CN111768007A - 用于挖掘数据的方法和装置 - Google Patents

Abstract

本申请公开了用于挖掘数据的方法和装置，涉及人工智能深度学习和图像处理领域。具体实现方案为：获取训练好的至少两个不同结构的模型；使用至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果；确定至少两个预测结果中预测结果的种类数量；若种类数量大于预定值，则将样本图像确定为难样本。该实施方式实现了难样本的自动化挖掘。

Description

用于挖掘数据的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及人工智能深度学习和图像处理领域。

背景技术

深度学习，是机器学习技术和研究领域之一，需要大量的计算资源和数据。在实际应用中，多数时候训练数据要进行标注。在对不断迭代的模型进行训练的过程中，我们发现，训练数据中极大一部分的样本数据对于模型来说很容易判定的，这些很容易判定的样本数据对模型的训练来说，是无用或者用处极小的；同时，对这些样本数据的标注占用很高的成本。

通过人工标注数据，成本较高，难以大规模收集数据。通常通过模型预测标签挖掘数据。但由于通常需要挖掘数据的场景就是因为数据不充足，模型准确率难以保证，因此这种挖掘数据的策略难以保证准确率。而准确数据的纯度不高影响模型最终指标。因此，迫切需要一种可以从样本数据中快速确定难样本的方法及装置。

发明内容

本公开提供了一种用于挖掘数据的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种用于挖掘数据的方法，包括：获取训练好的至少两个不同结构的模型；使用所述至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果；确定所述至少两个预测结果中预测结果的种类数量；若所述种类数量大于预定值，则将所述样本图像确定为难样本。

根据本公开的第二方面，提供了一种用于挖掘数据的装置，包括：获取单元，被配置成获取训练好的至少两个不同结构的模型；预测单元，被配置成使用所述至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果；统计单元，被配置成确定所述至少两个预测结果中预测结果的种类数量；确定单元，被配置成若所述种类数量大于预定值，则将所述样本图像确定为难样本。

根据本公开的第三方面，提供了一种电子设备，其特征在于，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指令，所述指令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第一方面中任一项所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行第一方面中任一项所述的方法。

根据本申请的技术利用多模型预测结果的差异，从相关无标签数据中有效挖掘训练数据，发现难样本，然后通过对难样本的自动化标注，实现数据自动化挖掘。解决了难样本采集过程成本高，难以收集的问题。因此可以使用较少的硬件设备就能挖掘出难样本，从而提高了模型学习能力，减少GPU等硬件设备的使用，降低成本。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于挖掘数据的方法的一个实施例的流程图；

图3a-3d是根据本公开的用于挖掘数据的方法的一个应用场景的示意图；

图4是根据本公开的用于挖掘数据的方法的又一个实施例的流程图；

图5是根据本公开的用于挖掘数据的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于挖掘数据的装置的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了可以应用本申请实施例的用于挖掘数据的方法、用于挖掘数据的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、图像识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。

这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio La6er III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

当终端101、102为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备，来采集图像。

数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括样本图像和类别标注信息。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。

服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以使用训练出的模型进行图像识别，确定出难样本。收集难样本，继续训练模型，最后将训练好的模型发送给终端101、102。这样，用户可以应用生成的模型进行图像识别。

这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于挖掘数据的方法一般由服务器105执行。相应地，用于挖掘数据的装置一般也设置于服务器105中。

需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。

继续参见图2，其示出了根据本申请的用于挖掘数据的方法的一个实施例的流程200。该用于挖掘数据的方法可以包括以下步骤：

步骤201，获取训练好的至少两个不同结构的模型。

在本实施例中，用于挖掘数据的方法的执行主体(例如图1所示的服务器)可以从第三方服务器获取至少两个不同结构的模型。模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。

步骤202，使用至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果。

在本实施例中，每个模型都是分类器，可对输入的样本图像进行识别，确定出样本图像的类别，每个模型对应一个预测结果，不同模型的预测结果可能相同或不同。例如，有3个模型，输入样本图像后，得到的预测结果分别为：猫、狗、猫。

