前,可对所述样本图像数据进行初步筛选,滤除所述样本图像数据中分辨率低于预设分辨率阈值,例如:设置分辨率阈值为640*480,从而可以将分辨率低于640*480的样本图像数据滤除;并且可进一步滤除所述样本图像数据中遮挡情况严重的图像数据,所述遮挡情况可通过预先训练的遮挡检测模型确定样本图像数据中各图像数据的遮挡区域,从而将遮挡区域较大图像数据进行滤除,所述遮挡检测模型可采用预先标注了遮挡区域的样本图像数据进行训练得到;还可以滤除所述样本图像数据中标注区域的密度大于密度阈值的图像数据,例如人脸识别过程中,所标注的人脸识别区域过多的图像数据,具体的可根据实际需求对所述密度阈值进行配置。可以理解,样本图像数据中标注区域过于拥挤、遮挡情况严重等情况不利于模型学习样本图像数据中的特征,通过预先对样本图像数据进行过滤,在减少了人工对样本图像数据进行审核所需的人力成本的同时,还可以提高模型训练的效率以及准确度。
所述初步训练过程是在模型正式开始训练前,通过依据第一损失值阈值进行训练,获得第一损失值小于第一损失值阈值的初始图像分类模型,从而可以有效地减少模型正式训练时所需的训练次数,提高了模型训练的效率。可以理解,为提高后续训练所得到模型的鲁棒性,所述第一损失值阈值不宜设置过低,仅需可以通过初步训练获得相对低精度的图像分类模型即可。
步骤102,将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度。
在本公开实施例中,所述样本预测分类是目标图像分类模型对样本图像数据训练得到的分类结果,例如,预测样本图像数据属于人物图像类别,或,风景图像类别,或,动物图像类别等。所述置信度可以为样本图像数据属于某一样本预测分类的概率,例如,预测一样本图像数据属于人物图像类别的概率为0.9,属于风景图像类别的概率为0.1,从而目标图像分类模型预测其样本预测分类为人物图像类别,且其置信度为0.9;或预测一样本图像数据中的人物的性别为女性的概率为0.95,所述男性的概率为0.05,从而目标图像分类模型预测其样本预测分类为女性,其置信度为0.95。对于样本图像数据仅通过初步筛选和标注,所标注的特征质量有限,通过样本图像数据初步训练得到的目标图像分类模型的准确率较低,需要根据所述样本图像数据对所述目标图像分类模型进行迭代优化。每次迭代将样本图像数据分为训练集及测试集,利用训练集训练后的目标图像分类模型,再通过将测试集输入至训练后的目标图像分类模型进行训练,得到相对应的样本预测分类以及置信度。
所述二次训练后的初始图像分类模型的第二损失值由于是基于初始图像分类模型进行进一步的迭代训练,因此训练后的初始图像分类模型的第二损失值相比小于所述第一损失值,该二次训练的初始图像分类模型的精度大于初始图像分类模型。
可选的,所述预设收敛条件包括:损失值收敛条件或迭代次数收敛条件。
在本公开实施例中,所述预设收敛条件可以是依据指初始图像分类模型的准确率、损失值、迭代次数等可以衡量模型性能的指标参数,制定的收敛范围或收敛值。该具体收敛范围或收敛值可以是用户根据自身需求以及预设指标的类型进行评定的,此处不做限定。所述预设收敛条件是根据模型的至少一个指标确定指定的,各指标之间可存在先后逻辑,也可通过赋权将所述至少一个预设指标进行综合,作为所述预设收敛条件的判断依据。
步骤103,在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应预测分类的置信度低于置信度阈值的图像数据。
在本公开实施例中,通过在每次迭代训练后,根据训练后的初始图像分类模型输出的置信度剔除样本图像数据中存在瑕疵的图像数据,从而提高了样本图像数据的特征质量,无需在训练得到模型达不到预期的标准时通过人工对样本图像进行进一步审核和标注,节省了模型训练所需的人力成本。所述目标图像分类模型中的误差反向传播算法会将模型预测输出的误差分摊到各层的所有单元,从而获得各层单元的误差信号,从而调整各单元的权重参数,也可根据所述目标图像分类模型每次迭代中输入与输出的残差确定损失值,再根据所述损失值对所述目标图像分类模型的参数进行调整。
步骤104,将剔除后的样本图像数据作为新的样本图像数据,进入所述步骤102,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
在本公开实施例中,通过对目标图像分类模型进行多次迭代训练,在每次迭代后根据输出结果的置信度对样本图像数据进行剔除,直至所得到的第二图像分类结果的准确率达到准确率阈值,即可得到符合标准的目标图像分类模型。
所述第二损失值是根据所得到目标图像分类模型所输出的预测分类与标准分类得到的,所述第二损失值阈值由于小于所述第一损失值阈值,因此可以保证目标图像分类模型的精度高于所述初始图像分类模型。
本公开实施例提供的第一种图像分类模型的训练方法,通过对初步训练得到的初始图像分类模型进行多次迭代训练,并在每次训练后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注所需的人力成本,而且提高了所得到目标图像分类模型的鲁棒性和精度。
实施例二
参照图2,示出了根据本公开的第二种图像分类模型的训练方法,所述方法包括:
步骤201,获取分辨率高于预设分辨率阈值的初始图像数据。
在本公开实施例中,所述初始图像数据可以是已进行初步筛选的图像数据,也可以是直接从网络环境中获取的图像数据所述目标图像数据的格式可以是jpg、png、jpeg等常见图片格式。
在本公开实施例中,图像的分辨率会对所述初始图像分类模型的实际效果造成影响,为保证训练得到初始图像分类模型的准确度,需要预先限制初始图像数据的分辨率。所述初始图像数据需要采用现有的其余图像识别模型对其标注区域,所述图像识别模型可以根据初始图像数据的类型进行选取,例如所述初始图像数据为人物肖像,则所述图像识别模型可以为具有人脸识别功能的人脸识别模型,具体可根据实际需求进行选择,此处不做限定。
步骤202,剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据,得到样本图像数据。
