CN115482427A - 一种模型训练方法、装置、可读存储介质及电子设备 - Google Patents
一种模型训练方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN115482427A CN115482427A CN202110667856.4A CN202110667856A CN115482427A CN 115482427 A CN115482427 A CN 115482427A CN 202110667856 A CN202110667856 A CN 202110667856A CN 115482427 A CN115482427 A CN 115482427A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- unmarked
- images
- uncertainty
- 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
- 238000012549 training Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims description 47
- 238000012163 sequencing technique Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 239000004065 semiconductor Substances 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000005530 etching Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种模型训练方法、装置、计算机可读存储介质及电子设备，该方法包括：将未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像；基于末层预测掩码图像、隐层预测掩码图像和预设不确定度函数，确定未标注图像分别对应的不确定度值；基于未标注图像分别对应的不确定度值和第一预设条件，在未标注图像中选取出目标未标注图像；利用掩码生成器确定目标未标注图像对应的目标掩码图像；基于目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新初始训练模型。本发明提供的技术方案可以有效利用未标注数据，即使在标注数据较少的情况下也可以获取到精度较高的初始训练模型。
Description
技术领域
本发明涉及机器学习技术领域，且更具体地，涉及一种模型训练方法、装置、可读存储介质及电子设备。
背景技术
随着科技的发展，机器学习技术被广泛的应用于各个领域，然而在利用该技术时，通常需要大量的标注数据，而在某些特定领域，标注数据往往难以获取，如在半导体制造领域和医疗领域等，在获取标注图像时需要多名专家同时进行人工标注，耗时耗力，因此想要获取到大量的标注数据较为困难，而在标注数据较少时，往往难以获取到精度较高的数学模型。
发明内容
本发明提供了一种模型训练方法、装置、计算机可读存储介质及电子设备，以解决在标注数据较少时，往往难以获取到精度较高的数学模型的技术问题。
根据本发明的第一方面，提供了一种模型训练方法，包括：
将未标注数据集中的未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像，其中所述初始训练模型由数量小于设定值的标注图像获取；
基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像分别对应的不确定度值；
基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像；
利用掩码生成器确定所述目标未标注图像对应的目标掩码图像；
基于所述目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新所述初始训练模型。
根据本发明的第二方面，提供了一种模型训练装置，包括：
掩码图像确定模块，用于将未标注数据集中的未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像，其中所述初始训练模型由数量小于设定值的标注图像获取；
不确定度确定模块，用于基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像分别对应的不确定度值；
目标数据选取模块，用于基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像；
目标图像生成模块，用于利用掩码生成器确定所述目标未标注图像对应的目标掩码图像；
检测模型更新模块，用于基于所述目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新所述初始训练模型。
根据本发明的第三方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的模型训练方法。
根据本发明的第四方面，提供了一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述的模型训练方法。
与现有技术相比，本发明提供的模型训练方法、装置、计算机可读存储介质及电子设备，至少包括以下有益效果：
本发明的技术方案通过数量较少的标注图像获取到初始训练模型，因标注数据的数量较少，因此获取的初始训练模型通常难以满足用户的实际需求，因此将未标注图像输入初始训练模型，获取到末层预测掩码图像和隐层预测掩码图像，其中隐层预测掩码图像和末层预测掩码图像是分别基于初始训练模型不同层级的隐藏层获取到的，即末层预测掩码图像和隐层预测掩码图像是基于相同未标注图像获取到的，则末层预测掩码图像和隐层预测掩码图像具有一致性，进而根据末层预测掩码图像、隐层预测掩码图像和预设不确定度函数，确定出的未标注图像分别对应的不确定度值，可以用于评估未标注图像的样本质量，并根据第一预设条件和未标注图像分别对应的不确定度值，在未标注图像中选取样本质量较高的目标未标注图像，然后利用掩码生成器确定目标未标注图像对应的目标掩码图像，并根据目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新初始训练模型，从而可以有效利用目标未标注图像提升初始训练模型的精度。
