CN113554062B - 多分类模型的训练方法、设备和存储介质 - Google Patents
多分类模型的训练方法、设备和存储介质 Download PDFInfo
- Publication number
- CN113554062B CN113554062B CN202110712825.6A CN202110712825A CN113554062B CN 113554062 B CN113554062 B CN 113554062B CN 202110712825 A CN202110712825 A CN 202110712825A CN 113554062 B CN113554062 B CN 113554062B
- Authority
- CN
- China
- Prior art keywords
- sample image
- topic category
- candidate
- category
- topic
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012790 confirmation Methods 0.000 claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了多分类模型的训练方法、设备和存储介质，涉及图像分类等人工智能技术领域。具体实现方案为：在对分类模型进行训练的过程中，获取多分类模型对应的未召回样本图像以及未召回样本图像对应的至少一个候选主题类别，并提供未召回样本图像以及对应的至少一个候选主题类别，以及在接收到针对至少一个候选主题类别中的目标主题类型的确认指令时，将未召回样本图像添加到目标主题类别的样本图像集合中，以得到更新后的样本图像集合，并结合更新后的样本图像集合，对多分类模型进行训练。由此，结合未召回样本图像丰富了用于对多分类模型进行训练的样本图像集合，进而可提高分类模型对图像的区分能力。
Description
技术领域
本公开涉及计算机技术领域，具体涉及图像分类等人工智能技术领域，尤其涉及多分类模型的训练方法、设备和存储介质。
背景技术
目前，通过分类模型可以将用户相册中相同分类的图像聚合在一起自动创建相册。分类模型分类的准确性对自动图像分类是十分重要的。因此，如何获得一个图像分类准确的多分类模型是目前亟需解决的技术问题。
发明内容
本公开提供了一种用于多分类模型的训练方法、设备和存储介质。
根据本公开的一方面，提供了一种多分类模型的训练方法，包括：获取多分类模型对应的未召回样本图像以及所述未召回样本图像对应的至少一个候选主题类别；提供所述未召回样本图像以及对应的至少一个候选主题类别；在接收到针对所述至少一个候选主题类别中的目标主题类型的确认指令时，将所述未召回样本图像添加到所述目标主题类别的样本图像集合中，以得到更新后的样本图像集合；根据所述更新后的样本图像集合，对所述多分类模型进行训练。
根据本公开的另一方面，提供了一种多分类模型的训练装置，包括：获取多分类模型对应的未召回样本图像以及所述未召回样本图像对应的至少一个候选主题类别；提供所述未召回样本图像以及对应的至少一个候选主题类别；在接收到针对所述至少一个候选主题类别中的目标主题类型的确认指令时，将所述未召回样本图像添加到所述目标主题类别的样本图像集合中，以得到更新后的样本图像集合；根据所述更新后的样本图像集合，对所述多分类模型进行训练。
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的多分类模型的训练方法。
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实施例公开的多分类模型的训练方法。
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，所述计算机程序被处理器执行时实现本公开的多分类模型的训练方法。上述申请中的一个实施例具有如下优点或有益效果：
在对分类模型进行训练的过程中，获取多分类模型对应的未召回样本图像以及未召回样本图像对应的至少一个候选主题类别，并提供未召回样本图像以及对应的至少一个候选主题类别，以及在接收到针对至少一个候选主题类别中的目标主题类型的确认指令时，将未召回样本图像添加到目标主题类别的样本图像集合中，以得到更新后的样本图像集合，并结合更新后的样本图像集合，对多分类模型进行训练。由此，结合未召回样本图像丰富了用于对多分类模型进行训练的样本图像集合，进而可提高所训练的出的分类模型对图像的区分能力。
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是根据本公开一个实施例提供的一种多分类模型的训练方法的流程示意图；
图2是根据本公开另一个实施例提供的一种多分类模型的训练方法的流程示意图；
图3是用户界面的示例图一；
图4是用户界面的示例图二；
图5是用户界面的示例图三；
图6是根据本公开一个实施例提供的一种多分类模型的训练装置的结构示意图；
图7是用来实现本公开实施例的多分类模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
下面参考附图描述本公开实施例的多分类模型的训练方法、设备和存储介质。
图1是根据本公开一个实施例提供的一种多分类模型的训练方法的流程示意图。
如图1所示，该多分类模型的训练方法可以包括：
步骤101，获取多分类模型对应的未召回样本图像以及未召回样本图像对应的至少一个候选主题类别。