在本公开实施例中,所述预设条件可以是根据所述初始图像数据的特性确定的,例如标注区域的拥挤程度,标注区域的遮挡情况等。进一步的,还可以通过预先训练的图像分类数据对所述初始图像数据进行分类,根据所得到分类结果的置信度对所述初始图像数据进行初步筛选,剔除所述初始图像数据中置信度较低的图像数据,以得到目标图像数据。
可选的,参照图3,所述步骤202,包括:
子步骤2021,剔除所述初始图像数据中标注区域符合以下至少一预设条件的图像数据,得到样本图像数据,其中所述预设条件包括:
A1、所述初始图像数据的标注区域中遮挡区域占比大于遮挡占比阈值,所述遮挡区域是根据标注区域的亮度确定。
其中,遮挡区域可以为初始图像数据中被某些物体遮挡的图像区域。
在本公开实施例中,所述遮挡区域占比是指通过预先训练的图像遮挡检测模型对所述初始图像数据进行识别,确定所述初始图像数据中各图像数据的遮挡区域的面积占标注区域的总面积的比值。可以将所述比值大于遮挡占比阈值的图像剔除,提高初始图像数据的图像质量。所述预先训练的图像遮挡检测模型可以是根据已进行标注的样本遮挡数据进行训练得到,根据所述样本遮挡数据中所标注的遮挡区域学习到遮挡区域的亮度特征、不同色度特征或纹理特征,以从初始图像数据中识别遮挡区域以及该遮挡区域的占比。还可以通过人工操作对所述初始图像数据根据人工经验进行筛选,剔除初始图像数据中遮挡情况严重的图像数据。
A2、所述初始图像数据中标注区域的密度大于密度阈值。
在本公开实施例中,所述标注区域的密度是指单位个数图像数据中标注区域的数量。图像数据中的标注区域可能存在多个,若所述标注区域的密度过大,也就是目标的拥挤程度过高,会影响后续图像分类模型的性能,因此需要对所述初始图像数据中标注区域密度大于密度阈值的图像数据进行剔除,从而保证初始图像数据的质量。可以理解,若所标注区域的数量较多,在进行分类的时候针对每处标注区域均会产生相应的分类,多个分类会导致最后得到的该图像的目标预测分类难以确定,例如性别分类,若图像数据中存在多张人脸,同时存在男性和女性,那最终预测的性别将难以确定,对图像分类的稳定性产生影响。这种应用场景中,标注区域的密度可以用初始图像数据中包含的标注区域的数目表示,所述密度阈值可设置为1,即所述初始图像数据中的标注区域的密度大于1处/每张时,则剔除该初始图像数据。
步骤203,将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类。
该步骤可参照步骤102的详细描述,此处不再赘述。
步骤204,将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度。
该步骤可参照步骤103的详细描述,此处不再赘述。
步骤205,在所述预设收敛条件包括损失值收敛条件的情况下,根据所述样本预测分类与所述标准分类确定二次训练后的初始图像分类模型的第二损失值。
在本公开实施例中,将所述样本预测分类与样本图像数据对应的标准分类进行比对,统计所述样本预测分类与所述标准分类相符的图像数据占所述样本图像数据的比例,从而确定该次迭代后所述目标图像分类模型的损失值。所述损失值的具体计算方式可以根据用户的实际需求进行设置,此处不做限定。
步骤206,在所述第二损失值大于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件。
在本公开实施例中,在用户将预设收敛条件设置为训练后的初始图像分类模型的损失值需要大于或等于损失值阈值时,则在损失值小于损失值阈值的情况下,确认初始图像分类模型不符合预设收敛条件。然后对样本图像数据根据置信度进行剔除,以提高样本图像数据的样本特征质量。
步骤207,在所述第二损失值小于或等于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
在本公开实施例中,若所述第二损失值小于或等于所述第二损失值阈值,则直接进入执行下述步骤208。
步骤208,在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应预测分类的置信度低于置信度阈值的图像数据。
该步骤可参照步骤103的详细描述,此处不再赘述。
步骤209,将剔除后的样本图像数据作为新的样本图像数据,进入所述步骤204,得到样本预测分类以及其相对应的置信度的步骤,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
该步骤可参照步骤104的详细描述,此处不再赘述。
本公开实施例提供的第二种图像分类模型的训练方法,通过利用对初步训练后的初始图像分类模型进行多次迭代训练,并依据初始图像分类模型的损失值大于损失值阈值的情况下,在进行每次迭代后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注所需的人力成本,而且提高了所得到目标图像分类模型的鲁棒性和精度,并且在进行训练以前依据分辨率以及预设条件对样本图像数据进行处理,提高了样本图像数据的质量,进一步提高了所得到目标图像分类模型的鲁棒性与精度。
实施例三
参照图4,示出了根据本公开的第三种图像分类模型的训练方法,所述方法包括:
步骤301,获取分辨率高于预设分辨率阈值的初始图像数据。
该步骤可参照步骤201的详细描述,此处不再赘述。
步骤302,剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据,得到样本图像数据。
该步骤可参照步骤202的详细描述,此处不再赘述。
步骤303,将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类。
该步骤可参照步骤102的详细描述,此处不再赘述。
步骤304,将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度。
该步骤可参照步骤103的详细描述,此处不再赘述。
