CN113487617A - 数据处理方法、装置、电子设备以及存储介质 - Google Patents
数据处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113487617A CN113487617A CN202110844617.1A CN202110844617A CN113487617A CN 113487617 A CN113487617 A CN 113487617A CN 202110844617 A CN202110844617 A CN 202110844617A CN 113487617 A CN113487617 A CN 113487617A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- segmentation
- sample
- unlabeled
- 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 23
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 163
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000003908 quality control method Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、电子设备以及存储介质。该方法包括：获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。通过本发明实施例公开的技术方案，实现了获取大量未标注的样本数据中具有代表性的样本数据，以减少标注人员的工作量，节约人工成本。
Description
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种数据处理方法、装置、电子设备以及存储介质。
背景技术
近年随着深度学习的持续升温，各种方法与应用层出不穷。方法主要是新的模型的提出，还有就是将深度学习模型与传统方法的结合。应用主要是对现有的模型进行改进以适应不同的应用场合。其中，图像分割传统的方法有基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法等，分割效果不佳。自从深度学习用于图像分割以后，分割效果显著，远远的超过传统的图像分割方法，但是深度学习用于图像分割的缺点也是同样的显著，就是需要大量的人工分割的标注数据进行训练，这是非常耗费人工成本的。
发明内容
本发明提供一种数据处理方法、装置、电子设备以及存储介质，以实现获取大量未标注的样本数据中具有代表性的样本数据，以减少标注人员的工作量，节约人工成本。
第一方面，本发明实施例提供了一种数据处理方法，该方法包括：
获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；
基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；
基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。
可选的，基于所述特征数据对所述未标注数据进行不确定性判别，包括：
将所述未标注数据的数据特征输入到判别模型，得到所述判别模型输出的所述未标注数据的不确定性判别结果；
相应的，基于所述不确定性判别结果对各所述未标注数据进行筛选，确定目标数据，包括：
基于各所述未标注数据的不确定性判别结果和确定性条件对各未标注数据进行筛选，并将满足所述确定性条件的未标注数据确定为目标数据。
可选的，所述基于所述分割结果对所述未标注数据进行多样性判别，包括：
将所述分割结果输入到质控模型，得到所述质控模型输出的所述分割结果的评价数据；
相应的，基于所述多样性判别结果对各所述未标注数据进行筛选，确定目标数据，包括：
基于各所述未标注数据的分割结果的评价数据和数据多样性阈值对所述各未标注数据进行筛选，并将满足所述数据多样性条件的未标注数据确定为目标数据。
可选的，所述基于所述不确定性判别结果和多样性判别结果对各所述未标注数据进行筛选，确定目标数据，包括：
将同时满足确定性条件以及多样性条件的未标注数据确定为目标数据；或者，
将满足确定性条件的未标注数据或者满足多样性条件的数据确定为目标数据。
可选的，所述分割模型包括编码子模型和解码子模型；
所述编码子模型用于提取所述未标注数据的数据特征，并输出所述数据特征；
所述解码子模型用于对所述编码子模型输出的数据特征进行解码，并输出所述未标注数据的分割结果。
可选的，所述判别模型的训练方法包括：
获取训练样本以及所述训练样本的标注标签；其中，所述训练样本包括已标注数据以及未标注数据，所述已标注数据包括经标注后的目标数据，所述标注标签包括已标注标签和未标注标签；
基于预先训练好的分割模型得到所述训练样本的样本数据特征；
基于各所述样本数据特征以及各所述样本数据特征对应的标注标签，对初始判别模型进行迭代训练，得到训练好的判别模型。
可选的，所述质控模型的训练方法包括：
获取所述分割模型对所述训练样本进行分割得到的样本分割结果，并分别确定各所述样本分割结果的评价数据，将所述评价数据作为各所述样本分割结果对应的分割标签；
基于各所述样本分割结果以及各所述样本分割结果的分割标签，对待训练的质控模型进行迭代训练，得到训练好的质控模型。
可选的，所述迭代训练停止条件包括基于所述训练样本得到的目标样本数据的数量小于预设数量。
第二方面，本发明实施例还提供了一种数据处理装置，该装置包括：
数据提取模块，用于获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；