附图说明
为了更清楚地说明本的技术方案，下面将对本发明的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一示例性实施例提供的模型训练方法的流程示意图一；
图2是本发明一示例性实施例提供的模型训练方法的流程示意图二；
图3是本发明一示例性实施例提供的模型训练方法中初始训练模型的结构示意图；
图4是本发明一示例性实施例提供的模型训练方法的流程示意图三；
图5是本发明一示例性实施例提供的模型训练方法中步骤1081-步骤1083的流程示意图；
图6是本发明一示例性实施例提供的模型训练方法中第一动态置信阈值确定时对应的直方图；
图7是本发明一示例性实施例提供的模型训练方法不确定度值和第一置信度值的分布示意图；
图8是本发明一示例性实施例提供的模型训练方法的流程示意图四；
图9是本发明一示例性实施例提供的模型训练方法的整体示意图；
图10是本发明一示例性实施例提供的模型训练装置的结构示意图；
图11是本发明一示例性实施例提供的电子设备的结构图。
具体实施方式
下面将结合本中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例，都属于本实施例保护的范围。
示例性方法
图1是本发明一示例性实施例提供的模型训练方法的流程示意图，至少包括如下步骤：
步骤101，将未标注数据集中的未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像，其中所述初始训练模型由数量小于设定值的标注图像获取。
在一实施例中，先获取标注图像，其中标注图像为带有真实标注值的图像，利用数量小于设定值来表征获取到的标注图像的数量较少，因此设定值可以根据实际应用场景进行确定。在获取到标注图像后，利用该标注图像进行模型训练，确定出初始训练模型，因为该初始训练模型仅是由少量的标注图像获取，因此常常难以满足用户的实际需求。未标注图像即为获取到的没有标注的样本图像，因此往往会存在数量较多的未标注图像，在本实施例中，在获取到初始训练模型后，将未标注图像输入初始训练模型，获取到末层预测掩码图像和隐层预测掩码图像，其中隐层预测掩码图像和末层预测掩码图像是分别基于初始训练模型不同层级的隐藏层获取到的，即末层预测掩码图像和隐层预测掩码图像是基于相同未标注图像获取到的，则末层预测掩码图像和隐层预测掩码图像具有一致性。其中，本实施例提及的标注图像可以为半导体刻蚀标注图像，未标注图像为没有标记过的半导体图像；或者标注图像可以为医疗图像，未标注图像为没有标记过的医疗图像，医疗图像包括但不限于肿瘤图像，骨科图像等等。在确定出初始训练模型后，用该初始训练模型可以用于半导体领域，生成较为准确的半导体刻蚀掩码图像，该半导体刻蚀掩码图像可以用于关键数据测量。
在一种可能的实现方式中，可以U-Net网络(深监督U-Net，DS U-Net)为初始训练模型框架，因该初始训练模型主要进行图像分割，因此也可以称之为分割模型。具体的，上采样层利用最近邻插值法，下层和中间层等多个隐藏层融入深监督信号。在解码阶段，非末层隐藏层输出的特征图经一个单独的上采样层进行上采样，使其恢复原始图片分辨率，在经过最上层的softmax函数输出以获取到隐层预测掩码图像，末层隐藏层在恢复原始图片分辨率后经过softmax函数输出末层预测掩码图像。
步骤102，基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像分别对应的不确定度值。
在一实施例中，因末层预测掩码图像和隐层预测掩码图像具有同一性，进而根据末层预测掩码图像、隐层预测掩码图像和预设不确定度函数，确定出的未标注图像分别对应的不确定度值，可以用于评估未标注图像的样本质量。具体的，可以将预设不确定度函数的公式设置为如下所示的DICE系数的计算公式：
其中X表征隐层预测掩码图像、Y表征末层预测掩码图像，则输出的DICE值为未标注图像对应的不确定度值。DICE值越大，证明未标注图像的不确定度越小，未标注图像与标注图像越相似。需要说明的是，预设不确定度函数可以为其他相似度确定函数，本实施例对此不作具体限定。
步骤103，基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像。
步骤104，利用掩码生成器确定所述目标未标注图像对应的目标掩码图像。
步骤105，基于所述目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新所述初始训练模型。
在一实施例中，第一预设条件是预先设置的用于基于不确定度值对未标注图像进行筛选的条件，不同的第一预设条件筛选出的目标未标注图像不同。利用第一预设条件的目的在于在未标注图像中筛选出样本质量较高的目标未标注图像，进一步利用掩码生成器确定目标未标注图像对应的目标掩码图像；然后以目标掩码图像为真实值，以末层预测掩码图像为预测值确定损失函数值，基于确定的损失函数值，更新初始训练模型。即利用不确定度值对未标注图像进行评估，利用第一预设条件在未标注数据集中筛选出样本质量较好、有价值的目标未标注图像，利用筛选出的目标未标注图像可以增强或丰富初始训练模型，以提高初始训练模型的精度。
在一种可能的实现方式中，设置第一预设条件为不确定度值大于设定值，即利用第一预设条件筛选出的目标未标注图像与标注图像较为相似，即认为与标注图像较为相似的未标注图像为质量较高、有价值的目标未标注图像。在另一种可能的实现方式中，对未标注图像分别对应的不确定度值进行排序，确定不确定度值排序结果，设置第一预设条件为排序在前K位和排序在后L位，其中L可以与K相同，即筛选出与标注图像相似度较高和相似度较低的未标注图像为目标未标注图像，利用与标注图像相似度较高的目标未标注图像对应的目标掩码图像可以增强初始训练模型，提高初始训练模型在处理与标注图像较为相似的图像时的精度，利用与标注图像相似度较低的目标未标注图像对应的目标掩码图像可以丰富初始训练模型的特征，提高初始训练模型在处理与标注图像相似度较低的图像时的精度，因此此时与标注图像相似度较高的未标注图像和与标注图像相似度较低的未标注图像均为样本质量较高、有价值的目标未标注图像。在获取到与标注图像相似度较高的目标未标注图像和与标注图像相似度较低的目标未标注图时，可以利用相同的掩码生成器确定不同的目标未标注图像分别对应的目标掩码图像，也可以利用不同的掩码生成器分别确定出不同的目标未标注图像分别对应的目标掩码图像。