步骤305,在所述预设收敛条件包括迭代次数收敛条件的情况下,对所述初始图像分类模型的迭代次数进行更新。
在本公开实施例中,从第一次根据样本图像数据对所述初始图像分类模型进行迭代训练时进行累加统计,初始迭代次数为1,每次迭代训练后对所述迭代次数累加1。
步骤306,在更新后的迭代次数小于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件。
在本公开实施例中,所述迭代次数标准可以是用户根据对初始图像分类模型的精度的实际需求进行设置的。具体的,所述初始图像分类模型的迭代次数若不符合所述预设的迭代次数阈值,就会确认该初始图像分类模型不符合预设收敛条件。根据对训练后的初始图像分类模型进行测试得到的样本图像数据根据相对应的置信度进行筛选,从而优化所述样本图像数据的特征质量。所述初始图像分类模型中的误差反向传播算法会将模型预测输出的误差分摊到各层的所有单元,从而获得各层单元的误差信号,从而调整各单元的权重参数。
步骤307,在更新后的迭代次数大于或等于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
步骤308,在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应预测分类的置信度低于置信度阈值的图像数据。
该步骤可参照步骤103的详细描述,此处不再赘述。
步骤309,将剔除后的样本图像数据作为新的样本图像数据,进入所述步骤304,得到样本预测分类以及其相对应的置信度的步骤,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
在本公开实施例中,在所述迭代次数不符合阈值的迭代次数阈值之前,所述目标图像分类模型将会循环执行迭代训练以及根据置信度对样本图像数据进行剔除的步骤,这种训练方式适用于操作人员对于模型的损失值没有明确要求时,可通过设置迭代次数阈值的方式对初始图像分类模型进行迭代训练,以得到目标图像分类模型。
本公开实施例提供的第三种图像分类模型的训练方法,通过利用对初步训练后的初始图像分类模型进行多次迭代训练,并依据初始图像分类模型的迭代次数不符合迭代次数阈值的情况下,在进行每次迭代后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注所需的人力成本,而且提高了所得到目标图像分类模型的鲁棒性和精度,并且在进行训练以前依据分辨率以及预设条件对样本图像数据进行处理,提高了样本图像数据的质量,进一步提高了所得到目标图像分类模型的鲁棒性与精度。
实施例四
参照图5,示出了根据本公开的一种图像分类方法,所述方法包括:
步骤401,获取待分类的图像数据。
在本公开实施例中,在进行预测前,可以根据分辨率、图像标注区域的拥挤程度和遮挡程度对待分类的图像数据进行筛选,从而进一步提升后续分类的准确率。
步骤402,将所述待分类的图像数据输入目标图像分类模型进行预测,获得目标预测分类,所述目标图像分类模型是通过上述实施例一至实施例四中任一所述的图像分类模型的训练方法得到的。
在本公开实施例中,将待分类的图像数据输入至目标图像分类模型中进行多次迭代,每次迭代中根据输出结果的置信度对目标图像数据中的瑕疵数据进行剔除,从而得到符合准确率阈值的目标预测分类,提高了图像分类的准确性。
本公开实施例提供了一种图像分类方法,通过利用对初步训练后的初始图像分类模型进行多次迭代训练,并在每次迭代后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除的方式训练得到的目标图像分类模型进行图像分类,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注所需的人力成本,而且提高了所得到目标图像分类模型的鲁棒性和精度。
实施例五
参照图6,示出了根据本公开的一种图像分类模型的训练装置50,包括:
第一训练模块501,被配置为将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类。
第二训练模块502,被配置为将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度。
剔除模块503,被配置为在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应预测分类的置信度低于置信度阈值的图像数据。
第三训练模块504,被配置为将剔除后的样本图像数据作为新的样本图像数据,进入所述第二训练模块,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
可选的,所述预设收敛条件包括:损失值收敛条件或迭代次数收敛条件。
可选的,所述装置,还包括:
第一确定模块505,被配置为在所述预设收敛条件包括损失值收敛条件的情况下,根据所述样本预测分类与所述标准分类确定二次训练后的初始图像分类模型的第二损失值。
第一确认模块506,被配置为在所述第二损失值大于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件。
第二确认模块507,被配置为在所述第二损失值小于或等于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
可选的,所述装置,还包括:
第二确定模块508,被配置为在所述预设收敛条件包括迭代次数收敛条件的情况下,对所述初始图像分类模型的迭代次数进行更新。
第三确认模块509,被配置为在更新后的迭代次数小于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件。
第四确认模块510,被配置为在更新后的迭代次数大于或等于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
可选的,所述装置,还包括:
获取模块511,被配置为获取分辨率高于预设分辨率阈值的初始图像数据。
筛选模块512,被配置为剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据,得到样本图像数据。
可选的,所述筛选模块512,包括:
筛选子模块5121,被配置为剔除所述初始图像数据中标注区域符合以下至少一预设条件的图像数据,得到样本图像数据,其中所述预设条件包括:
所述初始图像数据的标注区域中遮挡区域占比大于遮挡占比阈值,所述遮挡区域是根据标注区域的亮度确定。
所述初始图像数据中标注区域的密度大于密度阈值。
本公开实施例提供的一种图像分类模型的训练装置,通过利用对初步训练后的初始图像分类模型进行多次迭代训练,并在每次迭代后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注所需的人力成本,而且提高了所得到目标图像分类模型的鲁棒性和精度。
实施例六
参照图7,示出了根据本公开的一种图像分类装置60,包括:
接收模块601,被配置为获取待分类的图像数据。
预测模块602,被配置为将所述待分类的图像数据输入目标图像分类模型进行预测,获得目标预测分类,所述目标图像分类模型是上述图像分类模型的训练装置得到的。
本公开实施例提供了一种图像分类装置,通过利用对初步训练后的初始图像分类模型进行多次迭代训练,并在每次迭代后根据输出结果的置信度对样本图像数据中的瑕疵进行剔除的方式训练得到的目标图像分类模型进行图像分类,不仅减轻了在训练图像分类模型的过程中对样本进行人工标注所需的人力成本,而且提高了所得到目标图像分类模型的鲁棒性和精度。
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。
另外,本公开实施例还提供一种电子设备,包括处理器,存储器,存储在存储器上并可在处理上运行的计算机程序,该计算机程序被处理器执行时实现上述图像分类模型的训练方法或图像分类方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述图像分类模型的训练方法或图像分类方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,可以为只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本说明书中的各个实施例均采用递进的方式描述,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。
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本公开的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
在此提供的图像模型的训练方法或图像分类方法不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造具有本公开方案的系统所要求的结构是显而易见的。此外,本公开也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的内容,并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个公开方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,公开方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的图像模型的训练方法或图像分类方法中的一些或者全部部件的一些或者全部功能。本公开还可以实现为被配置为执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种图像分类模型的训练方法,其特征在于,包括:
将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类;
将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度;
在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应样本预测分类的置信度低于置信度阈值的图像数据;
将剔除后的样本图像数据作为新的样本图像数据,进入所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类以及其相对应的置信度的步骤,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
2.根据权利1所述的方法,所述预设收敛条件包括:损失值收敛条件或迭代次数收敛条件。
3.根据权利要求2所述的方法,其特征在于,在所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度的步骤之后,还包括:
在所述预设收敛条件包括损失值收敛条件的情况下,根据所述样本预测分类与所述标准分类确定二次训练后的初始图像分类模型的第二损失值;
在所述第二损失值大于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件;
在所述第二损失值小于或等于所述第二损失值阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
4.根据权利要求2所述的方法,其特征在于,在所述将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度的步骤之后,还包括:
在所述预设收敛条件包括迭代次数收敛条件的情况下,对所述初始图像分类模型的迭代次数进行更新;
在更新后的迭代次数小于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型不符合所述预设收敛条件;