判别模块，用于基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；
目标数据确定模块，用于基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的数据处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的数据处理方法。
本发明实施例的技术方案包括：获取待筛选的未标注数据，并基于预先训练的分割模型提取未标注数据的数据特征和分割结果；以便于后续基于该数据特征和分割结果确定未标注数据的目标数据；进一步的，基于该数据特征对未标注数据进行不确定性判别，以便于将不确定性高的未标注数据确定为目标数据；还基于该分割结果对未标注数据进行多样性判别，以便于将具有多样性的未标注数据确定为目标数据；再一步的，基于不确定性判别结果和/或多样性判别结果对各未标注数据进行筛选，确定目标数据；从而确定出待筛选的未标注数据中具有代表性的优质数据，其中，目标数据用于进行数据标注后作为模型训练样本。本实施例的技术方案通过获取分割模型输出的数据特征和分割结果，并基于数据特征和分割结果确定出待筛选的未标注数据的目标数据，即具有代表性的优质数据，以实现筛选出大量未标注样本数据中具有代表性的优质样本数据，减少样本标注工作量。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的数据处理方法的流程示意图；
图2是本发明实施例二提供的数据处理方法的流程示意图；
图3是本发明实施例二涉及的模型训练方法的流程示意图；
图4是本发明实施例三提供的数据处理装置的结构示意图；
图5为本发明实施例四提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种数据处理方法的流程图，本实施例可适用于筛选未标注数据中的目标数据，并对筛选后的目标数据进行标注后训练模型的情况；具体的，更适用于基于未标注数据的不确定性判别结果以及多样性判别结果确定未标注数据中的目标数据的情况。该方法可以由数据处理装置来执行，该装置可以由软件和/或硬件的方式来实现。
在对本实施例的技术方案进行介绍之前，先对本实施例的应用场景进行示例性的介绍，当然下述应用场景的介绍只是作为可选的应用场景，本实施例的技术方案还可以应用于其他应用场景，本实施例对此不加以限制。具体的，应用场景包括：近年随着深度学习的持续升温，各种方法与应用层出不穷。方法主要是新的模型的提出，还有就是将深度学习模型与传统方法的结合。应用主要是对现有的模型进行改进以适应不同的应用场合。其中，图像分割传统的方法有基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法等，分割效果不佳。自从深度学习用于图像分割以后，分割效果显著，远远的超过传统的图像分割方法，但是深度学习用于图像分割的缺点也是同样的显著，就是需要大量的人工分割的标注数据进行训练，这是非常耗费人工成本的。
为了解决上述技术问题，本实施例的技术方案考虑采用对抗模型来选择最具有不确定性的样本数据作为优质样本数据，或者采用聚类或者重建来选择多样性的样本数据作为优质样本数据。当然，更进一步的，为了筛选出更具有代表性的优质样本数据，本实施例的技术方案还将既具有不确定性又具备多样性的样本数据作为目标优质样本数据。
具体的，本实施例的技术方案通过获取待筛选的未标注数据，并基于预先训练的分割模型提取未标注数据的数据特征和分割结果；以便于后续基于该数据特征和分割结果确定未标注数据的目标数据；进一步的，基于该数据特征对未标注数据进行不确定性判别，以便于将不确定性高的未标注数据确定为目标数据；还基于该分割结果对未标注数据进行多样性判别，以便于将具有多样性的未标注数据确定为目标数据；再一步的，基于不确定性判别结果和/或多样性判别结果对各未标注数据进行筛选，确定目标数据；从而确定出待筛选的未标注数据中具有代表性的优质数据，其中，目标数据用于进行数据标注后作为模型训练样本。本实施例的技术方案通过获取分割模型输出的数据特征和分割模型，并基于数据特征和分割模型确定出待筛选的未标注数据的目标数据，即具有代表性的优质数据，以实现筛选出大量未标注样本数据中具有代表性的优质样本数据，减少样本标注工作量。
如图1所示，本实施例的技术方案具体包括以下步骤：
S110、获取待筛选的未标注数据，基于预先训练的分割模型提取未标注数据的数据特征和分割结果。
在发明实施例中，未标注数据可以是用于标注后进行训练模型的样本数据，通常情况下为了得到训练好的神经网络模型，样本数据的数量大多为几万或者十几万。若对上述数量的样本数据进行标注，则标注的工作量十分耗时。所以为了在不影响模型训练的质量情况下减少标注的工作量，本实施例的技术方案对未标注数据进行筛选，得到具有代表性的目标数据作为优质样本数据，并基于得到的目标数据对神经网络模型进行训练。
在本实施例的技术方案之后，在获取到待筛选的未标注数据后，采用预先训练好的分割模型提取未标注数据中的数据特征和分割结果。
具体的，本实施例的分割模型是基于预先获取的已标注的样本数据进行训练，得到训练好的分割模型，当然还可以采用其他样本数据以及训练方法对待训练的分割模型进行训练，本实施例对训练的样本数据以及训练方法不加以限制。
其中，本实施例的预先训练的分割模型包括编码子模型以及解码子模型。具体的，编码子模型用于提取未标注数据的数据特征，并输出数据特征；解码子模型用于对编码子模型输出的数据特征进行解码，并输出未标注数据的分割结果。
具体的，将未标注的数据输入至预先训练好的分割模型的编码子模型中，得到编码子模型输出未标注数据的数据特征；并将该数据特征输入至该分割模型的解码子模型中，得到该解码子模型输出的未标注数据的分割结果。
