CN115482436A - 图像筛选模型的训练方法、装置以及图像筛选方法 - Google Patents
图像筛选模型的训练方法、装置以及图像筛选方法 Download PDFInfo
- Publication number
- CN115482436A CN115482436A CN202211151977.4A CN202211151977A CN115482436A CN 115482436 A CN115482436 A CN 115482436A CN 202211151977 A CN202211151977 A CN 202211151977A CN 115482436 A CN115482436 A CN 115482436A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- sample
- images
- sample image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本公开提供了图像筛选模型的训练方法、装置以及图像筛选方法,人工智能技术领域,尤其涉及图像识别、视频分析技术领域。具体实现方案为:基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,并获取未标注样本图像集i中未标注图像对应的模型置信度;根据模型置信度从未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1;基于标注图像集i+1和未标注样本图像集i+1对图像筛选模型进行第i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。本公开充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,可以提升模型性能,提高图像识别的效率和准确率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及图像识别、视频分析技术领域,可应用在智慧城市、城市治理、应急场景下。
背景技术
相关技术中,图像数据的选择与利用成为了影响图像识别能力的重大影响要素,例如具有相同物体或场景的图像对于图像识别判断造成了较大混淆,表现为图像识别输出的不确定性很高等。因此,如何针对这些难例数据进行挖掘和优化,提高图像识别的效率和准确率,已经成为重要的研究方向之一。
发明内容
本公开提供了一种图像筛选模型的训练方法、装置以及图像筛选方法。
根据本公开的一方面,提供了一种图像筛选模型的训练方法。包括:
基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第 i轮融合半监督的主动学习,并获取未标注样本图像集i中未标注图像对应的模型置信度,其中i为大于1的整数;
根据模型置信度从未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1;
基于标注图像集i+1和未标注样本图像集i+1对图像筛选模型进行第 i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
本公开通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,供模型优化,能够帮助筛选图像,提升模型性能,提高图像识别的效率和准确率。
根据本公开的另一方面,提供了一种图像筛选方法,包括:
获取M个待筛选的候选图像,M为正整数,且M≥1;
将M个候选图像输入到目标图像筛选模型中,获取M个候选图像对应的模型置信度;
根据模型置信度,从M个多个候选图像筛选出N个目标图像,N为正整数,且1≤N≤M;
其中,目标图像筛选模型为采用如上述的图像筛选模型的训练方法训练的模型。
本公开通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,供模型优化,能够帮助筛选图像,提升模型性能,提高图像识别的效率和准确率。
根据本公开的另一方面,提供了一种图像筛选模型的训练装置,包括:
第一训练模块,用于基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,并获取未标注样本图像集i中未标注图像对应的模型置信度,其中i为大于1的整数;
筛选模块,用于根据模型置信度从未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1;
第二训练模块,用于基于标注图像集i+1和未标注样本图像集i+1对图像筛选模型进行第i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
根据本公开的另一方面,提供了一种图像筛选装置,包括:
第一获取模块,用于获取M个待筛选的候选图像,M为正整数,且 M≥1;
第二获取模块,用于将M个候选图像输入到目标图像筛选模型中,获取M个候选图像对应的模型置信度;
筛选模块,用于根据模型置信度,从M个多个候选图像筛选出N个目标图像,N为正整数,且1≤N≤M;
其中,目标图像筛选模型为采用如上述的图像筛选模型的训练装置训练的模型。