在更新后的迭代次数大于或等于迭代次数阈值的情况下,确认二次训练后的初始图像分类模型符合所述预设收敛条件。
5.根据权利要求1所述的方法,其特征在于,所述将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型的步骤之前,还包括:
获取分辨率高于预设分辨率阈值的初始图像数据;
剔除所述初始图像数据中预先标注的区域不符合预设条件的图像数据,得到样本图像数据;
所述初始图像数据中标注区域的密度大于密度阈值。
6.一种图像分类方法,其特征在于,包括:
获取待分类的图像数据;
将所述待分类的图像数据输入目标图像分类模型进行预测,获得目标预测分类,所述目标图像分类模型是通过权利要求1至5中任一所述的图像分类模型的训练方法得到的。
7.一种图像分类模型的训练装置,其特征在于,包括:
第一训练模块,被配置为将样本图像数据输入待训练的图像分类模型进行初步训练,得到初始图像分类模型,所述初始图像分类模型的第一损失值小于第一损失值阈值,所述样本图像数据包括预先标注的标准分类;
第二训练模块,被配置为将所述样本图像数据输入至所述初始图像分类模型进行二次训练,得到样本预测分类及其相对应的置信度;
剔除模块,被配置为在二次训练后的初始图像分类模型不符合预设收敛条件的情况下,剔除所述样本图像数据中,所对应样本预测分类的置信度低于置信度阈值的图像数据;
第三训练模块,被配置为将剔除后的样本图像数据作为新的样本图像数据,进入所述第二训练模块,直至所述二次训练后的初始图像分类模型符合预设收敛条件,则将所述二次训练后的初始图像分类模型作为目标图像分类模型,所述目标图像分类模型的第二损失值小于第二损失值阈值,所述第二损失值阈值小于所述第一损失值阈值。
8.一种图像分类装置,其特征在于,包括:
接收模块,被配置为获取待分类的图像数据;
预测模块,被配置为将所述待分类的图像数据输入目标图像分类模型进行预测,获得目标预测分类,所述目标图像分类模型是通过权利要求1至5中任一所述的图像分类模型的训练方法得到的。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至5中任一所述的图像分类模型的训练方法或权利要求6的图像分类方法。
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上存储计算机程序,所述计算机程序被处理器执行时实现权利要求1至5中任一所述的图像分类模型的训练方法或权利要求6所述的图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260342.6A CN111160406A (zh) | 2019-12-10 | 2019-12-10 | 图像分类模型的训练方法、图像分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260342.6A CN111160406A (zh) | 2019-12-10 | 2019-12-10 | 图像分类模型的训练方法、图像分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160406A true CN111160406A (zh) | 2020-05-15 |
Family
ID=70556668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911260342.6A Pending CN111160406A (zh) | 2019-12-10 | 2019-12-10 | 图像分类模型的训练方法、图像分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160406A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814820A (zh) * | 2020-05-18 | 2020-10-23 | 北京迈格威科技有限公司 | 图像处理方法及装置 |
CN111814835A (zh) * | 2020-06-12 | 2020-10-23 | 理光软件研究所(北京)有限公司 | 计算机视觉模型的训练方法、装置、电子设备和存储介质 |
CN112633515A (zh) * | 2020-12-16 | 2021-04-09 | 上海眼控科技股份有限公司 | 基于样本剔除的模型训练方法及设备 |
CN112884744A (zh) * | 2021-02-22 | 2021-06-01 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN112926437A (zh) * | 2021-02-22 | 2021-06-08 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113192021A (zh) * | 2021-04-26 | 2021-07-30 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113221918A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 目标检测方法、目标检测模型的训练方法及装置 |
CN113240027A (zh) * | 2021-05-24 | 2021-08-10 | 北京有竹居网络技术有限公司 | 图像分类方法、装置、可读介质及电子设备 |
CN113239878A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及介质 |
CN113435522A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及存储介质 |
