CN112560987A - 图像样本处理方法、装置、设备、存储介质和程序产品 - Google Patents
图像样本处理方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN112560987A CN112560987A CN202011560938.0A CN202011560938A CN112560987A CN 112560987 A CN112560987 A CN 112560987A CN 202011560938 A CN202011560938 A CN 202011560938A CN 112560987 A CN112560987 A CN 112560987A
- Authority
- CN
- China
- Prior art keywords
- image
- image sample
- samples
- category
- target
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000002372 labelling Methods 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 19
- 238000005070 sampling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/21—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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了图像样本处理方法、装置、设备、存储介质和程序产品,涉及深度学习和云计算领域。具体实现方案为:获取图像样本集;使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数;依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。本公开可以提高图像样本标注的效率。
Description
技术领域
本公开涉及图像处理技术,尤其涉及深度学习和云计算技术。
背景技术
在深度学习技术中主要是依据标注数据对网络模型进行训练,其中,标注数据是指添加有对应标签的数据,例如:添加有类别标签的图像样本。目前添加标签主要是通过人工标注,即人工添加样本的标签。
发明内容
本公开提供了一种图像样本处理方法、装置、设备、存储介质和程序产品。
根据本公开的一方面,提供了一种图像样本处理方法,包括:
获取图像样本集;
使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数;
依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
根据本公开的另一方面,提供了一种图像样本处理装置,包括:
获取模块,用于获取图像样本集;
分类模块,用于使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数;
添加模块,用于依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
根据本公开的另一方面,提供了一种电子设备,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本公开提供的图像样本处理方法。
根据本公开的另一方面,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,所述计算机指令用于使所述计算机执行本公开提供的图像样本处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开提供的图像样本处理方法。
根据本公开的技术方案,由于通过M个分类模型获取图像样本的M个分类信息,在所述图像样本集中确定部分图像样本,并为部分图像样本添加类别标签,这样可以提高图像样本标注的效率。
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,不构成对本公开的限定。其中:
图1是本公开提供的一种图像样本处理方法的流程图;
图2是本公开提供的另一种图像样本处理方法的流程图;
图3是本公开提供的一种图像样本处理方法的示意图;
图4是本公开提供的一种图像样本处理装置的结构图;
图5是本公开提供的另一种图像样本处理装置的结构图;
图6是用来实现本公开实施例的图像样本处理方法的电子设备的框图。
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。
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。
请参见图1,图1是本公开提供的一种图像样本处理方法的流程图,如图1所示,包括以下步骤:
步骤S101、获取图像样本集。
上述获取图像样本集可以是从未标注图像数据中采样得到多个图像样本,例如:在图像库中采样多个未标注图像数据。
另外,上述图像样本集可以包括多个图像类别的图像样本,这多个图像类别可以根据实际需求定义,例如:可以定义为所有图像类别,或者可以定义为某一应用场景涉及的多个图像类别,具体对此不作限定。
步骤S102、使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数。
上述M个分类模型可以是预先配置的,例如:预先训练的多个图像分类模型。