步骤203，确定至少两个预测结果中预测结果的种类数量。

在本实施例中，将相同的预测结果看为一类，统计至少两个预测结果中预测结果中一共出现几类。上例中的预测结果为2类。

步骤204，若种类数量大于预定值，则将样本图像确定为难样本。

在本实施例中，可设置预定值，如果种类数量大于该值，则认定为难样本，预定值可以是固定值，也可根据模型数量动态调整。

在本实施例的一些可选的实现方式中，预定值与模型的数量成正比。预定值可根据模型数量设置，模型数量越多，则预定值越大。基于多个模型的预测结果，n>＝3时,对于预测结果相同的数据认为是简单数据，若不同，统计n个模型的预测结果的不同类别个数m，若m>0.8n(下取整)，则认为是难样本。例如，对于n＝3时，预测的类分布在3个类别上，可以认定为是难样本(3>2.4)。n＝4，在4个以上(4>3.2)。根据模型数量动态调整预定值，可进一步提高难样本预测的准确性。

在本实施例的一些可选的实现方式中，该方法还包括：将所述难样本通过多模型融合预测进行标注。融合方法可包括全连接层融合或预测结果投票融合。全连接层融合的方式直接给出预测结果作为该难样本的标注信息。而预测结果投票融合指的是多个模型得到多个预测结果，可能是同一种预测结果，也可能是不同种类的预测结果，再进行投票，确定出每种预测结果的数量，数量最大的预测结果作为最终标注信息。例如，多个预测结果为:猫120票，狗56票，兔2票。则投票结果为猫，作为标注信息。可以提高模型的预测准确率。

继续参见图3a-3d，图3a是根据本实施例的用于挖掘数据的方法的应用场景的一个示意图。在图3a的应用场景中，将一个样本输入n个模型进行图像识别，得到n个预测结果。n个预测结果中一共12类，超过预定值10。则将该样本认定为难样本，存储在难样本库中。可反复将其它样本通过上述方法确定出是否是难样本。

难样本定义为：背景较多或复杂的情况，背景多：如天空飞翔的老鹰，电线杆上的乌鸦；复杂情况：如Treecreeper(旋木雀)。而对于某些相近类别正是背景才能区分，通过高置信度挖回来的数据通常为简单数据(目标区域大，有清晰纹理可辨认)，而通常评测数据中存在一部分这样的难样本，仅仅加入简单数据无法有效提高这部分难样本的识别结果，因此正确的获取这种多背景和复杂背景的正确样本对模型准确率有更大帮助。图3b所示为乌鸦类别，评测数据背景通常占比大。图3c所示为老鹰，背景占比大，多个类别是老鹰，36，51，11类都是老鹰。图3d所示为Treecreeper(旋木雀)背景复杂。

本公开的上述实施例提供的方法，能更加有效的解决难样本问题，提升模型效果。该方法借助多个模型在难样本数据上预测不稳定的特性，从无标签数据中有效挖掘难样本数据，相比模型挖掘，提高了模型挖掘标签的准确率，相比人工标注提高了标注效率，节省了标注成本。

进一步参考图4，其示出了用于挖掘数据的方法的又一个实施例的流程400。该用于挖掘数据的方法的流程400，包括以下步骤：

步骤401，获取至少两个不同结构的模型和预设的样本集。

在本实施例中，用于挖掘数据的方法的执行主体(例如图1所示的服务器105)可从第三方服务器获取至少2个模型。模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。

在这里，样本集中可以包括至少一个样本。其中，样本可以包括样本图像以及与样本图像对应的特征信息和类别信息。这里的特征信息可以是用于表征图像中特征的信息。例如特征信息可以包括目标在图像中的位置信息或目标轮廓关键点信息等，如检测框(x,6,w,h)。其中，x表示检测框的中心点横坐标；6表示检测框的中心点纵坐标；w表示检测框的宽度；h表示检测框的长度。类别信息指的是检测框中检测目标的类别，例如，猫、狗、人、树、汽车等。