根据本公开的一方面,提出了一种电子设备,包括至少一个处理器,以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开的图像筛选模型的训练方法。
根据本公开的一方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开的图像筛选模型的训练方法。
根据本公开的一方面,提出了一种电子设备,包括至少一个处理器,以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开的图像筛选方法。
根据本公开的一方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开的图像筛选模型的训练方法。
根据本公开的一方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开的图像筛选方法。
根据本公开的一方面,提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开的图像筛选模型的训练方法。
根据本公开的一方面,提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开的图像筛选方法。
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的图像筛选模型的训练方法的流程图;
图2是根据本公开一个实施例的图像筛选模型的训练方法的流程图;
图3是根据本公开一个实施例的图像筛选模型的训练方法的示意图;
图4是根据本公开一个实施例的图像筛选模型的训练方法的流程图;
图5是根据本公开一个实施例的图像筛选方法的流程图;
图6是根据本公开一个实施例的图像筛选模型的训练方法的示意图;
图7是根据本公开一个实施例的图像筛选模型的训练方法的示意图;
图8是根据本公开一个实施例的图像筛选模型的训练装置的结构图;
图9是根据本公开一个实施例的图像筛选装置的结构图;
图10是用来实现本公开实施例的电子设备的框图。
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。
为了更好的理解本公开,下面对本公开涉及的领域进行介绍。
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。图像识别技术的产生以及更新成为当下十分重要的发展方向,同时表现出了良好的发展前景,在信息收集、医疗以及产品安全等方面,都已经开始广泛运用图像识别技术,发挥了非常大的作用。
视频分析(Intelligent Video System,IVS),就是使用计算机图像视觉分析技术,通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。
人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
图1是本公开一个实施例的图像筛选模型的训练方法的流程图,如图 1所示,该方法包括以下步骤:
S101,基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,并获取未标注样本图像集i中未标注图像对应的模型置信度,其中i为大于1的整数。
可选地,本公开实施例中,获取图像库,图库中包含多个样本图像,在一些实现中,针对第j轮融合半监督的主动学习,从图像库中随机抽取预设比例的样本图像作为未标注样本图像集j,其中,j为大于1的整数。在一些实现中,针对第j轮融合半监督的主动学习,从图像库中随机抽取预设数量的样本图像作为未标注样本图像集j。
可选地,本公开实施例中,图像筛选模型可以是任意具有特征提取与特征分类、检测的模型,从而在样本图像中检测到物体类别,并识别出物体在图像中所在的位置,获取分类定位结果,并根据分类定位结果进行损失函数运算,以对图像筛选模型进行第i轮融合半监督的主动学习,获取第i轮训练后的图像筛选模型。
在一些实现中,图像筛选模型可以是目标检测网络(Faster RCNN),目标检测模型(YOLO模型)等,可选地,本公开实施例中的图像筛选模型可以为联合学习(GalaxyFederated Learning,GFL)框架。
本公开实施例中,在图像筛选模型加入对图像数据的评估模块,评估模块对分类定位结果进行评估,获取置信度,以帮助筛选出最有效的多个目标未标注样本图像。
S102,根据模型置信度从未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1。
在一些实现中,从未标注样本图像集i中,筛选模型置信度大于预设阈值的未标注样本图像,并确定为目标未标注样本图像。
在一些实现中,对未标注样本图像集i中的未标注样本图像,按照模型置信度从大到小进行排序;选取模型置信度最大的预设数量的未标注样本图像,并确定为目标未标注样本图像。
可选地,将筛选出的多个目标未标注样本图像发送给标注设备进行标注,以得到标注样本图像集i+1。可选地,标注设备为可以对样本图像进行标注的终端设备,如计算机。
可选地,本公开实施例中,步骤S101中的标注样本图像集i为,根据模型置信度从未标注样本图像集i-1中筛选多个目标未标注样本图像进行标注,得到的标注样本图像集i。