S120、基于特征数据对未标注数据进行不确定性判别，和/或，基于分割结果对未标注数据进行多样性判别。
在本发明实施例中，多样性是用来衡量某个样本携带的信息量或者是给模型带来的增益。样本数据的多样性越大，样本携带的信息量越大，样本数据的价值越高。不确定性是用来衡量某个样本与其他样本的相似度。样本数据的不确定性越高，样本数据与其他样本数据的相似度越低，样本数据的价值越高。
可选的，基于特征数据对未标注数据进行不确定性判别。其中，判别方法可以是基于神经网络对抗模型对特征数据进行处理得到不确定性判别结果。可选的，可以将特征数据输入至判别模型，得到该判别模型输出的未标注数据的不确定性判别结果。在本实施例中，不确定性判别结果包括判别该未标注数据为已标注标签或者判别该未标注数据为未标注标签。其判别依据可以是依据未标注数据的数据特征中包含的信息量进行确定的。换言之，该未标注数据的不确定性判别结果可以体现出未标注数据的不确定性程度。示例性的，若该未标注数据的不确定性判别结果为已标注标签，则说明该未标注数据的信息量较小；反之，若该未标注数据的不确定性判别结果为未标注标签，则说明该未标注数据的信息量较大，即该未标注数据被选取为目标数据的可能性较大。当然，在其他实施例中，不确定性的判别结果也可以是不确定性的概率数值，相应的，根据概率数值的数值大小确定未标注数据的信息量。本实施例中，对未标注数据的不确定性判别结果的结果类型不加以限制。
可选的，本实施基于分割结果对未标注数据进行多样性判别。其中，判别方法可以采用神经网络模型对获取到的分割结果进行处理，得到未标注数据的多样性判别结果。可选的，将分割结果数据到质控模型，得到该质控模型输出的各未标注数据的分割结果的评价数据。在本实施例中，评价数据的数值大小可以表明对应的未标注数据的多样性程度。示例性的，若该分割结果的评价数据的数值较小，则说明对应的未标注数据的多样性程度较低；反之，若该分割结果的评价数据的数值较大，则说明对应的未标注数据的多样性程度较高，即该未标注数据被选取为目标数据的可能性较大。
需要说明的是，在本实施例中，对于未标注数据的不确定性判别以及多样性判别可以是同时进行，也可以是顺序进行，本实施例对判别的顺序不加以限制。
S130、基于不确定性判别结果和/或多样性判别结果对各未标注数据进行筛选，确定目标数据，其中，目标数据用于进行数据标注后作为模型训练样本。
在本实施例中，基于未标注数据的不确定性判别结果对各未标注数据进行筛选的方法可以包括基于各未标注数据的不确定性判别结果以及不确定性条件对各未标注数据进行筛选，将满足该不确定性条件的未标注数据确定为目标数据。具体的，不确定性条件可以根据不确定性判别结果的结果类型对应设置。可选的，若不确定性判别结果为已标注标签或者未标注标签，则对应的不确定性条件可以是未标注数据为未标注标签时符合筛选条件；当然，若不确定判别结果为未标注数据的不确定性概率数值，则对应的不确定性条件可以是未标注数据的不确定概率数值满足概率阈值时符合筛选条件。进一步的，将根据不确定性判别结果以及符合不确定性条件的未标注数据确定为未标注数据。
可选的，在本发明实施例中，基于未标注数据的多样性判别结果对各未标注数据进行筛选的方法可以是基于各未标注数据的评价数据以及多样性阈值对各未标注数据进行筛选，将满足该多样性阈值的未标注数据确定为目标数据。具体的，将各分割结果对应的评价数据与多样性阈值进行比对，将满足阈值条件的评价数据对应的未标注数据进行筛选，并将筛选后的未标注数据确定为目标数据。
在一些其他实施例中，为了增加目标数据的数量，将满足不确定性条件的未标注数据或者满足多样性条件的数据确定为目标数据。当然，还有一些实施例中，为了增加目标数据的代表性，将同时满足不确定性条件以及多样性条件的未标注数据确定为目标数据。上述根据不确定性条件以及多样性条件确定目标数据的方法只是作为可选实施例，本实施例还可以根据实际情况具体设定确定目标数据的方法，本实施例对此不加以限制。
本发明实施例的技术方案包括：获取待筛选的未标注数据，并基于预先训练的分割模型提取未标注数据的数据特征和分割结果；以便于后续基于该数据特征和分割结果确定未标注数据的目标数据；进一步的，基于该数据特征对未标注数据进行不确定性判别，以便于将不确定性高的未标注数据确定为目标数据；还基于该分割结果对未标注数据进行多样性判别，以便于将具有多样性的未标注数据确定为目标数据；再一步的，基于不确定性判别结果和/或多样性判别结果对各未标注数据进行筛选，确定目标数据；从而确定出待筛选的未标注数据中具有代表性的优质数据，其中，目标数据用于进行数据标注后作为模型训练样本。本实施例的技术方案通过获取分割模型输出的数据特征和分割结果，并基于数据特征和分割结果确定出待筛选的未标注数据的目标数据，即具有代表性的优质数据，以实现筛选出大量未标注样本数据中具有代表性的优质样本数据，减少样本标注工作量。
实施例二
图2为本发明实施例二提供的一种数据处理方法的流程图，本实施例在上述各实施例的基础上，在步骤“获取待筛选的未标注数据”之前增加了“分别对待训练的判别模型以及对待训练的质控模型进行训练，得到训练好的判别模型以及质控模型。”其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，本实施例提供的数据处理方法包括：
S210、分别对待训练的判别模型以及对待训练的质控模型进行训练，得到训练好的判别模型以及质控模型。
本实施例中，在对判别模型以及对质控模型进行训练之前，需要先获取用于训练的样本数据以及样本数据对应的标签；其中，训练样本包括已标注数据以及未标注数据，已标注数据包括经标注后的目标数据，标注标签包括已标注标签和未标注标签。