CN113837209A (zh) * | 2020-06-23 | 2021-12-24 | 乐达创意科技股份有限公司 | 改良机器学习使用数据进行训练的方法及系统 |
CN114078578A (zh) * | 2020-08-06 | 2022-02-22 | 富泰华工业(深圳)有限公司 | 数据标注模型训练方法、装置、电子设备及存储介质 |
CN114336258A (zh) * | 2021-12-31 | 2022-04-12 | 武汉锐科光纤激光技术股份有限公司 | 光束的功率控制方法、装置和存储介质及电子设备 |
CN115412346A (zh) * | 2022-08-30 | 2022-11-29 | 重庆长安汽车股份有限公司 | 一种报文检测方法、装置、电子设备及存储介质 |
CN117372411A (zh) * | 2023-11-02 | 2024-01-09 | 凯多智能科技(上海)有限公司 | 一种基于数据均衡的瑕疵检测方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832780A (zh) * | 2017-10-17 | 2018-03-23 | 北京木业邦科技有限公司 | 基于人工智能木板分选低置信度样本处理方法及系统 |
US20180247107A1 (en) * | 2015-09-30 | 2018-08-30 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
CN108874900A (zh) * | 2018-05-24 | 2018-11-23 | 四川斐讯信息技术有限公司 | 一种样本图片数据集合的获取方法和系统 |
CN109582793A (zh) * | 2018-11-23 | 2019-04-05 | 深圳前海微众银行股份有限公司 | 模型训练方法、客服系统及数据标注系统、可读存储介质 |
CN110009059A (zh) * | 2019-04-16 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN110147709A (zh) * | 2018-11-02 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 车辆属性模型的训练方法、装置、终端及存储介质 |
CN110276076A (zh) * | 2019-06-25 | 2019-09-24 | 北京奇艺世纪科技有限公司 | 一种文本情绪分析方法、装置及设备 |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
-
2019
- 2019-12-10 CN CN201911260342.6A patent/CN111160406A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180247107A1 (en) * | 2015-09-30 | 2018-08-30 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
CN107832780A (zh) * | 2017-10-17 | 2018-03-23 | 北京木业邦科技有限公司 | 基于人工智能木板分选低置信度样本处理方法及系统 |
CN108874900A (zh) * | 2018-05-24 | 2018-11-23 | 四川斐讯信息技术有限公司 | 一种样本图片数据集合的获取方法和系统 |
CN110147709A (zh) * | 2018-11-02 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 车辆属性模型的训练方法、装置、终端及存储介质 |
CN109582793A (zh) * | 2018-11-23 | 2019-04-05 | 深圳前海微众银行股份有限公司 | 模型训练方法、客服系统及数据标注系统、可读存储介质 |
CN110009059A (zh) * | 2019-04-16 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN110276076A (zh) * | 2019-06-25 | 2019-09-24 | 北京奇艺世纪科技有限公司 | 一种文本情绪分析方法、装置及设备 |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
Non-Patent Citations (1)
Title |
---|
吴玉枝;熊运余;吴洋;: "基于卷积神经网络的违章停车事件检测", 现代计算机(专业版), no. 02, 15 January 2018 (2018-01-15) * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814820A (zh) * | 2020-05-18 | 2020-10-23 | 北京迈格威科技有限公司 | 图像处理方法及装置 |
CN111814820B (zh) * | 2020-05-18 | 2024-06-18 | 北京迈格威科技有限公司 | 图像处理方法及装置 |
CN111814835A (zh) * | 2020-06-12 | 2020-10-23 | 理光软件研究所(北京)有限公司 | 计算机视觉模型的训练方法、装置、电子设备和存储介质 |
CN113837209A (zh) * | 2020-06-23 | 2021-12-24 | 乐达创意科技股份有限公司 | 改良机器学习使用数据进行训练的方法及系统 |
CN114078578A (zh) * | 2020-08-06 | 2022-02-22 | 富泰华工业(深圳)有限公司 | 数据标注模型训练方法、装置、电子设备及存储介质 |