需要说明的是，掩码生成器可以为根据标注图像确定的掩码生成器，也可以为预先设置的全连接条件随机场模型作为掩码生成器，掩码生成器的作用是对未标注图像进行自动标注，因此在本实施例中对于掩码生成器不作具体限定，只要可以对未标注图像进行自动标注即可。
如图2所示，在上述图1所示实施例的基础上，本发明一个示例性实施例中，具体可以还包括如下步骤：
步骤106，在所述未标注数据集中删除所述目标未标注图像，更新所述未标注数据集。因为模型训练过程是不断循环迭代进行的，因此本实施例中更新所述未标注数据集意味着加入下一轮迭代。即步骤101具体为，针对每一轮迭代，将未标注数据集中的未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像，步骤106具体为，在所述未标注数据集中删除所述目标未标注图像，更新所述未标注数据集进行下一轮迭代。因此在每一轮迭代中，在未标注数据集中筛选出样本质量较高、有价值的目标未标注图像来更新初始训练模型，以达到逐步提升初始训练模型精度的目的。其中在初始训练模型满足预设精度或未标注数据集中不存在未标注数据时可以停止模型训练。
在本发明一示例性实施例中，所述隐层预测掩码图像包括中层预测掩码图像和下层预测掩码图像，则所述基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像对应的不确定度值，包括：
基于所述中层预测掩码图像、所述末层预测掩码图像和预设不确定度函数，确定所述未标注图像对应的中层不确定度值；
基于所述下层预测掩码图像、所述末层预测掩码图像和所述预设不确定度函数，确定所述未标注图像对应的下层不确定度值；
基于所述中层不确定值和所述下层不确定值，确定为所述未标注图像对应的不确定度值。
在上述实施例中，隐层预测掩码图像包括中层预测掩码图像和下层预测掩码图像，利用预设不确定度函数计算中层预测掩码图像和末层预测掩码图像对应的中层不确定度值M-DSC，以及利用预设不确定度函数确定下层预测掩码图像和末层预测掩码图像对应的下层不确定度值L-DSC，并将中层不确定值M-DSC和下层不确定值L-DSC的平均值，确定为未标注图像对应的不确定度值Ave-DSC。Ave-DSC越高，代表该样本的不确定度越小。因此在获取到Ave-DSC后，对Ave-DSC的值进行排序，根据排序结果选取出不同的目标未标注图像。具体的，在利用图3所示的U-Net网络作为初始训练模型框架时，在解码阶段，中层输出的特征图以及下层输出的特征图分别经一个单独的上采样层进行上采样，使其恢复原始图片分辨率，在经过最上层的softmax函数输出以获取到中层预测掩码图像和末层预测掩码图像，末层隐藏层在恢复原始图片分辨率后经过softmax函数输出末层预测掩码图像。
在一种可能的实现方式中，在获取U-Net为架构的初始训练模型时，设W为U-Net网络的权重，wl、wm、wf分别为下层、中间层和末层三个分类器的权重，则模型各层的交叉熵损失函数如下所示：
其中，P表征概率，x表征训练样本，p(yi＝t(xi)|xi；W,wc)为样本xi∈X所对应目标标签类别的概率，ti表征迭代次数，c∈{l,m,f}为分类器索引。模型总损失函数为:
L(x；W，wl，wm，wf)＝∑c∈{l,m,f}αcLc(x；W,wc) (3)
其中，αl、αm、αf为对应分类器的权重，为控制权重，基于经验将αl、αm、αf设置为0.1、0.3和0.6，最终模型输出不同层次的分类结果，即隐层预测掩码图像和末层预测掩码图像。
如图4所示，在上述图1所示实施例的基础上，本发明一个示例性实施例中，具体可以还包括如下步骤：
步骤107基于所述末层预测掩码图像和预设置信度函数，确定所述未标注图像分别对应的第一置信度值；
则，步骤103所述基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像具体表现为：
步骤108，基于所述未标注图像分别对应的不确定度值和所述第一置信度值，在所述未标注图像中选取出目标未标注图像。
在上述实施例中，利用不确定度值和第一置信度值对未标注图像进行评估，以在未标注图像集中选取出样本质量较高、价值好的目标未标注图像。具体的，通过平均像素级分类结果的置信度，计算模型所得预测掩码图像的置信度，预设置信度函数的公式如下所示：
其中，C(xi)表征未标注图像的置信度，Phw表征未标注图像xi的概率图，h和w分别表征像素点的横坐标和纵坐标，该公式显示了预测掩码与背景或前景类别的近似度。预先设置第二预设条件，利用第二预设条件对未标注图像进行选取，以在未标注图像中筛选出目标未标注图像，第二预设条件的设置内容不同，筛选出的目标未标注图像不同。
具体的，对不确定度值进行排序确定不确定度值的排序结果并对第一置信度值进行排序确定出第一置信度值的排序结果，设置第二预设条件为不确定度值的排序结果为前L且第一置信度值的排序为前N，则可能从未标注图像中筛选出P个目标未标注图像。或者将第二预设条件设置为不确定度值的排序结果为前L以及不确定度值的排序结果为后I，且第一置信度值的排序为前N，从而可以通过设置不同第二预设条件，在未标注图像中筛选出不同的目标未标注图像，利用不同的目标未标注图像实现对初始训练模型的更新。
如图5所示，在本发明一示例性实施例中，所述步骤108基于所述未标注图像分别对应的不确定度值、所述第一置信度值和第二预设条件，在所述未标注图像中选取出目标未标注图像，包括：
步骤1081，基于所述未标注图像分别对应的第一置信度值，确定第一动态置信阈值；
步骤1082，对所述未标注图像分别对应的不确定度值进行排序，确定第一排序结果；