进一步的，基于预先训练好的分割模型得到训练样本的样本数据特征以及样本分割结果。具体的，分别把代表已标注数据的数据集1和代表未标注数据的数据集2输入到预先训练好的分割模型中。对于数据集1和数据集2的样本数据在分割模型的编码子模型中分别得到样本数据特征；该样本数据特征包括样本特征1和样本特征0；其中，样本特征1和样本特征0分别对应已标注数据和未标注数据。在分割模型的解码子模型得到最终的分割结果；该分割结果分别为分割结果1和分割结果0；其中，分割结果1和分割结果0分别对应已标注数据和未标注数据。具体的，基于样本数据特征以及样本分割结果分别对待训练的判别模型以及待训练的质控模型进行训练，得到训练好的判别模型以及质控模型。
可选的，基于样本数据特征对待训练的判别模型进行训练的方法可以是：
将分割模型的编码子模型输出的样本特征1和样本特征0输入到待训练的判别模型中进行训练；其中样本特征1和样本特征0对应的样本标签分别为已标记数据和未标记数据。
具体的，分别将样本特征1和样本特征0输入至待训练的判别模型，得到判别模型输出的样本判别结果；将判别结果中符合不确定性条件的不确定性判别结果与该判别结果对应的样本标签一致的样本特征对应的样本数据进行筛选，得到样本数据中的目标样本数据；将该目标样本数据进行标注后，基于标注后的目标样本数据和训练样本形成新的样本数据，对待训练的判别模型进行迭代训练，当所训练过程满足训练停止条件，得到训练完成的判别模型。
可选的，将分割模型的解码子模型输出的样本分割结果1和样本分割结果0输入到待训练的质控模型中进行训练，其中，该样本分割结果1和样本分割结果对应的样本标签分别为样本分割结果1和样本分割结果0分别对应的样本评价结果1和样本评价结果0；该样本评价结果1和样本评价结果0可以是基于计算公式对样本分割结果进行计算得到。
具体的，分别将样本分割结果1和样本分割结果0输入至待训练的质控模型，得到质控模型输出的样本多样性判别结果；将判别结果中符合多样性阈值的样本判别结果与样本标签一致的样本分割结果对应的样本数据进行筛选，得到样本数据中的目标样本数据；将该目标样本数据进行标注后，基于标注后的目标样本数据和训练样本形成新的样本数据，对待训练的质控模型进行迭代训练，当所训练过程满足训练停止条件，得到训练完成的质控模型。
需要说明的是，本实施例中训练过程中迭代训练的训练停止条件包括筛选出的目标样本数据的数量小于预设数值。当然，本实施例中的判别模型和质控模型可以同时进行训练也可以顺序训练，本实施例对于训练判别模型和质控模型的训练顺序不加以限定。
S220、获取待筛选的未标注数据，基于预先训练的分割模型提取未标注数据的数据特征和分割结果。
S230、基于特征数据对未标注数据进行不确定性判别，和/或，基于分割结果对未标注数据进行多样性判别。
S240、基于不确定性判别结果和/或多样性判别结果对各未标注数据进行筛选，确定目标数据，其中，目标数据用于进行数据标注后作为模型训练样本。
本实施例的技术方案预先训练判别模型和质控模型；进一步地获取分割模型输出的数据特征和分割结果，并基于数据特征、分割结果以及预先训练判别模型和质控模型确定出待筛选的未标注数据的目标数据，即具有代表性的优质数据，以实现筛选出大量未标注样本数据中具有代表性的优质样本数据，减少样本标注工作量。
本实施例的技术方案在上述各实施例的基础上，还提供了一个优选实施例，用于介绍各模型的训练过程。训练步骤如图3所示，具体的：第一步：把样本数据按一定的比例，划分为数据集1和数据集2；其中，数据集1为已标注数据，数据集2为未标注数据。第二步：利用数据集1和编码解码模型，预先训练好分割模型；第三步：分别把数据集1和数据集2输入到分割模型中，对于数据集1和数据集2的样本数据基于编码子模型分别得到特征1和特征0，基于解码子模型得到最终的分割结果分别为分割结果1和分割结果0，然后分别计算其对应的DICE值，即计算评价数据，具体的评价数据包括为DICE_1和DICE_2；第四步：把特征1和特征0输入到待训练的判别模型中进行训练得到判别模型，其中特征1和特征0对应的样本标签分别为已标记的样本和未标记的样本，因为数据集2未参与分割模型训练；第五步：把分割结果1和分割结果0和输入到待训练的质控模型进行训练，得到质控模型，其中其对应的标签为DICE_1和DICE_2。第六步：把未标记的样本输入到分割模型，然后利用判别模型得到是否被标记(u_label)；利用质控模型得到每个样本的预测DICE值(u_dice)；第七步：把u_label为0和u_dice小于预设阈值的未标记样本进行人工标记；第八步：把已经标注的数据添加到数据集1中，重复第二到第7步，当挑选出的数据少于预设数量值，结束训练。
以下是本发明实施例提供的数据处理装置的实施例，该装置与上述各实施例的数据处理方法属于同一个发明构思，在数据处理装置的实施例中未详尽描述的细节内容，可以参考上述数据处理方法的实施例。
实施例三
图4为本发明实施例三提供的数据处理装置的结构示意图，本实施例可适用于筛选未标注数据中的目标数据，并对筛选后的目标数据进行标注后训练模型的情况；具体的，更适用于基于未标注数据的不不确定性判别结果以及多样性判别结果确定未标注数据中的目标数据的情况。该数据处理装置的具体结构包括：数据提取模块310、判别模块320和目标数据确定模块330；其中，
数据提取模块310，用于获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；
判别模块320，用于基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；
目标数据确定模块330，用于基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。