上述使用M个分类模型对所述图像样本集中的图像样本进行分类可以是,针对每个图像样本均使用M个分类模型进行分类,从而得到每个图像样本的M个分类信息。例如:上述M个分类模型包括分类模型a和分类模型b,从而可以得到每个图像样本的两个分类信息,分别为分类模型a得到的分类信息和分类模型b得到的分类信息。
本公开中,上述分类信息可以包括多个图像类别对应的多个分值,例如:包括10个图像类别,则每个分类信息包括与这10图像类别对应的10个分值(例如:上述M个分类模型的输出包括各图像类别的分值),分别表示图像样本在这10个图像类别中的分值,这样通过M个分类模型,可以得到M个分类信息,每个分类信息包括10个分值;或者,上述分类信息可以是图样样本对应图像类别的一个分值(例如:上述M个分类模型的输出可以是一个分值,该分值用于表示图像样本对应的图像类别,如伪标签分值),该分值表示图像样本在10个图像类别中所属的图像类别,这样通过M个分类模型,可以得到M个分值,这M个分值可以对应相同的图像类别,如一些分类模型预测的图像样本的类别相同,也可以对应不同的图像类别,如一些分类模型预测的图像样本的类别不同。
步骤S103、依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
上述依据所述M个分类信息,在所述图像样本集中确定部分图像样本可以是,依据每个图像样本的M个分类信息,在上述图像样本集中选择分类信息满足预设条件的部分图像样本,例如:选择分类信息最高分值高于预设阈值的图像样本。
上述为部分图像样本添加类别标签可以是,添加每个图像样本各自的M个分类信息确定的类别标签。例如:图像样本a的M个分类信息中各分类信息的最高分值对应图像类别a,则为图像样本a添加图像类别a的标签,又例如:图像样本b的M个分类信息均为图像类别b,则为图像样本b添加图像类别b的标签。
上述方法还可以包括:将添加标签的图像样本添加至模型的训练集,其中,该模型与上述M个模型可以是不同的模型,而未添加标签的图像样本可以删除。这样由于删除了未添加标签的图像样本,从而可以提高图像标注的效率。例如:在人工添加图像标签时,由于不需要为这些图像样本添加图像标注,从而可以提高人工标注的效率。
根据本公开的技术方案,由于依据所述M个分类信息,在图像样本集中确定部分图像样本,并为部分图像样本添加类别标签,这样可以提高图像样本标注的效率。另外,由于只为上述部分图像样本添加标签,这样可以提高图像样本标注的准确性,例如:上述部分图像样本可以是在上述图像样本集中上述M分类模型预测分值较高的部分图像样本,而预测分值越高往往预测的准确性越高。
本公开提供的上述技术方案可以应用于服务器、计算机、手机、平板电脑、自动驾驶汽车等电子设备。
请参见图2,图2是本公开提供的另一种图像样本处理方法的流程图,如图2所示,包括以下步骤:
步骤S201、获取图像样本集。
步骤S202、使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数。
作为一种可选的实施方式,目标图像样本的所述M个分类信息包括:所述M个分类模型分别对所述目标图像样本进行分类预测得到的M个预测分值信息;
其中,所述目标图像样本为所述图像样本集中的任一图像样本。
上述M个预测分值信息可以是M个全连接(fully connected,FC)层分数,即上述M个分类模型均包括FC层。本公开中并不限定M个预测分值信息为FC层分数,例如:也可以是分类模型中与FC层等同可替换的层的输出分数。
由于上述目标图像样本为所述图像样本集中的任一图像样本,从而本实施方式中,上述图像样本集中的每个图像样本的M个分类信息都为M个预测分值信息。
需要说明的是,本公开中并不限定分类信息为预测分值信息,例如:分类信息可以是分类模型的预测结果,该预测结果表示图像样本所属的图像类别。且上述实施方式也可以应用于图1所示的实施例。
步骤S203、将所述图像样本集中每个图像样本的所述M个分类预测分值信息分别进行平均运算,得到每个图像样本的目标预测分值信息。
上述图像类别预测分值可以包括图像样本所属的图像类别的预测分值,例如:图像类别预测分值可以表示图像样本对应的多个图像类别的预测分值,且这些图像类别预测分值也可以称作伪标签分数。其中,图像类别预测分值中最高的预测分值对应的图像类别为图像样本所属的图像类别。
步骤S204、针对每个图像样本的目标预测分值信息分别执行归一化指数(SoftMax)操作,得到每个图像样本的图像类别预测分值。
SoftMax操作可以是通过模型中的SoftMax层或者SoftMax函数实现,具体可以根据实际需求进行配置。
步骤S205、依据每个图像样本的图像类别预测分值,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
本实施例中,通过上述步骤可以实现图像类别预测分值是通过对M个分类预测分值信息进行平均运算,且通过SoftMax操作获得,这样依据图像类别预测分值,在图像样本集中确定部分图像样本,并为部分图像样本添加类别标签,从而可以提高图像样本标注的准确率。
需要说明的是,本公开中并不限定通过上述平均运算和SoftMax操作的方式得到图像类别预测分值,例如:可以不进行平均运算,而是针对每个分类模型的分类预测分值信息单独执行SoftMax操作,再将M个分类模型的SoftMax操作得到的预测分值进行平均,最后基于平均后的预测分值在图像样本集中确定部分图像样本,并为部分图像样本添加类别标签。
可选的,所述图像类别预测分值包括:图像样本所属的图像类别的预测分值,所述依据每个图像样本的图像类别预测分值,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签,包括:
将属于目标图像类别的图像样本的预测分值进行倒序排列,并在属于所述目标图像类别的图像样本中选择所述倒序排列中前N个图像样本,以及在所述前N个图像样本中选择预测分值高于预设阈值的图像样本,并为高于所述预设阈值的图像样本添加所述目标图像类别的标签,N为大于1的整数;
其中,所述目标图像类别为所述部分图像样本包括的任一图像类别。
该实施方式,可以是对于每个图像类别按照预测分值进行倒序排列,每个图像类别只取N个图像样本,例如:每个图像类别取1000、500个图像样本。以及在选择的图像样本再次选择预测分值高于预设阈值的图像样本,例如:选择预测分值高于0.3、0.4的图像样本,对这些图像样本才添加标签,而低于或者等于该阈值的图像样本不添加标签,且可以删除这些低于或者等于该阈值的图像样本以完成上述图像样本集的标注工作,大大提高标注效率。上述预测分值高于预设阈值的图像样本可以是对应于目标图像类别的预测分值高于预设阈值的图像样本。
需要说明的是,上述N和预设阈值可以是预先根据实际需求进行定义的。例如:N可以是1000、500、200,预设阈值可以是0.3、0.35、0.4等。
该实施方式中,由于每个图像类别只选择前N个图像样本中预测分值高于上述预设阈值的图像样本,这样可以提高图像标注的准确性。
进一步的,这些添加标签的图像样本可以与标注图像进行合并,得到新的标注图像训练集,参与到下一轮的模型迭代。
需要说明的是,本公开中并不限定通过上述方式选择上述部分图像样本,例如:还可以是只根据排序进行选择,或者也可以是只根据上述预设阈值进行选择,对此不作限定。
作为一种可选的实施方式,上述M个分类模型使用的训练样本为均衡采样到的图像样本训练集。
上述均衡采样可以是标注图像中进行均衡采样,以使得每个图像类别包括的图像样本的数量是差不多的。例如:在获取训练样本过程中,如果某图像类别样本数不足该阈值,将进行随机上采样到该样本阈值,如果某图像类别样本数超过该阈值,则进行随机下采样到该样本阈值。
该实施方式中,由于M个分类模型使用的训练样本为均衡采样到的图像样本训练集,这样基于这些图像样本进行模型训练可以提高分类模型的预测效果。
作为一种可选的实施方式,上述M个分类模型的复杂度高于实际部署的目标分类模型。
其中,包括上述部分图像样本在内的图像样本训练集可以用于训练上述目标分类模型。
上述目标分类模型可以是实际部署的分类模型,该分类模型是使用上述图像样本训练集进行训练的。例如:实际部署的分类模型可以采用相对较简单的ResNet50或者ResNeXt50分类模型,而上述M个分类模型则采用结构更复杂准确率更高的网络,例如:ResNest269、EfficientNet-b7(NoisyStudent)、SE_ResNet152、或者ResNet200_vd分类模型,或者其他经过海量数据的半(弱)监督学习的分类模型等等,这些分类模型往往比实际部署的分类模型有着更好的表现。另外,上述M个分类模型训练时,可以采用Cutmix+LabelSmooth防止过拟合,使用FixResNet提高训练准确率。需要说明的是,本公开中并不限定M个分类模型的训练方式。
该实施方式中,可以实现生成图像样本训练集的M个分类模型的复杂度高于实际部署的分类模型,这样可以提高部署效率。且由于上述部分图像样本的图像标签是依据上述M个分类模型获取的,这样可以提高图像样本训练集的准确性,进而提高实际部署的分类模型的准确性。例如:如图3所示,包括如下步骤:
步骤S301、图像样本训练集均衡采样。
步骤S302、使用均衡采样到的图像样本训练集训练M个复杂的分类模型。
步骤S303、使用这M个分类模型对未标注图像样本添加图像标签。
步骤S304、通过对每个图像类别进行排序并通过预设阈值进行筛选得到部分图像样本。
步骤S305、为上述部分图像样本添加图像标签。
根据本公开的技术方案,由于通过M个分类模型获取图像样本的M个分类信息,在所述图像样本集中确定部分图像样本,并为部分图像样本添加类别标签,这样可以提高图像样本标注的效率。
请参见图4,图4是本公开提供的一种图像样本处理装置,如图3所示,图像样本处理装置400包括:
获取模块401,用于获取图像样本集;
分类模块402,用于使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数;
添加模块403,用于依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
可选的,目标图像样本的所述M个分类信息包括:所述M个分类模型分别对所述目标图像样本进行分类预测得到的M个预测分值信息;
其中,所述目标图像样本为所述图像样本集中的任一图像样本。
可选的,如图5所示,所述添加模块403,包括:
计算单元4031,用于将所述图像样本集中每个图像样本的所述M个分类预测分值信息分别进行平均运算,得到每个图像样本的目标预测分值信息;
操作单元4032,用于针对每个图像样本的目标预测分值信息分别执行SoftMax操作,得到每个图像样本的图像类别预测分值;
添加单元4033,用于依据每个图像样本的图像类别预测分值,所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
可选的,所述图像类别预测分值包括:图像样本所属的图像类别的预测分值,所述添加单元用于将属于目标图像类别的图像样本的预测分值进行倒序排列,并在属于所述目标图像类别的图像样本中选择所述倒序排列中前N个图像样本,以及在所述前N个图像样本中选择预测分值高于预设阈值的图像样本,并为高于所述预设阈值的图像样本添加所述目标图像类别的标签,N为大于1的整数;