步骤1083，基于所述第一动态置信阈值、所述第一排序结果和第二预设条件，在所述未标注图像中选取出目标未标注图像。
在上述实施例中，在不同的迭代轮次中，未标注图像分别对应的第一置信度值的区别较大，因此若利用固定的阈值进行选取会导致选取结果不准确，因此在本实施例中根据在当前迭代轮次中的未标注图像分别对应的第一置信度值，确定第一动态置信阈值。
在一种可能的实现方式中，所述基于所述未标注图像分别对应的第一置信度值，确定第一动态置信度阈值，包括：基于所述未标注图像分别对应的第一置信度值，确定预设堆栈个数的直方图(如图6所示)；将最大堆栈的下边界作为第一动态置信阈值。
在另一种可能的实现方式中，在当前迭代轮次对应的未标注图像分别对应的第一置信度值中确定最大置信度值和最小置信度值，根据预设区间划分数，对最大置信度值和最小置信度值间的置信度区间划为预设区间划分数子区间，确定最大置信度值所在的最大置信度区间的下边界值为第一动态置信阈值。
当目标未标注图像包括第一目标确定图像和第一目标不确定图像，在确定出第一动态置信阈值后，若所述第一排序结果为由小至大的顺序；则利用所述第二预设条件在所述第一排序结果中筛选出前预设个数的不确定度值对应的未标注图像为第一目标不确定图像，利用所述第二预设条件筛选出不确定度值排在所述第一排序结果中后预设位置处且第一置信度值大于第一动态置信阈值的未标注图像为第一目标确定图像。若第一排序结果为由大至小的顺序；则利用所述第二预设条件在所述第一排序结果中筛选出后预设个数的不确定度值对应的未标注图像为第一目标不确定图像，利用所述第二预设条件筛选出不确定度值排在所述第一排序结果中前预设位置处且第一置信度值大于第一动态置信阈值的未标注图像为第一目标确定图像。第一目标确定图像为与标注图像较为相似的未标注图像，因此利用第一目标确定图像可以对初始训练模型起到增强作用，第一目标不确定图像为与标注图像存在较大区别的未标注图像，因此利用第一目标不确定图像可以丰富初始训练模型对应的特征，使得初始训练模型在对于与标注图像存在较大差别的未标注图像上也会有较好的结果，从而提高初始训练模型的准确性。
在确定第一目标不确定图像和第一目标确定图像时，也可以根据不确定度值和第一置信度值确定出如图7所示的分布图，并根据图6所示的直方图确定出第一动态置信阈值如图7中水平虚线，并在不确定度值由小到排列时，在从前开始第K位处对应的不确定度值确定图7中的垂直虚线，确定出图7中阴影区域所示的第一目标不确定图像。
当目标未标注图像包括第一目标确定图像和第一目标不确定图像，还可以利用如下方式获取。将预设置信度函数定义为Fconf，具体公式如下所示：
Fconf:X→{xi|C(xi)>tconf,xi∈X} (5)
其中，
B为预设堆栈数，maxC(xi)为计算置信度值中的最大值，minC(xi)为计算置信度值中的最小值，其中C(xi)为置信度计算公式，具体公式内容如上文所示。利用该预设置信度函数Fconf确定未标注图像分别对应的第一置信度值时，会对未标注图像进行筛选，因此实际上仅是确定出了部分未标注图像对应的第一置信度值。则在基于未标注图像分别对应的不确定度值，所述第一置信度值和第二预设条件，在所述未标注图像中选取出目标未标注图像时，可以对未标注图像分别对应的不确定度值进行由小到大排序，确定不确定度值排序结果，将第二预设条件中的第一子条件确定为排序结果为前K，将根据第一子条件筛选出的前K个未标注图像确定为第一目标不确定图像，将第二预设条件中的第二子条件确定为位于排序结果尾部且存在第一置信度值的K个未标注图像，则根据第二子条件筛选出的后K个未标注图像确定为第一目标确定图像。
在确定出第一目标不确定图像和第一目标确定图像后，可选的，将第一目标不确定图像和第一目标确定图像输入掩码生成器，确定目标掩码图像；可选地，掩码生成器包括弱掩码生成器和强掩码生成器，则所述利用掩码生成器确定所述目标未标注图像对应的目标掩码图像包括：将所述第一目标不确定图像输入强掩码生成器，确定所述第一目标不确定图像对应的目标掩码图像；将所述第一目标确定图像输入弱掩码生成器，确定所述第一目标确定图像对应的目标掩码图像。具体的，强掩码生成器可以为根据标注图像进行训练获取到的，也可以为专家标注，弱掩码生成器可以采用denseCRF模型(全连接条件随机场模型)。
在一种可能的实现方式中，任一像素i都具有类别标签xi和对应的观测值yi，每个像素点作为节点，像素间的关系作为边，我们可以通过观测变量yi来推测像素i对应的类别标签xi，denseCRF模型I符合吉布斯分布：
其中，P表征概率分布，E(y|I)为标签y的吉布斯能量，其定义为：
E(y)＝∑iψu(yi)+∑i<jψp(yi,yj) (7)
其中，一元势函数ψu(yi)来自于前段DS U-Net网络，二元势函数由下式确定：
其中，kG (m)为高斯核km(fi,fj)，向量fi和fj分别为像素i和像素j的特征向量，w(m)为线性组合权重，μ为标签相容函数。可以通过上述高斯分布权重、二元势函数、迭代次数等超参选择一个denseCRF基线模型，其中超参的学习过程可以由TPE算法执行。为了获取到性能较高的掩码生成器，可以通过denseCRF模型采样出一个尖锐的正态分布，形成一组略有差异但性能良好的denseCRF模型，并围绕超参中心值随机波动超参范围。并采用元素级硬投票策略，集成这些denseCRF模型，得到一个性能较强的标注器。当然为了进一步提升标注器的性能，还可以利用贪心算法微调denseCRF模型。需要说明的是，以上仅是提供一种掩码生成器的可能性，还可以通过其他方法确定掩码生成器，只有该掩码生成器可以对未标注图像进行标注即可。
如图8所示，在本发明一个实施例中，目标未标注图像包括第二目标确定图像和第二目标不确定图像，所述步骤103基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像包括：
步骤1031，对所述未标注图像分别对应的不确定度值进行排序，确定第二排序结果；
步骤1032，基于所述第二排序结果和第三预设条件，在所述未标注图像中选取出目标候选图像和第二目标不确定图像；
步骤1033，基于所述目标候选图像对应的末层预测掩码图像和预设置信度函数，确定所述目标候选图像对应的第二置信度值；