本发明实施例的技术方案包括：获取待筛选的未标注数据，并基于预先训练的分割模型提取未标注数据的数据特征和分割结果；以便于后续基于该数据特征和分割结果确定未标注数据的目标数据；进一步的，基于该数据特征对未标注数据进行不确定性判别，以便于将不确定性高的未标注数据确定为目标数据；还基于该分割结果对未标注数据进行多样性判别，以便于将具有多样性的未标注数据确定为目标数据；再一步的，基于不确定性判别结果和/或多样性判别结果对各未标注数据进行筛选，确定目标数据；从而确定出待筛选的未标注数据中具有代表性的优质数据，其中，目标数据用于进行数据标注后作为模型训练样本。本实施例的技术方案通过获取分割模型输出的数据特征和分割结果，并基于数据特征和分割结果确定出待筛选的未标注数据的目标数据，即具有代表性的优质数据，以实现筛选出大量未标注样本数据中具有代表性的优质样本数据，减少样本标注工作量。
可选的，在上述技术方案的基础上，判别模块320，包括：
不确定性判别单元，用于将所述未标注数据的数据特征输入到判别模型，得到所述判别模型输出的所述未标注数据的不确定性判别结果。
相应的，目标数据确定模块330，包括：
第一目标数据确定单元，用于基于各所述未标注数据的不确定性判别结果和确定性条件对各未标注数据进行筛选，并将满足所述确定性条件的未标注数据确定为目标数据。
可选的，在上述技术方案的基础上，判别模块320，包括：
评价数据确定单元，用于将所述分割结果输入到质控模型，得到所述质控模型输出的所述分割结果的评价数据。
相应的，目标数据确定模块330，包括：
第二目标数据确定单元，用于基于各所述未标注数据的分割结果的评价数据和数据多样性阈值对所述各未标注数据进行筛选，并将满足所述数据多样性条件的未标注数据确定为目标数据。
可选的，在上述技术方案的基础上，目标数据确定模块330，包括：
第三目标数据确定单元，用于将同时满足确定性条件以及多样性条件的未标注数据确定为目标数据；
第四目标数据确定单元，用于将满足确定性条件的未标注数据或者满足多样性条件的数据确定为目标数据。
可选的，在上述技术方案的基础上，所述分割模型包括编码子模型和解码子模型；
所述编码子模型用于提取所述未标注数据的数据特征，并输出所述数据特征；
所述解码子模型用于对所述编码子模型输出的数据特征进行解码，并输出所述未标注数据的分割结果。
可选的，在上述技术方案的基础上，所述判别模型的训练方法包括：
获取训练样本以及所述训练样本的标注标签；其中，所述训练样本包括已标注数据以及未标注数据，所述已标注数据包括经标注后的目标数据，所述标注标签包括已标注标签和未标注标签；
基于预先训练好的分割模型得到所述训练样本的样本数据特征；
基于各所述样本数据特征以及各所述样本数据特征对应的标注标签，对初始判别模型进行迭代训练，得到训练好的判别模型。
可选的，在上述技术方案的基础上，所述质控模型的训练方法包括：
获取所述分割模型对所述训练样本进行分割得到的样本分割结果，并分别确定各所述样本分割结果的评价数据，将所述评价数据作为各所述样本分割结果对应的分割标签；
基于各所述样本分割结果以及各所述样本分割结果的分割标签，对待训练的质控模型进行迭代训练，得到训练好的质控模型。
可选的，在上述技术方案的基础上，所述迭代训练的停止条件包括基于所述训练样本得到的目标样本数据的数量小于预设数量。
本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述数据处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及样本数据获取，例如实现本发实施例所提供的一种数据处理方法步骤，数据处理方法包括：
获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；
基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；
基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的样本数据获取方法的技术方案。
实施例五
本实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现例如实现本发实施例所提供的一种数据处理方法步骤，数据处理方法包括：
获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；
基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；
基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所述程序设计语言包括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)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种数据处理方法，其特征在于，包括：
获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；
基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；
基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。
2.根据权利要求1所述的方法，其特征在于，基于所述特征数据对所述未标注数据进行不确定性判别，包括：
将所述未标注数据的数据特征输入到判别模型，得到所述判别模型输出的所述未标注数据的不确定性判别结果；
相应的，基于所述不确定性判别结果对各所述未标注数据进行筛选，确定目标数据，包括：
基于各所述未标注数据的不确定性判别结果和确定性条件对各未标注数据进行筛选，并将满足所述确定性条件的未标注数据确定为目标数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述分割结果对所述未标注数据进行多样性判别，包括：