其中，上述多分类模型的训练方法的执行主体为多分类模型的训练装置，该多分类模型的训练装置可以由软件和/或硬件的方式实现，该实施例中的多分类模型的训练装置可以配置在电子设备中，该电子设备可以包括但不限于终端设备、服务器等，该实施例对电子设备不作具体限定。
其中，未召回样本图像是主题类别可能属于目标主题类别，而由于分类模型输出该图像在目标主题类别的概率值略小于该目标主题类别的概率阈值，从而分类模型无法确定出该图像的主题类别为目标主题类别的图像。
步骤102，提供未召回样本图像以及对应的至少一个候选主题类别。
在一些实施例中，可通过文字或者语音的方式，提供未召回样本图像以及对应的至少一个候选主题类别，该实施例不对提供未召回样本图像以及对应的至少一个候选主题类别的方式进行具体限定。
步骤103，在接收到针对至少一个候选主题类别中的目标主题类型的确认指令时，将未召回样本图像添加到目标主题类别的样本图像集合中，以得到更新后的样本图像集合。
步骤104，根据更新后的样本图像集合，对多分类模型进行训练。
本公开实施例的多分类模型的训练方法，在对分类模型进行训练的过程中，获取多分类模型对应的未召回样本图像以及未召回样本图像对应的至少一个候选主题类别，并提供未召回样本图像以及对应的至少一个候选主题类别，以及在接收到针对至少一个候选主题类别中的目标主题类型的确认指令时，将未召回样本图像添加到目标主题类别的样本图像集合中，以得到更新后的样本图像集合，并结合更新后的样本图像集合，对多分类模型进行训练。由此，结合未召回样本图像丰富了用于对多分类模型进行训练的样本图像集合，进而可提高所训练的出的分类模型对图像的区分能力。
图2是根据本公开另一个实施例提供的一种多分类模型的训练方法的流程示意图。
如图2所示，该多分类模型的训练方法可以包括：
步骤201，将训练样本图像输入到多分类模型中，以得到训练样本图像在多分类模型对应的各个主题类别上的概率值。
步骤202，针对各个主题类别，在概率值小于主题类别对应的第一概率阈值，并且大于或者等于主题类别对应的第二概率阈值的情况下，将训练样本图像作为未召回样本图像，并将主题类别作为未召回样本图像的候选主题类别，其中，第二概率阈值比第一概率阈值小预设概率值。
其中，需要理解的是，对于不同主题类别而言，其各自对应的第一概率阈值可以是不同的。
其中，上述第二概率阈值小于第一概率阈值，并且，第二概率阈值比第一概率阈值小预设概率阈值。
其中，可以理解的是，对于不同主题类别，不同主题类别所对应的上述预设概率阈值可以是相同的，也可以是不同的，该实施例对此不作具体限定。
其中，可以理解的是，对于上述训练样本图像，在概率值大于或者等于主题类别对应的第一概率阈值的情况下，可确定上述训练样本图像的主题类别为该主题类别。
例如，一张训练样本图像，确定出该训练样本图像在天空主题类别上的概率值大于天空主题类别的第一概率阈值，则确定该训练样本图像中包括天空，并确定该训练样本图像的主题类别为天空主题类别。
接上述举例，假设预设概率阈值为0.1，天空主题类别的第一概率阈值为0.7，此时，可确定该天空主题类别的第二概率阈值为0.8，假设通过分类模型确定出该训练样本图像在天空主题类别上的概率值为0.75，通过比较，可确定出该训练样本图像的概率值小于第一概率阈值，并大于第二概率阈值，即，可确定出该训练样本图像的概率值在第二概率阈值和第一概率阈值之间，此时，可确定该训练样本图像中可能包括天空主题类别的内容，可将该训练样本图像作为该天空主题类别的未召回样本图像，并将天空主题类别作为该未召回样本图像的候选主题类别。
步骤203，提供未召回样本图像以及对应的至少一个候选主题类别。
步骤204，在接收到针对至少一个候选主题类别中的目标主题类型的确认指令时，将未召回样本图像添加到目标主题类别的样本图像集合中，以得到更新后的样本图像集合。
在一些实施例中，为了方便用户可方便从至少一个候选主题类别确定出该未召回样本图像的主题类别，在未召回样本图像对应一个候选主题类别的情况下，可提供用户界面，其中，用户界面包括未召回样本图像、用于提示确认未召回样本图像的主题类别是否为候选主题类别的第一提醒信息、用于确认未召回样本图像的主题类别为候选主题类别的第一控件，以及用于确认未召回样本图像的主题类别不是候选主题类别的第二控件。
对应地，在检测到用户触发第一控件时，可将候选主题类别作为目标主题类别，并确定接收到针对目标主题类别的确认指令。
作为另一些实施例中，在上述候选主题类别为多个的情况下，为了方便用户确定出未召回样本图像的目标主题类别，可获取多个候选主题类别的展示顺序，根据展示顺序，依次提供对应候选主题类别对应的用户界面，其中，用户界面包括未召回样本图像、用于提示确认未召回样本图像的主题类别是否为对应候选主题类别的第一提醒信息、用于确认未召回样本图像的主题类别为对应候选主题类别的第一控件，以及用于确认未召回样本图像的主题类别不是对应候选主题类别的第二控件。
由此，使得用户通过用户界面上的提醒信息，并通过触发对应控件来来从多个候选主题类别中确定出未召回样本图像的目标主题类别，方便用户对未召回样本图像的主题类别进行整理，提高了用户整理未召回样本图像的主题类别的效率。
例如，在用户授权后，可向用户主动推送需要用户参与确认的未召回样本图像信息，其中，可通过用户界面的方式向用户主动推送需要用户参与确认的未召回样本图像信息，其中，用户界面的示例，如图3所示，通过图3可以看出，用户界面上包括“这张照片是天空吗”的提醒信息、包括文字提示“是”的控件，以及包括提示文字“不是”的控件，包括文字提示“不能确定”的控件。其中，需要理解的是，用户可通过触发上述三个控件中的任意一个来触发针对该照片是否为天空的反馈信息，从而使得该上述装置可根据反馈信息，来判断出该照片是否为该分类真实未召回的样本图像。当用户触发“是”的控件时，可确定该照片为该分类真实未召回的样本图像，可将该照片添加到天空主题类别的相册中。此时，可在“天空”主题类别下看到该照片。