步骤1034，基于所述目标候选图像对应的第二置信度值和第四预设条件，在所述目标候选图像中选取出第二目标确定图像。
在上述实施例中，在确定出未标注图像分别对应的不确定度值后，对其进行排序，确定第二排序结果，设置第三预设条件，将第二排序结果中筛选出目标候选图像和第二目标不确定图像，具体的第三预设条件为第二排序结果前Q个和第二排序结果后W个，若第二排序结果由小到大，则将不确定度值排在前Q个的未标注图像确定为第二目标不确定图像，将不确定度值排在后W个的未标注图像确定为目标候选图像。若第二排序结果由大到小，则将不确定度值排在前Q个的未标注图像确定为目标候选图像，将不确定度值排在后W个的未标注图像确定为第二目标不确定图像。进一步根据预设置信度函数(如式4所示)，确定目标候选图像分别对应的第二置信度值，每一个目标候选图像均会对应一个第二置信度值，此时再利用第四预设条件筛选出第二目标确定图像。在本实施例中对于目标候选图像利用第二置信度进行进一步评估，并预先设置第四预设条件，如大于设定值，以筛选出样本质量较高的第二目标确定图像。
在本发明一个示例性实施例中，基于所述目标候选图像对应的第二置信度值和第四预设条件，在所述目标候选图像中选取出第二目标确定图像，包括：
基于所述目标候选图像对应的第二置信度值，确定第二动态置信阈值；
利用第四预设条件筛选出第二置信度值大于第二动态置信阈值的目标候选图像为第二目标确定图像。
在上述实施例中，在不同的迭代轮次中，未标注图像分别对应的第二置信度值的区别较大，因此若利用固定的阈值进行选取会导致选取结果不准确，因此在本实施例中根据在当前迭代轮次中的未标注图像分别对应的第二置信度值，确定第二动态置信阈值。
在一种可能的实现方式中，所述基于所述未标注图像分别对应的第二置信度值，确定第二动态置信度阈值，包括：基于所述未标注图像分别对应的第二置信度值，确定预设堆栈个数的直方图；将最大堆栈的下边界作为第二动态置信阈值。在另一种可能的实现方式中，在当前迭代轮次对应的未标注图像分别对应的第二置信度值中确定最大置信度值和最小置信度值，根据预设区间划分数，对最大置信度值和最小置信度值间的置信度区间划为预设区间划分数子区间，确定最大置信度值所在的最大置信度区间的下边界值为第二动态置信阈值。则将第四预设条件设置为第二置信度大于第二动态置信阈值，从而可以筛选出不确定度值较大同时第二置信度值较大的第二目标确定图像。
可选的，将第二目标不确定图像和第二目标确定图像输入掩码生成器，确定目标掩码图像；
可选地，掩码生成器包括弱掩码生成器和强掩码生成器，则所述利用掩码生成器确定所述目标未标注图像对应的目标掩码图像包括：将所述第二目标不确定图像输入强掩码生成器，确定所述第二目标不确定图像对应的目标掩码图像；将所述第二目标确定图像输入弱掩码生成器，确定所述第二目标确定图像对应的目标掩码图像。
如图9所示，在本发明一示例性实施例中，将模型训练过程分为4个部分即分割模型、主动学习过程、强标注器和弱标注器标注及数据集更新。分割模型即为初始训练模型，其中L用于表征未标注数据集中的未标注图像，将未标注数据集中的数据输入分割模型后，得到末层预测掩码图像、中层预测掩码图像和下层预测掩码图像，利用末层预测掩码图像和中层预测掩码图像进行DSC计算，确定M-DSC，利用末层预测掩码图像和下层预测掩码图像进行DSC计算，确定L-DSC，M-DSC和L-DSC的平均值确定为未标注图像对应的不确定度值Ave-DSC。将Ave-DSC进行由小到大排序，将排序在前10位的不确定度值对应的未标注图像确定为目标不确定图像(不确定样本Qt strong)，并对未标注图像利用式(5)所示预设置信度函数Fconf进行置信度计算，确定存在置信度值且位于Ave-DSC排序结果底部的未标注图像为目标确定图像(确定样本Qt weak)。将不确定样本Qt strong利用强标注器对不确定样本进行标注，确定目标掩码图像，将确定样本Qt weak利用弱标注器进行标注，其中弱标注器可以为多个，并将结果进行集成以对确定样本进行标注，确定目标掩码图像，以目标掩码图像为真实值，以末层预测掩码图像为预测值确定损失函数值，对初始训练模型进行更新，并在未标注数据集中删除目标确定图像和目标不确定图像，以进行数据集更新，并进入下一轮迭代，直至未标注数据集中没有未标注图像或初始训练模型符合预设精度。
示例性装置
基于与本发明方法实施例相同的构思，本发明实施例还提供了一种模型训练装置。
图10示出了本发明一示例性实施例提供的模型训练装置的结构示意图，包括：
掩码图像确定模块101，用于将未标注数据集中的未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像，其中所述初始训练模型由数量小于设定值的标注图像获取；
不确定度确定模块102，用于基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像分别对应的不确定度值；
目标数据选取模块103，用于基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像；
目标图像生成模块104，用于利用掩码生成器确定所述目标未标注图像对应的目标掩码图像；
检测模型更新模块105，用于基于所述目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新所述初始训练模型。
在本发明一示例性实施例中，所述装置还包括：
数据集更新模块，用于在所述未标注数据集中删除所述目标未标注图像，更新所述未标注数据集。
在本发明一示例性实施例中，所述装置还包括：
置信度确定模块，用于基于所述末层预测掩码图像和预设置信度函数，确定所述未标注图像分别对应的第一置信度值；
则，所述目标数据选取模块用于基于所述未标注图像分别对应的不确定度值、所述第一置信度值和第二预设条件，在所述未标注图像中选取出目标未标注图像。
在本发明一示例性实施例中，所述目标数据选取模块，包括：
第一动态阈值确定单元，用于基于所述未标注图像分别对应的第一置信度值，确定第一动态置信阈值；
第一排序结果确定单元，用于对所述未标注图像分别对应的不确定度值进行排序，确定第一排序结果；
第一目标图像选取单元，用于基于所述第一动态置信阈值、所述第一排序结果和第二预设条件，在所述未标注图像中选取出目标未标注图像。