将所述分割结果输入到质控模型，得到所述质控模型输出的所述分割结果的评价数据；
相应的，基于所述多样性判别结果对各所述未标注数据进行筛选，确定目标数据，包括：
基于各所述未标注数据的分割结果的评价数据和数据多样性阈值对所述各未标注数据进行筛选，并将满足所述数据多样性条件的未标注数据确定为目标数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述不确定性判别结果和多样性判别结果对各所述未标注数据进行筛选，确定目标数据，包括：
将同时满足确定性条件以及多样性条件的未标注数据确定为目标数据；或者，
将满足确定性条件的未标注数据或者满足多样性条件的数据确定为目标数据。
5.根据权利要求1所述的方法，其特征在于，所述分割模型包括编码子模型和解码子模型；
所述编码子模型用于提取所述未标注数据的数据特征，并输出所述数据特征；
所述解码子模型用于对所述编码子模型输出的数据特征进行解码，并输出所述未标注数据的分割结果。
6.根据权利要求1所述的方法，其特征在于，所述判别模型的训练方法包括：
获取训练样本以及所述训练样本的标注标签；其中，所述训练样本包括已标注数据以及未标注数据，所述已标注数据包括经标注后的目标数据，所述标注标签包括已标注标签和未标注标签；
基于预先训练好的分割模型得到所述训练样本的样本数据特征；
基于各所述样本数据特征以及各所述样本数据特征对应的标注标签，对初始判别模型进行迭代训练，得到训练好的判别模型。
7.根据权利要求6所述的方法，其特征在于，所述质控模型的训练方法包括：
获取所述分割模型对所述训练样本进行分割得到的样本分割结果，并分别确定各所述样本分割结果的评价数据，将所述评价数据作为各所述样本分割结果对应的分割标签；
基于各所述样本分割结果以及各所述样本分割结果的分割标签，对待训练的质控模型进行迭代训练，得到训练好的质控模型。
8.根据权利要求6或7所述的方法，其特征在于，所述迭代训练的停止条件包括基于所述训练样本得到的目标样本数据的数量小于预设数量。
9.一种数据处理装置，其特征在于，包括：
数据提取模块，用于获取待筛选的未标注数据，基于预先训练的分割模型提取所述未标注数据的数据特征和分割结果；
判别模块，用于基于所述特征数据对所述未标注数据进行不确定性判别，和/或，基于所述分割结果对所述未标注数据进行多样性判别；
目标数据确定模块，用于基于所述不确定性判别结果和/或多样性判别结果对各所述未标注数据进行筛选，确定目标数据，其中，所述目标数据用于进行数据标注后作为模型训练样本。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的数据处理方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110844617.1A CN113487617A (zh) | 2021-07-26 | 2021-07-26 | 数据处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110844617.1A CN113487617A (zh) | 2021-07-26 | 2021-07-26 | 数据处理方法、装置、电子设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113487617A true CN113487617A (zh) | 2021-10-08 |
Family
ID=77942644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110844617.1A Pending CN113487617A (zh) | 2021-07-26 | 2021-07-26 | 数据处理方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487617A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
| CN110503654A (zh) * | 2019-08-01 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
| CN110766080A (zh) * | 2019-10-24 | 2020-02-07 | 腾讯科技（深圳）有限公司 | 一种标注样本确定方法、装置、设备及存储介质 |
| CN111242948A (zh) * | 2020-04-29 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、设备和存储介质 |
| US20200184312A1 (en) * | 2018-12-07 | 2020-06-11 | Seoul National University R&Db Foundation | Apparatus and method for generating sampling model for uncertainty prediction, and apparatus for predicting uncertainty |
| WO2020119075A1 (zh) * | 2018-12-10 | 2020-06-18 | 平安科技（深圳）有限公司 | 通用文本信息提取方法、装置、计算机设备和存储介质 |
| CN111310846A (zh) * | 2020-02-28 | 2020-06-19 | 平安科技（深圳）有限公司 | 一种选取样本图像的方法、装置、存储介质和服务器 |
| CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