CN112633515A (zh) * | 2020-12-16 | 2021-04-09 | 上海眼控科技股份有限公司 | 基于样本剔除的模型训练方法及设备 |
CN112884744A (zh) * | 2021-02-22 | 2021-06-01 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN112926437A (zh) * | 2021-02-22 | 2021-06-08 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113192021A (zh) * | 2021-04-26 | 2021-07-30 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113221918B (zh) * | 2021-05-18 | 2023-08-04 | 北京百度网讯科技有限公司 | 目标检测方法、目标检测模型的训练方法及装置 |
CN113221918A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 目标检测方法、目标检测模型的训练方法及装置 |
CN113240027A (zh) * | 2021-05-24 | 2021-08-10 | 北京有竹居网络技术有限公司 | 图像分类方法、装置、可读介质及电子设备 |
CN113239878A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及介质 |
CN113239878B (zh) * | 2021-06-01 | 2023-09-05 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及介质 |
CN113435522A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及存储介质 |
CN114336258A (zh) * | 2021-12-31 | 2022-04-12 | 武汉锐科光纤激光技术股份有限公司 | 光束的功率控制方法、装置和存储介质及电子设备 |
CN114336258B (zh) * | 2021-12-31 | 2023-09-08 | 武汉锐科光纤激光技术股份有限公司 | 光束的功率控制方法、装置和存储介质及电子设备 |
CN115412346A (zh) * | 2022-08-30 | 2022-11-29 | 重庆长安汽车股份有限公司 | 一种报文检测方法、装置、电子设备及存储介质 |
CN115412346B (zh) * | 2022-08-30 | 2024-06-04 | 重庆长安汽车股份有限公司 | 一种报文检测方法、装置、电子设备及存储介质 |
CN117372411A (zh) * | 2023-11-02 | 2024-01-09 | 凯多智能科技(上海)有限公司 | 一种基于数据均衡的瑕疵检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160406A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN107133948B (zh) | 基于多任务卷积神经网络的图像模糊与噪声评测方法 | |
CN106776842B (zh) | 多媒体数据检测方法及装置 | |
CN108615071B (zh) | 模型测试的方法及装置 | |
US9152926B2 (en) | Systems, methods, and media for updating a classifier | |
KR20180065889A (ko) | 타겟의 검측 방법 및 장치 | |
CN113159300B (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
JP2019087181A (ja) | 画像検査装置および方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN111178446B (zh) | 一种基于神经网络的目标分类模型的优化方法、装置 | |
CN112966767B (zh) | 一种特征提取和分类任务分离的数据不均衡处理方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN111027347A (zh) | 一种视频识别方法、装置和计算机设备 | |
CN111680755A (zh) | 医学图像识别模型构建及医学图像识别方法、装置、介质及终端 | |
CN116758437A (zh) | 交并比-焦点损失函数的sar图像目标检测方法及装置 | |
CN117351448B (zh) | 一种基于YOLOv8改进的偏振图像道路目标检测方法 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN117173145A (zh) | 电力设备表面缺陷的检测方法、装置、设备及存储介质 | |
CN111612021B (zh) | 一种错误样本识别方法、装置及终端 | |
CN115661618A (zh) | 图像质量评估模型的训练方法、图像质量评估方法及装置 | |
CN113837062A (zh) | 一种分类方法、装置、存储介质及电子设备 | |
CN114445679A (zh) | 模型训练方法及相关装置、设备和存储介质 | |
CN114330650A (zh) | 基于进化元学习模型训练的小样本特征分析方法及装置 | |
CN117197592B (zh) | 一种目标检测模型训练方法、装置、电子设备及介质 |
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 |