可以理解的是，特征信息和类别信息可以是预先人为设置的，也可以是执行主体或其他设备执行某设定程序而得到的。作为示例，在检测框已知的情况下，执行主体可以确定该检测框的中心点位置。之后，再确定出检测框中检测目标的类别。

在本实施例中，样本图像通常指包含的图像。其可以是平面图像，也可以是立体图像(即包含深度信息的图像)。而且样本图像可以是彩色图像(如RGB(Red、Green、Blue，红绿蓝)照片)和/或灰度图像等等。该图像的格式在本申请中并不限制，如jpg(Joint Photographic Experts Group，一种图片格式)、BMP(Bitmap，图像文件格式)或RAW(RAW ImageFormat，无损压缩格式)等格式，只要可以被执行主体读取识别即可。

步骤402，对样本集进行随机删除，得到至少两种不同的候选样本集。

在本实施例中，将样本集随机地删除一部分，删除的数据不宜太多，太多会影响单模型的结果，一般来说，随机的删除1/50-1/20的数据比较合适。每随机删除一部分，可得到一种候选样本集。最终需要得到与模型的数量相同的候选样本集。即，每个模型都需要一个样本集。

在本实施例的一些可选的实现方式中，对样本集进行随机删除，得到至少两种不同的候选样本集，包括：用至少两个不同结构的模型在验证集评测每个类别的准确率；按准确率由低到高的顺序挑选与模型数量相同数量的类别；将挑选出的类别对应的样本分别从样本集中移除，可得到与模型数量相同数量的候选样本集。用已训练的模型在验证集评测每个类别准确率，挑选准确率低的多个类别，将这些类别分别从训练数据从训练集合中移除，分别可得到多个训练集合。例如：有200个类别，评测集合的准确率从低到高排序，挑选最低的三个类别移除训练集合，分别训三个模型。用这三个模型做预测对比差异，获取难样本。提高了模型的识别准确率，进一步提高了难样本的识别准确率。

步骤403，对于至少两个不同结构的模型中的每个模型，使用至少两种不同的候选样本集中的一种候选样本集进行模型训练，得到训练完成的至少两个不同结构的模型。

在本实施例中，将删除一部分样本的样本集训练单个模型，之后对每个模型都执行这样的过程，这样训练的多个模型具有不同的趋向性，其融合的结果会更加鲁棒。可将样本中的样本图像作为输入，特征信息和类别信息作为期望输出，进行有监督地训练。模型的训练过程为现有技术，因此不再赘述。

步骤404，使用至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果。

步骤405，确定至少两个预测结果中预测结果的种类数量。

步骤406，若种类数量大于预定值，则将样本图像确定为难样本。

步骤404-406与步骤202-204基本相同，因此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于挖掘数据的方法的流程400体现了对模型进行训练的步骤。当随机去除一些简单训练数据时，模型的预测结果对一些难样本的预测结果出现较大差异。因此可以提高难样本的识别准确率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于挖掘数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于挖掘数据的装置500包括：获取单元501、预测单元502、统计单元503、确定单元504。其中，获取单元501，被配置成获取训练好的至少两个不同结构的模型；预测单元502，被配置成使用所述至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果；统计单元503，被配置成确定所述至少两个预测结果中预测结果的种类数量；确定单元504，被配置成若所述种类数量大于预定值，则将所述样本图像确定为难样本。

在本实施例中，用于挖掘数据的装置500的获取单元501、预测单元502、统计单元503、确定单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，装置500还包括融合单元(附图中未示出)，被配置成：将难样本通过多模型融合预测进行标注。

在本实施例的一些可选的实现方式中，预定值与模型的数量成正比。

在本实施例的一些可选的实现方式中，获取单元501进一步被配置成：获取至少两个不同结构的模型；获取预设的样本集；对样本集进行随机删除，得到至少两种不同的候选样本集；对于至少两个不同结构的模型中的每个模型，使用至少两种不同的候选样本集中的一种候选样本集进行模型训练，得到训练完成的至少两个不同结构的模型。