| CN111414930A (zh) * | 2019-01-07 | 2020-07-14 | 中国移动通信有限公司研究院 | 深度学习模型训练方法及装置、电子设备及存储介质 |
| CN111461232A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于多策略批量式主动学习的核磁共振图像分类方法 |
| CN111476256A (zh) * | 2019-01-24 | 2020-07-31 | 北京京东尚科信息技术有限公司 | 基于半监督学习的模型训练方法、装置及电子设备 |
| CN112036491A (zh) * | 2020-09-01 | 2020-12-04 | 北京推想科技有限公司 | 确定训练样本的方法及装置、训练深度学习模型的方法 |
| CN112163634A (zh) * | 2020-10-14 | 2021-01-01 | 平安科技（深圳）有限公司 | 实例分割模型样本筛选方法、装置、计算机设备及介质 |
| CN112308143A (zh) * | 2020-10-30 | 2021-02-02 | 江苏云从曦和人工智能有限公司 | 一种基于多样性的样本筛选方法、系统、设备及介质 |
| CN112308144A (zh) * | 2020-10-30 | 2021-02-02 | 江苏云从曦和人工智能有限公司 | 一种筛选样本的方法、系统、设备及介质 |
| CN112508092A (zh) * | 2020-12-03 | 2021-03-16 | 上海云从企业发展有限公司 | 一种样本筛选方法、系统、设备及介质 |
| CN112818755A (zh) * | 2021-01-13 | 2021-05-18 | 华中科技大学 | 一种基于主动学习的步态识别方法 |
| WO2021114630A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技（深圳）有限公司 | 医学图像样本筛查方法、装置、计算机设备和存储介质 |
| CN113077015A (zh) * | 2021-04-29 | 2021-07-06 | 平安科技（深圳）有限公司 | 样本选择方法、装置、计算机设备及存储介质 |
| CN113111716A (zh) * | 2021-03-15 | 2021-07-13 | 中国科学院计算机网络信息中心 | 一种基于深度学习的遥感影像半自动标注方法和装置 |
-
2021
- 2021-07-26 CN CN202110844617.1A patent/CN113487617A/zh active Pending
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200184312A1 (en) * | 2018-12-07 | 2020-06-11 | Seoul National University R&Db Foundation | Apparatus and method for generating sampling model for uncertainty prediction, and apparatus for predicting uncertainty |
| WO2020119075A1 (zh) * | 2018-12-10 | 2020-06-18 | 平安科技（深圳）有限公司 | 通用文本信息提取方法、装置、计算机设备和存储介质 |
| CN111414930A (zh) * | 2019-01-07 | 2020-07-14 | 中国移动通信有限公司研究院 | 深度学习模型训练方法及装置、电子设备及存储介质 |
| CN111476256A (zh) * | 2019-01-24 | 2020-07-31 | 北京京东尚科信息技术有限公司 | 基于半监督学习的模型训练方法、装置及电子设备 |
| CN110689038A (zh) * | 2019-06-25 | 2020-01-14 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
| CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
| CN110503654A (zh) * | 2019-08-01 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
| CN110766080A (zh) * | 2019-10-24 | 2020-02-07 | 腾讯科技（深圳）有限公司 | 一种标注样本确定方法、装置、设备及存储介质 |
| CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
| WO2021169301A1 (zh) * | 2020-02-28 | 2021-09-02 | 平安科技（深圳）有限公司 | 一种选取样本图像的方法、装置、存储介质和服务器 |
| CN111310846A (zh) * | 2020-02-28 | 2020-06-19 | 平安科技（深圳）有限公司 | 一种选取样本图像的方法、装置、存储介质和服务器 |
| CN111461232A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于多策略批量式主动学习的核磁共振图像分类方法 |
| CN111242948A (zh) * | 2020-04-29 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 图像处理、模型训练方法、装置、设备和存储介质 |