另外，如果该照片还被判定为“建筑”主题类别的未召回样本图像，此时，可继续出现图4对应的用户界面，此时，用户可根据该照片的实际情况进行反馈。由此，使得用户可通过对用户界面上的控件，对未召回样本图像的主题类型情况进行反馈，可操作性强，反馈效率高。
在另一些实施例中，可候选主题类别为多个的情况下，为了方便用户可方便从至少一个候选主题类别确定出该未召回样本图像的主题类别，可提供用户界面，其中，用户界面包括未召回样本图像、多个候选主题类型以及第二提醒信息，其中，第二提醒信息用于提醒从多个候选主题类型中选择出未召回样本图像的主题类别。
例如，确定出未召回样本图像所对应的可能主题类别为天空主题类别和建筑主题类别，针对该未召回样本图像，可向用户终端反馈的用户界面，如图5所示，通过图5可以看出，该用户界面上包括：“请选择出正确分类，并确认”的提醒信息、天空主题类别、建筑主题类别，以及确认控件。如果确认用户选中“天空”，并点击确认控件，此时，可确定目标主题类别为“天空”主题类别，并接收到针对“天空”主题类别的确认指令，此时，可确定用户界面上该未召回样本图像的目标主题类别为：“天空”主题类别。
步骤205，根据更新后的样本图像集合，对多分类模型进行训练。
在本实施例中，通过多分类模型对训练样本图像进行分类，以得到训练样本图像在各个主题类别上的概率值，针对各个主题类别，并确定出该训练样本图像在该主题类别的概率值小于该主题类别的第一概率阈值，并大于或者等于第二概率阈值的情况下，确定该样本图像的概率值在该主题类型的第一概率阈值的附近，从而可将位于第一概率阈值和第二概率阈值之间的训练样本图像作为该主题类别的未召回样本图像，从而可通过位于第一概率阈值和第二概率阈值之间的训练样本图像来增加样本丰富度，进而使得后续所训练出的分类模型可准确确定出位于第一概率阈值和第二概率阈值的图像的主题类别，进而提高了分类模型的图像分类能力。
为了实现上述实施例，本公开实施例还提供一种多分类模型的训练装置。
图6是根据本公开一个实施例提供的一种多分类模型的训练装置的结构示意图。
如图6所示，该多分类模型的训练装置600可以包括获取模块601、提供模块602、确定模块603和训练模块604，其中：
获取模块601，用于获取多分类模型对应的未召回样本图像以及未召回样本图像对应的至少一个候选主题类别。
提供模块602，用于提供未召回样本图像以及对应的至少一个候选主题类别。
确定模块603，用于在接收到针对至少一个候选主题类别中的目标主题类型的确认指令时，将未召回样本图像添加到目标主题类别的样本图像集合中，以得到更新后的样本图像集合。
训练模块604，用于根据更新后的样本图像集合，对多分类模型进行训练。
其中，需要说明的是，前述对多分类模型的训练方法实施例的解释说明也适用于本实施例，本实施对此不再赘述。
本公开实施例的多分类模型的训练装置，在对分类模型进行训练的过程中，获取多分类模型对应的未召回样本图像以及未召回样本图像对应的至少一个候选主题类别，并提供未召回样本图像以及对应的至少一个候选主题类别，以及在接收到针对至少一个候选主题类别中的目标主题类型的确认指令时，将未召回样本图像添加到目标主题类别的样本图像集合中，以得到更新后的样本图像集合，并结合更新后的样本图像集合，对多分类模型进行训练。由此，结合未召回样本图像丰富了用于对多分类模型进行训练的样本图像集合，进而可提高所训练的出的分类模型对图像的区分能力。
在本公开的一个实施例中，上述获取模块601，具体用于：将训练样本图像输入到多分类模型中，以得到训练样本图像在多分类模型对应的各个主题类别上的概率值；针对各个主题类别，在概率值小于主题类别对应的第一概率阈值，并且大于或者等于主题类别对应的第二概率阈值的情况下，将训练样本图像作为未召回样本图像，并将主题类别作为未召回样本图像的候选主题类别，其中，第二概率阈值比第一概率阈值小预设概率值。
在本公开的一个实施例中，上述候选主题类别为多个，提供模块602，具体用于：获取多个候选主题类别的展示顺序；根据展示顺序，依次提供对应候选主题类别对应的用户界面，其中，用户界面包括未召回样本图像、用于提示确认未召回样本图像的主题类别是否为对应候选主题类别的第一提醒信息、用于确认未召回样本图像的主题类别为对应候选主题类别的第一控件，以及用于确认未召回样本图像的主题类别不是对应候选主题类别的第二控件。
在本公开的一个实施例中，上述候选主题类别为多个，提供模块602，具体用于：提供用户界面，其中，用户界面包括未召回样本图像、多个候选主题类型以及第二提醒信息，其中，第二提醒信息用于提醒从多个候选主题类型中选择出未召回样本图像的主题类别。
在本公开的一个实施例中，上述候选主题类别为一个，提供模块602，具体用于：提供用户界面，其中，用户界面包括未召回样本图像、用于提示确认未召回样本图像的主题类别是否为候选主题类别的第一提醒信息、用于确认未召回样本图像的主题类别为候选主题类别的第一控件，以及用于确认未召回样本图像的主题类别不是候选主题类别的第二控件。
其中，需要说明的是，前述对多分类模型的训练方法实施例的解释说明也适用于本实施例中的多分类模型的训练装置，此处不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如多分类模型的训练方法。例如，在一些实施例中，多分类模型的训练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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的多分类模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行多分类模型的训练方法。