在本发明一示例性实施例中，目标未标注图像包括第一目标确定图像和第一目标不确定图像，则第一目标图像选取单元用于若所述第一排序结果为由小至大的顺序；则利用所述第二预设条件在所述第一排序结果中筛选出前预设个数的不确定度值对应的未标注图像为第一目标不确定图像，利用所述第二预设条件筛选出不确定度值排在所述第一排序结果中后预设位置处且第一置信度值大于第一动态置信阈值的未标注图像为第一目标确定图像；或，若第一排序结果为由大至小的顺序；则利用所述第二预设条件在所述第一排序结果中筛选出后预设个数的不确定度值对应的未标注图像为第一目标不确定图像，利用所述第二预设条件筛选出不确定度值排在所述第一排序结果中前预设位置处且第一置信度值大于第一动态置信阈值的未标注图像为第一目标确定图像。
在本发明一示例性实施例中，所述掩码生成器包括弱掩码生成器和强掩码生成器；则目标图像生成模块，包括：
第一图像生成单元，用于将所述第一目标不确定图像输入强掩码生成器，确定所述第一目标不确定图像对应的目标掩码图像；
第二图像生成单元，用于将所述第一目标确定图像输入弱掩码生成器，确定所述第一目标确定图像对应的目标掩码图像。
在本发明一示例性实施例中，目标未标注图像包括第二目标确定图像和第二目标不确定图像，所述目标数据选取模块包括：
第二排序结果确定单元，用于对所述未标注图像分别对应的不确定度值进行排序，确定第二排序结果；
第二目标图像选取单元，用于基于所述第二排序结果和第三预设条件，在所述未标注图像中选取出目标候选图像和第二目标不确定图像；
置信度确定单元，用于基于所述目标候选图像对应的末层预测掩码图像和预设置信度函数，确定所述目标候选图像对应的第二置信度值；
第三目标图像选取单元，用于基于所述目标候选图像对应的第二置信度值和第四预设条件，在所述目标候选图像中选取出第二目标确定图像。
在本发明一示例性实施例中，所述第三目标图像选取单元用于基于所述目标候选图像对应的第二置信度值，确定第二动态置信阈值；利用第四预设条件筛选出第二置信度值大于第二动态置信阈值的目标候选图像为第二目标确定图像。
在本发明一示例性实施例中，所述隐层预测掩码图像包括中层预测掩码图像和下层预测掩码图像，不确定度确定模块，包括：
中层值确定单元，用于基于所述中层预测掩码图像、所述末层预测掩码图像和预设不确定度函数，确定所述未标注图像对应的中层不确定度值；
下层值确定单元，用于基于所述下层预测掩码图像、所述末层预测掩码图像和所述预设不确定度函数，确定所述未标注图像对应的下层不确定度值；
不确定度确定单元，用于基于所述中层不确定值和所述下层不确定值，确定为所述未标注图像对应的不确定度值。
示例性电子设备
图11图示了根据本发明实施例的电子设备的框图。
如图11所示，电子设备100包括一个或多个处理器101和存储器102。
处理器101可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备100中的其他组件以执行期望的功能。
存储器102可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器101可以运行所述程序指令，以实现上文所述的本发明的各个实施例的模型训练方法以及/或者其他期望的功能。
在一个示例中，电子设备100还可以包括：输入装置103和输出装置104，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
当然，为了简化，图11中仅示出了该电子设备100中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备100还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的模型训练方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的模型训练方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述发明的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
提供所发明的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此发明的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此发明的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (12)
1.一种模型训练方法，其特征在于，包括：
将未标注数据集中的未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像，其中所述初始训练模型由数量小于设定值的标注图像获取；
基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像分别对应的不确定度值；
基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像；
利用掩码生成器确定所述目标未标注图像对应的目标掩码图像；
基于所述目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新所述初始训练模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述未标注数据集中删除所述目标未标注图像，更新所述未标注数据集。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述末层预测掩码图像和预设置信度函数，确定所述未标注图像分别对应的第一置信度值；
则，所述基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像，包括：
基于所述未标注图像分别对应的不确定度值、所述第一置信度值和第二预设条件，在所述未标注图像中选取出目标未标注图像。