其中,所述目标图像类别为所述部分图像样本包括的任一图像类别。
本实施例提供的装置能够实现图1所示的方法实施例中实现的各个过程,且可以达到相同有益效果,为避免重复,这里不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元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。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如图像样本处理方法。例如,在一些实施例中,图像样本处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。
在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时,可以执行上文描述的方法608的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像样本处理方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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。
本公开提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开提供的图像样本处理方法。
根据本公开的技术方案,由于通过M个分类模型获取图像样本的M个分类信息,在所述图像样本集中确定部分图像样本,并为部分图像样本添加类别标签,这样可以提高图像样本标注的效率。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (11)
1.一种图像样本处理方法,包括:
获取图像样本集;
使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数;
依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
2.根据权利要求1所述的方法,其中,目标图像样本的所述M个分类信息包括:所述M个分类模型分别对所述目标图像样本进行分类预测得到的M个预测分值信息;
其中,所述目标图像样本为所述图像样本集中的任一图像样本。
3.根据权利要求2所述的方法,其中,所述依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签,包括:
将所述图像样本集中每个图像样本的所述M个分类预测分值信息分别进行平均运算,得到每个图像样本的目标预测分值信息;
针对每个图像样本的目标预测分值信息分别执行归一化指数SoftMax操作,得到每个图像样本的图像类别预测分值;
依据每个图像样本的图像类别预测分值,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
4.根据权利要求3所述的方法,其中,所述图像类别预测分值包括:图像样本所属的图像类别的预测分值,所述依据每个图像样本的图像类别预测分值,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签,包括:
将属于目标图像类别的图像样本的预测分值进行倒序排列,并在属于所述目标图像类别的图像样本中选择所述倒序排列中前N个图像样本,以及在所述前N个图像样本中选择预测分值高于预设阈值的图像样本,并为高于所述预设阈值的图像样本添加所述目标图像类别的标签,N为大于1的整数;
其中,所述目标图像类别为所述部分图像样本包括的任一图像类别。
5.一种图像样本处理装置,包括:
获取模块,用于获取图像样本集;
分类模块,用于使用M个分类模型对所述图像样本集中的图像样本进行分类,得到所述图像样本集中每个图像样本的M个分类信息,所述M为大于1的整数;
添加模块,用于依据所述M个分类信息,在所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
6.根据权利要求5所述的装置,其中,目标图像样本的所述M个分类信息包括:所述M个分类模型分别对所述目标图像样本进行分类预测得到的M个预测分值信息;
其中,所述目标图像样本为所述图像样本集中的任一图像样本。
7.根据权利要求6所述的装置,其中,所述添加模块,包括:
计算单元,用于将所述图像样本集中每个图像样本的所述M个分类预测分值信息分别进行平均运算,得到每个图像样本的目标预测分值信息;
操作单元,用于针对每个图像样本的目标预测分值信息分别执行归一化指数SoftMax操作,得到每个图像样本的图像类别预测分值;
添加单元,用于依据每个图像样本的图像类别预测分值,所述图像样本集中确定部分图像样本,并为所述部分图像样本添加类别标签。
8.根据权利要求7所述的装置,其中,所述图像类别预测分值包括:图像样本所属的图像类别的预测分值,所述添加单元用于将属于目标图像类别的图像样本的预测分值进行倒序排列,并在属于所述目标图像类别的图像样本中选择所述倒序排列中前N个图像样本,以及在所述前N个图像样本中选择预测分值高于预设阈值的图像样本,并为高于所述预设阈值的图像样本添加所述目标图像类别的标签,N为大于1的整数;
其中,所述目标图像类别为所述部分图像样本包括的任一图像类别。