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)、互联网和区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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 (10)
1.一种多分类模型的训练方法，包括：
获取多分类模型对应的未召回样本图像以及所述未召回样本图像对应的至少一个候选主题类别；
提供所述未召回样本图像以及对应的至少一个候选主题类别；
在接收到针对所述至少一个候选主题类别中的目标主题类型的确认指令时，将所述未召回样本图像添加到所述目标主题类别的样本图像集合中，以得到更新后的样本图像集合；
根据所述更新后的样本图像集合，对所述多分类模型进行训练；
所述获取多分类模型对应的未召回样本图像以及所述未召回样本图像对应的至少一个候选主题类别，包括：
将训练样本图像输入到所述多分类模型中，以得到所述训练样本图像在所述多分类模型对应的各个主题类别上的概率值；
针对各个主题类别，在所述概率值小于所述主题类别对应的第一概率阈值，并且大于或者等于所述主题类别对应的第二概率阈值的情况下，将所述训练样本图像作为所述未召回样本图像，并将所述主题类别作为所述未召回样本图像的候选主题类别，其中，所述第二概率阈值比所述第一概率阈值小预设概率值。
2.根据权利要求1所述的方法，其中，所述候选主题类别为多个，所述提供所述未召回样本图像以及对应的至少一个候选主题类别，包括：
获取多个所述候选主题类别的展示顺序；
根据所述展示顺序，依次提供对应候选主题类别对应的用户界面，其中，所述用户界面包括所述未召回样本图像、用于提示确认所述未召回样本图像的主题类别是否为所述对应候选主题类别的第一提醒信息、用于确认所述未召回样本图像的主题类别为所述对应候选主题类别的第一控件，以及用于确认所述未召回样本图像的主题类别不是所述对应候选主题类别的第二控件。
3.根据权利要求1所述的方法，其中，所述候选主题类别为多个，所述提供所述未召回样本图像以及对应的至少一个候选主题类别，包括：
提供用户界面，其中，所述用户界面包括所述未召回样本图像、多个所述候选主题类型以及第二提醒信息，其中，所述第二提醒信息用于提醒从多个所述候选主题类型中选择出所述未召回样本图像的主题类别。
4.根据权利要求1所述的方法，其中，所述候选主题类别为一个，所述提供所述未召回样本图像以及对应的至少一个候选主题类别，包括：
提供用户界面，其中，所述用户界面包括所述未召回样本图像、用于提示确认所述未召回样本图像的主题类别是否为所述候选主题类别的第一提醒信息、用于确认所述未召回样本图像的主题类别为所述候选主题类别的第一控件，以及用于确认所述未召回样本图像的主题类别不是所述候选主题类别的第二控件。
5.一种多分类模型的训练装置，包括：
获取模块，用于获取多分类模型对应的未召回样本图像以及所述未召回样本图像对应的至少一个候选主题类别；
提供模块，用于提供所述未召回样本图像以及对应的至少一个候选主题类别；
确定模块，用于在接收到针对所述至少一个候选主题类别中的目标主题类型的确认指令时，将所述未召回样本图像添加到所述目标主题类别的样本图像集合中，以得到更新后的样本图像集合；
训练模块，用于根据所述更新后的样本图像集合，对所述多分类模型进行训练；
所述获取模块，具体用于：将训练样本图像输入到所述多分类模型中，以得到所述训练样本图像在所述多分类模型对应的各个主题类别上的概率值；
针对各个主题类别，在所述概率值小于所述主题类别对应的第一概率阈值，并且大于或者等于所述主题类别对应的第二概率阈值的情况下，将所述训练样本图像作为所述未召回样本图像，并将所述主题类别作为所述未召回样本图像的候选主题类别，其中，所述第二概率阈值比所述第一概率阈值小预设概率值。
6.根据权利要求5所述的装置，其中，所述候选主题类别为多个，所述提供模块，具体用于：
获取多个所述候选主题类别的展示顺序；
根据所述展示顺序，依次提供对应候选主题类别对应的用户界面，其中，所述用户界面包括所述未召回样本图像、用于提示确认所述未召回样本图像的主题类别是否为所述对应候选主题类别的第一提醒信息、用于确认所述未召回样本图像的主题类别为所述对应候选主题类别的第一控件，以及用于确认所述未召回样本图像的主题类别不是所述对应候选主题类别的第二控件。
7.根据权利要求5所述的装置，其中，所述候选主题类别为多个，所述提供模块，具体用于：
提供用户界面，其中，所述用户界面包括所述未召回样本图像、多个所述候选主题类型以及第二提醒信息，其中，所述第二提醒信息用于提醒从多个所述候选主题类型中选择出所述未召回样本图像的主题类别。
8.根据权利要求5所述的装置，其中，所述候选主题类别为一个，所述提供模块，具体用于：
提供用户界面，其中，所述用户界面包括所述未召回样本图像、用于提示确认所述未召回样本图像的主题类别是否为所述候选主题类别的第一提醒信息、用于确认所述未召回样本图像的主题类别为所述候选主题类别的第一控件，以及用于确认所述未召回样本图像的主题类别不是所述候选主题类别的第二控件。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712825.6A CN113554062B (zh) | 2021-06-25 | 2021-06-25 | 多分类模型的训练方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712825.6A CN113554062B (zh) | 2021-06-25 | 2021-06-25 | 多分类模型的训练方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554062A CN113554062A (zh) | 2021-10-26 |