S103,基于标注图像集i+1和未标注样本图像集i+1对图像筛选模型进行第i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
可选地,本公开实施例中,图像筛选模型基于标注图像集i+1和未标注样本图像集i+1对图像筛选模型进行第i+1轮融合半监督的主动学习,也就是说,在标注图像集i+1和未标注样本图像集i+1的样本图像中检测物体类别,并识别出物体在图像中所在的位置,获取分类定位结果,并根据分类定位结果进行新一轮的损失函数运算,以对图像筛选模型进行第 i+1轮融合半监督的主动学习,获取第i+1轮训练后的图像筛选模型。
本公开基于标注图像和未标注样本图像对图像筛选模型进行融合半监督的主动学习,并获取迭代训练后的目标图像筛选模型。本公开通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,供模型优化,能够帮助筛选图像,提升模型性能,提高图像识别的效率和准确率。
图2是本公开一个实施例的图像筛选模型的训练方法的流程图,如图 2所示,该方法包括以下步骤:
S201,针对图像筛选模型的首轮训练,从原始样本图像中获取部分样本图像进行标注,以获取首轮对应的初始标注样本图像集。
可选地,本公开实施例中,获取图像库,图像库中包含多个样本图像,在一些实现中,针对图像筛选模型的首轮训练,从图像库中随机抽取预设比例的样本图像作为原始样本图像,并将原始样本图像发给标注设备进行标注,以获取首轮对应的初始标注样本图像集。在一些实现中,针对图像筛选模型的首轮训练,从图像库中随机抽取预设数量的样本图像作为原始样本图像,并将原始样本图像发给标注设备进行标注,以获取首轮对应的初始标注样本图像集。
S202,基于初始标注样本图像集对图像筛选模型进行有监督训练。
可选地,本公开实施例中,图像筛选模型基于初始标注样本图像集中的原始样本图像获取分类定位结果,进而对分类定位结果进行有监督训练,获取首轮训练后的图像筛选模型。
S203,基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,并获取未标注样本图像集i中未标注图像对应的模型置信度,其中i为大于1的整数。
关于步骤S203的内容可以参见上述实施例的相关介绍,此处不再赘述。
在一些实现中,针对第j轮融合半监督的主动学习,获取至少一个图像采集装置在第j个采样周期内采集的图像,j为大于1的整数。根据第j 个采样周期内采集的图像,获取未标注样本图像集j。
以城市治理的场景为例进行说明,可选地,图像采集装置可城市摄像头,城市摄像头不断采集当前场景下的视频数据,该视频数据包括多帧样本图像,若采样周期为1天,将城市摄像头第1天采集的多帧样本图像作为未标注样本图像集1,将城市摄像头第2天采集的多帧样本图像作为未标注样本图像集2,以此类推。
需要说明的是,图像筛选模型包括特征提取网络和至少两个检测头。在一些实现中,获取未标注样本图像的至少两个检测头各自输出的分类定位结果。获取未标注样本图像对应的至少两个分类定位结果之间的欧氏距离。根据欧式距离,获取未标注样本图像的模型置信度。
图3是本公开一个实施例的图像筛选模型的训练方法的示意图,如图 3所示,以图像筛选模型包括特征提取网络和两个检测头为例进行说明。在一些实现中,在第j轮训练中获取未标注样本图像的两个检测头320各自输出的分类定位结果。获取未标注样本图像对应的至少两个分类定位结果之间的欧氏距离。根据欧式距离,获取未标注样本图像的模型置信度,进而根据置信度确认目标未标注样本图像。
S204,根据模型置信度从未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1。
S205,基于标注图像集i+1和未标注样本图像集i+1对图像筛选模型进行第i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
关于步骤S204~步骤S205的内容可以参见上述实施例的相关介绍,此处不再赘述。
需要说明的是,每进行一轮融合半监督的主动学习,判断图像筛选模型的是否满足模型训练结束条件,并在满足模型训练结束条件时,确定图像筛选模型完成训练,得到目标图像筛选模型。
在一些实现中,响应于当前迭代次数达到预设的次数阈值,确定满足模型训练结束条件,图像筛选模型完成训练,得到目标图像筛选模型。
在一些实现中,响应于当前损失函数小于预设的损失阈值,确定满足模型训练结束条件,图像筛选模型完成训练,得到目标图像筛选模型。
在一些实现中,响应于当前获取的标注样本图像集中的样本图像的数量达到预设的计数阈值,也就是说,筛选出足够的样本图像,确定满足模型训练结束条件,图像筛选模型完成训练,得到目标图像筛选模型。
本公开通过基于初始标注样本图像集对图像筛选模型进行有监督训练,基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i 轮融合半监督的主动学习,并获取未标注样本图像集i中未标注图像对应的模型置信度。本公开利用半监督学习融合至了整个主动学习的传递 pipeline之中,提升了整体数据难例的刻画能力,在标注预算受限的情况下优先针对难例进行挖掘,从而提升模型性能,提高图像识别的效率和准确率。