| WO2021114630A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技（深圳）有限公司 | 医学图像样本筛查方法、装置、计算机设备和存储介质 |
| CN112036491A (zh) * | 2020-09-01 | 2020-12-04 | 北京推想科技有限公司 | 确定训练样本的方法及装置、训练深度学习模型的方法 |
| CN112163634A (zh) * | 2020-10-14 | 2021-01-01 | 平安科技（深圳）有限公司 | 实例分割模型样本筛选方法、装置、计算机设备及介质 |
| CN112308143A (zh) * | 2020-10-30 | 2021-02-02 | 江苏云从曦和人工智能有限公司 | 一种基于多样性的样本筛选方法、系统、设备及介质 |
| CN112308144A (zh) * | 2020-10-30 | 2021-02-02 | 江苏云从曦和人工智能有限公司 | 一种筛选样本的方法、系统、设备及介质 |
| CN112508092A (zh) * | 2020-12-03 | 2021-03-16 | 上海云从企业发展有限公司 | 一种样本筛选方法、系统、设备及介质 |
| CN112818755A (zh) * | 2021-01-13 | 2021-05-18 | 华中科技大学 | 一种基于主动学习的步态识别方法 |
| CN113111716A (zh) * | 2021-03-15 | 2021-07-13 | 中国科学院计算机网络信息中心 | 一种基于深度学习的遥感影像半自动标注方法和装置 |
| CN113077015A (zh) * | 2021-04-29 | 2021-07-06 | 平安科技（深圳）有限公司 | 样本选择方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| PENGZHEN REN ET AL., ARXIV:2009.00236V1, pages 1 - 4 * |
| SAMARTH SINHA ET AL.: "Variational Adversarial Active Learning", ARXIV:1904.00370V3, pages 1 - 4 * |
| 徐美香;孙福明;李豪杰;: "主动学习的多标签图像在线分类", 中国图象图形学报, no. 02 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113064964A (zh) | 文本分类方法、模型训练方法、装置、设备以及存储介质 | |
| CN112613306B (zh) | 抽取实体关系的方法、装置、电子设备、及存储介质 | |
| CN110188766B (zh) | 基于卷积神经网络的图像主目标检测方法及装置 | |
| CN111368878B (zh) | 一种基于ssd目标检测的优化方法、计算机设备和介质 | |
| CN112650867B (zh) | 图片匹配方法、装置、电子设备以及存储介质 | |
| CN110826494A (zh) | 标注数据质量评价方法、装置、计算机设备及存储介质 | |
| CN113762303B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN112070093B (zh) | 生成图像分类模型的方法、图像分类方法、装置和设备 | |
| CN111563429A (zh) | 一种图纸校对方法、装置、电子设备及存储介质 | |
| CN114972880A (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
| CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
| CN115861255A (zh) | 用于图像处理的模型训练方法、装置、设备、介质及产品 | |
| CN112232354A (zh) | 一种文字识别方法、装置、设备及存储介质 | |
| CN113807416B (zh) | 一种模型训练方法、装置、电子设备以及存储介质 | |
| CN114170575A (zh) | 一种火焰识别方法、装置、电子设备及存储介质 | |
| CN113936232A (zh) | 一种碎屏识别方法、装置、设备和存储介质 | |
| CN117875320A (zh) | 基于人工智能的数据处理方法、装置、设备及存储介质 | |
| CN110704650B (zh) | Ota图片标签的识别方法、电子设备和介质 | |
| CN116306663B (zh) | 语义角色标注方法、装置、设备以及介质 | |
| CN111460224A (zh) | 评论数据的质量标注方法、装置、设备及存储介质 | |
| CN113487617A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
| CN113642443A (zh) | 模型的测试方法、装置、电子设备及存储介质 | |
| CN114266777A (zh) | 分割模型的训练方法、分割方法、装置、电子设备及介质 | |
| CN114565759A (zh) | 图像语义分割模型优化方法、装置、电子设备及存储介质 | |
| CN113591787A (zh) | 光纤链路部件的识别方法、装置、设备和存储介质 |
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 |