| CN113554062B true CN113554062B (zh) | 2023-08-01 |
Family
ID=78130969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110712825.6A Active CN113554062B (zh) | 2021-06-25 | 2021-06-25 | 多分类模型的训练方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554062B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114241243B (zh) * | 2021-12-20 | 2023-04-25 | 百度在线网络技术（北京）有限公司 | 图像分类模型的训练方法、装置、电子设备和存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784034A (zh) * | 2016-08-31 | 2018-03-09 | 北京搜狗科技发展有限公司 | 页面类别识别方法及装置、用于页面类别识别的装置 |
| CN109446324A (zh) * | 2018-10-16 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 样本数据的处理方法、装置、存储介质及电子设备 |
| CN111126574A (zh) * | 2019-12-30 | 2020-05-08 | 腾讯科技（深圳）有限公司 | 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质 |
| CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
| CN111340131A (zh) * | 2020-03-09 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
| CN111582409A (zh) * | 2020-06-29 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 图像标签分类网络的训练方法、图像标签分类方法及设备 |
| 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 |
| CN112445970A (zh) * | 2019-09-05 | 2021-03-05 | 北京达佳互联信息技术有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
| CN112579819A (zh) * | 2020-12-25 | 2021-03-30 | 天津车之家数据信息技术有限公司 | 一种数据分类方法及计算设备 |
| CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
| WO2021068178A1 (en) * | 2019-10-11 | 2021-04-15 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for image quality detection |
| CN112836755A (zh) * | 2021-02-05 | 2021-05-25 | 中国科学院深圳先进技术研究院 | 基于深度学习的样本图像生成方法及其系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7382903B2 (en) * | 2003-11-19 | 2008-06-03 | Eastman Kodak Company | Method for selecting an emphasis image from an image collection based upon content recognition |
-
2021
- 2021-06-25 CN CN202110712825.6A patent/CN113554062B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784034A (zh) * | 2016-08-31 | 2018-03-09 | 北京搜狗科技发展有限公司 | 页面类别识别方法及装置、用于页面类别识别的装置 |
| CN109446324A (zh) * | 2018-10-16 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 样本数据的处理方法、装置、存储介质及电子设备 |
| CN112445970A (zh) * | 2019-09-05 | 2021-03-05 | 北京达佳互联信息技术有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