图4是本公开一个实施例的图像筛选模型的训练方法的流程图,如图 4所示,该方法包括以下步骤:
S401,基于未标注样本图像集i中未标注样本图像和标注样本图像集 i中的标注样本图像,确定图像筛选模型的批量训练样本。
关于未标注样本图像集i中未标注样本图像和标注样本图像集i中的标注样本图像的获取,可以参见上述实施例中的相关介绍,本公开实施例中,将未标注样本图像集i中未标注样本图像和标注样本图像集i中的标注样本图像,作为图像筛选模型的批量训练样本。
S402,将批量训练样本输入图像筛选模型进行特征提取。
需要说明的是,图像筛选模型包括特征提取网络和至少两个检测头。
本公开实施例中,由特征提取网络对输入的样本图像进行特征提取,获取样本图像对应的特征表示。
S403,对提取的特征表示进行分类定位识别,获取未标注样本图像和标注样本图像的分类定位结果。
本公开实施例中,将特征表示分别输入至少两个检测头中,进行分类定位识别,得到至少两个检测头各自输出的分类定位结果。
S404,根据分类定位结果获取图像筛选模型的损失函数。
根据至少两个检测头各自输出的分类定位结果,确定图像筛选模型的损失函数。需要说明的是,利用未标注数据对训练进行监督,认为不同的推理本身具有一定的误差,所以对推理confidence进行了归类,设置相应的超参数对重要位置Foreground,可忽略区域Ignorable Region,背景 Background进行标记。可选地,可以采用以下公式确定图像筛选模型的损失函数:
其中,Npos表示正样本的数量,正样本表示存在图像筛选模型需要识别的物体类别、位置,C表示类别数量,Lcls表示检测分类类别的分类损失, Lreg表示检测中的分类框的回归损失,θ{...}表示标志函数即是或否(例如θ{x≥0},如果x≥0,则取值1),Ui,h,w表示未标注的实例、图像,表示实例的分类。
S405,根据损失函数对图像筛选模型进行反向调整。
损失函数对图像筛选模型进行反向调整,每一轮训练都将调整整个模型的权重。
本公开将批量训练样本输入图像筛选模型进行特征提取,对提取的特征表示进行分类定位识别,获取未标注样本图像和标注样本图像的分类定位结果,根据分类定位结果获取图像筛选模型的损失函数,根据损失函数对图像筛选模型进行反向调整。本公开通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,通过使用更少的训练标签的同时实现更高的精度,供模型优化,提升模型性能,提高图像识别的效率和准确率。
图5是本公开一个实施例的图像筛选方法的流程图,如图4所示,该方法包括以下步骤:
S501,获取M个待筛选的候选图像,M为正整数,且M≥1。
以城市治理的场景为例进行说明,待筛选的候选图像可以是城市中图像采集装置采集的不同场景下的图像。
S502,将M个候选图像输入到目标图像筛选模型中,获取M个候选图像对应的模型置信度。
本公开实施例中,目标图像筛选模型为根据上述的图像筛选模型的训练方法得到,将M个候选图像输入到目标图像筛选模型中,由目标图像筛选模型对M个候选图像进行识别,获取M个候选图像对应的模型置信度。
S503,根据模型置信度,从M个多个候选图像筛选出N个目标图像, N为正整数,且1≤N≤M。
在一些实现中,对M个候选图像,按照模型置信度从大到小进行排序;选取模型置信度最大的N个候选图像,并确定为筛选出的目标图像。
可选地,获取筛选出的目标图像后,可以将目标图像应用在智慧城市、城市治理、应急场景下。
本公开将M个候选图像输入到目标图像筛选模型中,获取M个候选图像对应的模型置信度,根据模型置信度,从M个多个候选图像筛选出N 个目标图像。本公开通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,供模型优化,能够帮助筛选图像,提升模型性能,提高图像识别的效率和准确率。
图6是本公开一个实施例的图像筛选模型的训练方法的示意图,如图 6所示,本公开实施例中,图像采集装置进行图像采集,获取图像库,图像库中包含多个样本图像,若当前第j轮训练中,获取的标注样本图像集中的样本图像的数量达到预设的计数阈值,也就是说,筛选出足够的样本图像,则直接进行模型训练,若当前获取的标注样本图像集中的样本图像的数量未达到预设的计数阈值,则基于图像库获取未标注样本图像集j,基于融合半监督的主动学习方式获取未标注样本图像集j中的多个目标未标注样本图像进行标注,得到标注样本图像集i+1,基于标注图像集i+1 和未标注样本图像集i+1对图像筛选模型进行第i+1轮融合半监督的主动学习,每进行一轮融合半监督的主动学习,判断图像筛选模型的是否满足模型训练结束条件,并在满足模型训练结束条件时,确定图像筛选模型完成训练,得到目标图像筛选模型。
图7是本公开一个实施例的图像筛选模型的训练方法的示意图,如图 7所示,本公开实施例中,基于图像库获取原始样本图像,针对图像筛选模型的首轮训练,从原始样本图像中获取部分样本图像进行标注,以获取首轮对应的初始标注样本图像集,基于初始标注样本图像集对图像筛选模型进行有监督训练,进而基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,从未标注样本图像集i 中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1,并对图像筛选模型进行下一轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