4.根据权利要求3所述的方法，其特征在于，所述基于所述未标注图像分别对应的不确定度值、所述第一置信度值和第二预设条件，在所述未标注图像中选取出目标未标注图像，包括：
基于所述未标注图像分别对应的第一置信度值，确定第一动态置信阈值；
对所述未标注图像分别对应的不确定度值进行排序，确定第一排序结果；
基于所述第一动态置信阈值、所述第一排序结果和第二预设条件，在所述未标注图像中选取出目标未标注图像。
5.根据权利要求4所述的方法，其特征在于，目标未标注图像包括第一目标确定图像和第一目标不确定图像，则所述基于所述第一动态置信阈值、所述第一排序结果和第二预设条件，在所述未标注图像中选取出目标未标注图像，包括：
若所述第一排序结果为由小至大的顺序；则利用所述第二预设条件在所述第一排序结果中筛选出前预设个数的不确定度值对应的未标注图像为第一目标不确定图像，利用所述第二预设条件筛选出不确定度值排在所述第一排序结果中后预设位置处且第一置信度值大于第一动态置信阈值的未标注图像为第一目标确定图像；
或，若第一排序结果为由大至小的顺序；则利用所述第二预设条件在所述第一排序结果中筛选出后预设个数的不确定度值对应的未标注图像为第一目标不确定图像，利用所述第二预设条件筛选出不确定度值排在所述第一排序结果中前预设位置处且第一置信度值大于第一动态置信阈值的未标注图像为第一目标确定图像。
6.根据权利要求5所述的方法，其特征在于，所述掩码生成器包括弱掩码生成器和强掩码生成器；则所述利用掩码生成器确定所述目标未标注图像对应的目标掩码图像包括：
将所述第一目标不确定图像输入强掩码生成器，确定所述第一目标不确定图像对应的目标掩码图像；
将所述第一目标确定图像输入弱掩码生成器，确定所述第一目标确定图像对应的目标掩码图像。
7.根据权利要求1所述的方法，其特征在于，目标未标注图像包括第二目标确定图像和第二目标不确定图像，所述基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像包括：
对所述未标注图像分别对应的不确定度值进行排序，确定第二排序结果；
基于所述第二排序结果和第三预设条件，在所述未标注图像中选取出目标候选图像和第二目标不确定图像；
基于所述目标候选图像对应的末层预测掩码图像和预设置信度函数，确定所述目标候选图像对应的第二置信度值；
基于所述目标候选图像对应的第二置信度值和第四预设条件，在所述目标候选图像中选取出第二目标确定图像。
8.根据权利要求7所述的方法，其特征在于，基于所述目标候选图像对应的第二置信度值和第四预设条件，在所述目标候选图像中选取出第二目标确定图像，包括：
基于所述目标候选图像对应的第二置信度值，确定第二动态置信阈值；
利用第四预设条件筛选出第二置信度值大于第二动态置信阈值的目标候选图像为第二目标确定图像。
9.根据权利要求1-8任意一项所述的方法，其特征在于，所述隐层预测掩码图像包括中层预测掩码图像和下层预测掩码图像，则所述基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像对应的不确定度值，包括：
基于所述中层预测掩码图像、所述末层预测掩码图像和预设不确定度函数，确定所述未标注图像对应的中层不确定度值；
基于所述下层预测掩码图像、所述末层预测掩码图像和所述预设不确定度函数，确定所述未标注图像对应的下层不确定度值；
基于所述中层不确定值和所述下层不确定值，确定为所述未标注图像对应的不确定度值。
10.一种目标检测装置，其特征在于，包括：
掩码图像确定模块，用于将未标注数据集中的未标注图像输入初始训练模型，获取末层预测掩码图像和隐层预测掩码图像，其中所述初始训练模型由数量小于设定值的标注图像获取；
不确定度确定模块，用于基于所述末层预测掩码图像、所述隐层预测掩码图像和预设不确定度函数，确定所述未标注图像分别对应的不确定度值；
目标数据选取模块，用于基于所述未标注图像分别对应的不确定度值和第一预设条件，在所述未标注图像中选取出目标未标注图像；
目标图像生成模块，用于利用掩码生成器确定所述目标未标注图像对应的目标掩码图像；
检测模型更新模块，用于基于所述目标未标注图像分别对应的目标掩码图像和末层预测掩码图像，更新所述初始训练模型。
11.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-9任一项所述的模型训练方法。
12.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-9任一项所述的模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110667856.4A CN115482427A (zh) | 2021-06-16 | 2021-06-16 | 一种模型训练方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110667856.4A CN115482427A (zh) | 2021-06-16 | 2021-06-16 | 一种模型训练方法、装置、可读存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115482427A true CN115482427A (zh) | 2022-12-16 |
Family
ID=84419043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110667856.4A Pending CN115482427A (zh) | 2021-06-16 | 2021-06-16 | 一种模型训练方法、装置、可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115482427A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116030156A (zh) * | 2023-02-24 | 2023-04-28 | 中国科学院自动化研究所 | 图像重建模型的迭代方法和图像重建方法 |
-
2021