| WO2021068178A1 (en) * | 2019-10-11 | 2021-04-15 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for image quality detection |
| CN111126574A (zh) * | 2019-12-30 | 2020-05-08 | 腾讯科技（深圳）有限公司 | 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质 |
| CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
| CN111340131A (zh) * | 2020-03-09 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
| 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 |
| CN111582409A (zh) * | 2020-06-29 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 图像标签分类网络的训练方法、图像标签分类方法及设备 |
| CN112579819A (zh) * | 2020-12-25 | 2021-03-30 | 天津车之家数据信息技术有限公司 | 一种数据分类方法及计算设备 |
| CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
| CN112836755A (zh) * | 2021-02-05 | 2021-05-25 | 中国科学院深圳先进技术研究院 | 基于深度学习的样本图像生成方法及其系统 |
Non-Patent Citations (3)
| Title |
|---|
| Using local discriminant topic to improve generative model based image annotation;Mei W. 等;2008 IEEE International Conference on Acoustics, Speech and Signal Processing;全文 * |
| 基于主题模型的图像标注方法研究与应用;张蕾;中国优秀硕士学位论文全文数据库;全文 * |
| 类别约束下自适应主题建模的图像场景分类;唐颖军;;小型微型计算机系统(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554062A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114549874B (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
| CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113360700B (zh) | 图文检索模型的训练和图文检索方法、装置、设备和介质 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
| CN113704058B (zh) | 一种业务模型的监控方法、装置及电子设备 | |
| CN113157877B (zh) | 多语义识别方法、装置、设备和介质 | |
| CN113554062B (zh) | 多分类模型的训练方法、设备和存储介质 | |
| CN115248890B (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
| CN114612725B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN113743127B (zh) | 任务型对话的方法、装置、电子设备及存储介质 | |
| CN116363444A (zh) | 模糊分类模型训练方法、识别模糊图像的方法及装置 | |
| CN114912541A (zh) | 分类方法、装置、电子设备和存储介质 | |
| CN114281964A (zh) | 对话技能服务的确定方法、装置、电子设备及存储介质 | |
| CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| CN112817463A (zh) | 输入法获取音频数据的方法、设备和存储介质 | |
| CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
| CN118365990B (zh) | 应用于违禁品检测的模型训练方法、装置及电子设备 | |
| CN114299522B (zh) | 图像识别方法装置、设备和存储介质 | |
| CN113190698B (zh) | 配对图片集的生成方法、装置、电子设备和存储介质 | |
| CN115965817B (zh) | 图像分类模型的训练方法、装置及电子设备 | |
| CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
| CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 |
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 |