利用模型的输出信息来表征算法预测的不确定性,并通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘并进行专业标注,供模型优化。主动学习能够帮助筛选案例,提升模型性能,主动学习是一种机器学习数据智能架构,学习算法可以交互式地查询用真实标签标记新的数据点。其基本思想是,如果允许机器学习算法选择它想要学习的数据,通过使用更少的训练标签的同时实现更高的精度。
主动学习能帮助实现城市摄像头难例挖掘的原因在于,不同城市具有不同的需求定义(例如X城市与其他城市对于违规定义不同),不同的数据需求会造成视觉特征相近的物体的标注不同,对于模型的训练来说,会造成模型监督信号的不一致,从而影响预测的不确定性。与之相对的则是各城市标准一致的场景,则模型的标注和监督信号也是统一的,经过充分训练的模型便能学到相关视觉特征,输出较低的不确定性。因此,通过对于模型不确定性的度量能够准确的挖掘城市摄像头下难例。
半监督学习能帮助提升数据智能筛选能力:与只使用标记数据的监督算法或在数据智能上的主动学习相比,半监督学习可以期望通过考虑未标记的点,从而有一个更准确的预测,于此同时半监督学习充分利用了模型举一反三的能力,有利于数据的案例选取。
图8是本公开一个实施例的图像筛选模型的训练装置的结构图,如图 8所示,图像筛选模型的训练装置800包括:
第一训练模块810,用于基于未标注样本图像集i和标注样本图像集i 对图像筛选模型进行第i轮融合半监督的主动学习,并获取未标注样本图像集i中未标注图像对应的模型置信度,其中i为大于1的整数;
筛选模块820,用于根据模型置信度从未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1;
第二训练模块830,用于基于标注图像集i+1和未标注样本图像集i+1 对图像筛选模型进行第i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
在一些实现中,第一训练模块810,还用于:
针对图像筛选模型的首轮训练,从原始样本图像中获取部分样本图像进行标注,以获取首轮对应的初始标注样本图像集;
基于初始标注样本图像集对图像筛选模型进行有监督训练。
在一些实现中,第一训练模块810,还用于:
基于未标注样本图像集i中未标注样本图像和标注样本图像集i中的标注样本图像,确定图像筛选模型的批量训练样本;
将批量训练样本输入图像筛选模型进行特征提取;
对提取的特征表示进行分类定位识别,获取未标注样本图像和标注样本图像的分类定位结果;
根据分类定位结果获取图像筛选模型的损失函数;
根据损失函数对图像筛选模型进行反向调整。
在一些实现中,图像筛选模型包括特征提取网络和至少两个检测头,第一训练模块810,还用于:
由特征提取网络对输入的样本图像进行特征提取,获取样本图像对应的特征表示;
将特征表示分别输入至少两个检测头中,得到至少两个检测头各自输出的分类定位结果;
根据至少两个检测头各自输出的分类定位结果,确定图像筛选模型的损失函数。
在一些实现中,第一训练模块810,还用于:
获取未标注样本图像的至少两个检测头各自输出的分类定位结果;
获取未标注样本图像对应的至少两个分类定位结果之间的欧氏距离;
根据欧式距离,获取未标注样本图像的模型置信度。
在一些实现中,筛选模块820,还用于:
从未标注样本图像集i中,筛选模型置信度大于预设阈值的未标注样本图像,并确定为目标未标注样本图像;或者,
对未标注样本图像集i中的未标注样本图像,按照模型置信度从大到小进行排序;
选取模型置信度最大的预设数量的未标注样本图像,并确定为目标未标注样本图像。
在一些实现中,其中,图像筛选模型的训练装置800还包括确定模块 840,用于:
每进行一轮融合半监督的主动学习,判断图像筛选模型的是否满足模型训练结束条件,并在满足模型训练结束条件时,确定图像筛选模型完成训练,得到目标图像筛选模型。
在一些实现中,图像筛选模型的训练装置800还包括图像获取模块 850,用于:
针对第j轮融合半监督的主动学习,获取至少一个图像采集装置在第 j个采样周期内采集的图像,j为大于1的整数;
根据第j个采样周期内采集的图像,获取未标注样本图像集j。
在一些实现中,图像筛选模型的训练装置800还包括图像获取模块 850,用于:
获取图像库,图库中包含多个样本图像;
针对第j轮融合半监督的主动学习,从图像库中随机抽取预设比例的样本图像作为未标注样本图像集j。
本公开通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,供模型优化,能够帮助筛选图像,提升模型性能,提高图像识别的效率和准确率。
图9是本公开一个实施例的图像筛选装置的结构图,如图9所示,图像筛选装置900包括:
第一获取模块910,用于获取M个待筛选的候选图像,M为正整数,且M≥1;
第二获取模块920,用于将M个候选图像输入到目标图像筛选模型中,获取M个候选图像对应的模型置信度;