- 2021-06-16 CN CN202110667856.4A patent/CN115482427A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116030156A (zh) * | 2023-02-24 | 2023-04-28 | 中国科学院自动化研究所 | 图像重建模型的迭代方法和图像重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180260531A1 (en) | Training random decision trees for sensor data processing | |
| CN111476256A (zh) | 基于半监督学习的模型训练方法、装置及电子设备 | |
| CN109271958B (zh) | 人脸年龄识别方法及装置 | |
| CN111027493A (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
| CN111061889B (zh) | 图片多标签的自动识别方法和装置 | |
| US11030750B2 (en) | Multi-level convolutional LSTM model for the segmentation of MR images | |
| CN107330027B (zh) | 一种弱监督的深度台标检测方法 | |
| CN110909825A (zh) | 使用概率模型在视觉数据中检测对象 | |
| CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
| JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
| CN110909784B (zh) | 一种图像识别模型的训练方法、装置及电子设备 | |
| CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
| CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
| EP4394724A1 (en) | Image encoder training method and apparatus, device, and medium | |
| CN114998595B (zh) | 弱监督语义分割方法、语义分割方法及可读存储介质 | |
| CN116089648B (zh) | 基于人工智能的档案管理系统及方法 | |
| US20120052473A1 (en) | Learning apparatus, learning method, and computer program product | |
| CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
| JP2019086979A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN115482427A (zh) | 一种模型训练方法、装置、可读存储介质及电子设备 | |
| CN111783812A (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
| CN111488400B (zh) | 数据分类方法、装置和计算机可读存储介质 | |
| Dong et al. | A supervised dictionary learning and discriminative weighting model for action recognition | |
| CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
| CN117011751A (zh) | 使用变换器网络分割视频图像序列 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240403 Address after: No. 101, Building 7, Jinyuan Community, No. 38 Hetai Road, Yuetang Street, Hetang District, Zhuzhou City, Hunan Province, 2011 Applicant after: Zhuzhou Yawen Technology Co.,Ltd. Country or region after: China Address before: 201821 Room 1119, Building A, No. 1355, Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai Applicant before: Shanghai Lianlu Semiconductor Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240412 Address after: 201508 1st floor, No. 1000, Tingwei Road, Jinshan District, Shanghai (Bay area science and Innovation Center) Applicant after: Shanghai Ruisiheguang Semiconductor Technology Co.,Ltd. Country or region after: China Address before: No. 101, Building 7, Jinyuan Community, No. 38 Hetai Road, Yuetang Street, Hetang District, Zhuzhou City, Hunan Province, 2011 Applicant before: Zhuzhou Yawen Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right |