9.一种电子设备,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1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560938.0A CN112560987A (zh) | 2020-12-25 | 2020-12-25 | 图像样本处理方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560938.0A CN112560987A (zh) | 2020-12-25 | 2020-12-25 | 图像样本处理方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560987A true CN112560987A (zh) | 2021-03-26 |
Family
ID=75032615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011560938.0A Pending CN112560987A (zh) | 2020-12-25 | 2020-12-25 | 图像样本处理方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612725A (zh) * | 2022-03-18 | 2022-06-10 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197652A (zh) * | 2018-01-02 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技(北京)有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
CN111340105A (zh) * | 2020-02-25 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种图像分类模型训练方法、图像分类方法、装置及计算设备 |
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
-
2020
- 2020-12-25 CN CN202011560938.0A patent/CN112560987A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197652A (zh) * | 2018-01-02 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技(北京)有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
CN111340105A (zh) * | 2020-02-25 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种图像分类模型训练方法、图像分类方法、装置及计算设备 |
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612725A (zh) * | 2022-03-18 | 2022-06-10 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN114612725B (zh) * | 2022-03-18 | 2023-04-25 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033537B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN111753914A (zh) | 模型优化方法和装置、电子设备及存储介质 | |
CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN114972877A (zh) | 一种图像分类模型训练方法、装置及电子设备 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN113204614A (zh) | 模型训练方法、优化训练数据集的方法及其装置 | |
CN112560987A (zh) | 图像样本处理方法、装置、设备、存储介质和程序产品 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN116452861A (zh) | 目标模型训练方法、装置及电子设备 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN116468479A (zh) | 确定页面质量评估维度方法、页面质量的评估方法和装置 | |
CN113792876B (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN113920404A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN114037060A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN113012682A (zh) | 误唤醒率确定方法、装置、设备、存储介质和程序产品 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 |
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 |