在本实施例的一些可选的实现方式中，获取单元501进一步被配置成：用至少两个不同结构的模型在验证集评测每个类别的准确率；按准确率由低到高的顺序挑选与模型数量相同数量的类别；将挑选出的类别对应的样本分别从样本集中移除，可得到与模型数量相同数量的候选样本集。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的用于挖掘数据的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的用于挖掘数据的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于挖掘数据的方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于挖掘数据的方法对应的程序指令/模块(例如，附图5所示的获取单元501、预测单元502、统计单元503、确定单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于挖掘数据的方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于挖掘数据的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于挖掘数据的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于挖掘数据的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与用于挖掘数据的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，利用多模型预测结果的差异，从相关无标签数据中有效挖掘训练数据，发现难样本，然后通过对难样本的自动化标注，实现数据自动化挖掘。解决了难样本采集过程成本高，难以收集的问题。因此可以使用较少的硬件设备就能挖掘出难样本，从而提高了模型学习能力，减少GPU等硬件设备的使用，降低成本。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种用于挖掘数据的方法，包括：

获取训练好的至少两个不同结构的模型；

使用所述至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果；

确定所述至少两个预测结果中预测结果的种类数量；

若所述种类数量大于预定值，则将所述样本图像确定为难样本。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述难样本通过多模型融合预测进行标注。

3.根据权利要求1所述的方法，其中，所述预定值与模型的数量成正比。

4.根据权利要求1-3中任一项所述的方法，其中，所述获取训练好的至少两个不同结构的模型，包括：

获取至少两个不同结构的模型；

获取预设的样本集；

对所述样本集进行随机删除，得到至少两种不同的候选样本集；

对于所述至少两个不同结构的模型中的每个模型，使用所述至少两种不同的候选样本集中的一种候选样本集进行模型训练，得到训练完成的至少两个不同结构的模型。

5.根据权利要求4所述的方法，其中，所述对所述样本集进行随机删除，得到至少两种不同的候选样本集，包括：

用所述至少两个不同结构的模型在验证集评测每个类别的准确率；

按准确率由低到高的顺序挑选与模型数量相同数量的类别；

将挑选出的类别对应的样本分别从所述样本集中移除，可得到与模型数量相同数量的候选样本集。

6.一种用于挖掘数据的装置，包括：

获取单元，被配置成获取训练好的至少两个不同结构的模型；

预测单元，被配置成使用所述至少两个不同结构的模型分别对待打签的样本图像进行预测，得到至少两个预测结果；

统计单元，被配置成确定所述至少两个预测结果中预测结果的种类数量；

确定单元，被配置成若所述种类数量大于预定值，则将所述样本图像确定为难样本。

7.根据权利要求6所述的装置，其中，所述装置还包括融合单元，被配置成：

将所述难样本通过多模型融合预测进行标注。

8.根据权利要求6所述的装置，其中，所述预定值与模型的数量成正比。

9.根据权利要求6-8中任一项所述的装置，其中，所述获取单元进一步被配置成：

获取至少两个不同结构的模型；

获取预设的样本集；

对所述样本集进行随机删除，得到至少两种不同的候选样本集；

对于所述至少两个不同结构的模型中的每个模型，使用所述至少两种不同的候选样本集中的一种候选样本集进行模型训练，得到训练完成的至少两个不同结构的模型。

10.根据权利要求9所述的装置，其中，所述获取单元进一步被配置成：

用所述至少两个不同结构的模型在验证集评测每个类别的准确率；

按准确率由低到高的顺序挑选与模型数量相同数量的类别；

将挑选出的类别对应的样本分别从所述样本集中移除，可得到与模型数量相同数量的候选样本集。

11.一种电子设备，其特征在于，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指令，所述指令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1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images