筛选模块930,用于根据模型置信度,从M个多个候选图像筛选出N 个目标图像,N为正整数,且1≤N≤M;
其中,目标图像筛选模型为采用如上述装置训练的模型。
本公开通过半监督学习充分利用未标注数据,从而在标注预算受限的情况下优先针对难例进行挖掘,供模型优化,能够帮助筛选图像,提升模型性能,提高图像识别的效率和准确率。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O) 接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如图像筛选模型的训练方法或图像筛选方法。例如,在一些实施例中,图像筛选模型的训练方法或图像筛选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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元 1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM1003 并由计算单元1001执行时,可以执行上文描述的图像筛选模型的训练方法或图像筛选方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001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筛选模型的训练方法或图像筛选方法。
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。服务器可以是云服务器,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。
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 (26)
1.一种图像筛选模型的训练方法,其中,包括:
基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,并获取所述未标注样本图像集i中未标注图像对应的模型置信度,其中所述i为大于1的整数;
根据所述模型置信度从所述未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1;
基于所述标注图像集i+1和未标注样本图像集i+1对所述图像筛选模型进行第i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
2.根据权利要求1所述的方法,其中,所述基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习之前,还包括:
针对所述图像筛选模型的首轮训练,从原始样本图像中获取部分样本图像进行标注,以获取所述首轮对应的初始标注样本图像集;
基于所述初始标注样本图像集对所述图像筛选模型进行有监督训练。
3.根据权利要求1所述的方法,其中,所述基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,包括:
基于所述未标注样本图像集i中未标注样本图像和所述标注样本图像集i中的标注样本图像,确定所述图像筛选模型的批量训练样本;
将所述批量训练样本输入所述图像筛选模型进行特征提取;
对提取的特征表示进行分类定位识别,获取所述未标注样本图像和所述标注样本图像的分类定位结果;
根据所述分类定位结果获取所述图像筛选模型的损失函数;
根据所述损失函数对所述图像筛选模型进行反向调整。
4.根据权利要求3所述的方法,其中,所述图像筛选模型包括特征提取网络和至少两个检测头,所述方法还包括:
由所述特征提取网络对输入的样本图像进行特征提取,获取所述样本图像对应的特征表示;
将所述特征表示分别输入所述至少两个检测头中,得到所述至少两个检测头各自输出的分类定位结果;
根据所述至少两个检测头各自输出的分类定位结果,确定所述图像筛选模型的损失函数。
5.根据权利要求4所述的方法,其中,所述获取所述未标注样本图像集i中未标注样本图像对应的模型置信度,包括:
获取所述未标注样本图像的所述至少两个检测头各自输出的分类定位结果;
获取所述未标注样本图像对应的至少两个所述分类定位结果之间的欧氏距离;
根据所述欧式距离,获取所述未标注样本图像的模型置信度。
6.根据权利要求1所述的方法,其中,所述根据所述模型置信度从所述未标注样本图像集i中筛选多个目标未标注样本图像,包括:
从所述未标注样本图像集i中,筛选所述模型置信度大于预设阈值的未标注样本图像,并确定为所述目标未标注样本图像;或者,
对所述未标注样本图像集i中的未标注样本图像,按照所述模型置信度从大到小进行排序;
选取所述模型置信度最大的预设数量的未标注样本图像,并确定为目标未标注样本图像。
7.根据权利要求1-3或6中任一项所述的方法,其中,所述方法还包括:
每进行一轮融合半监督的主动学习,判断所述图像筛选模型的是否满足模型训练结束条件,并在满足所述模型训练结束条件时,确定所述图像筛选模型完成训练,得到所述目标图像筛选模型。
8.根据权利要求7所述的方法,其中,还包括:
针对第j轮融合半监督的主动学习,获取至少一个图像采集装置在第j个采样周期内采集的图像,所述j为大于1的整数;
根据所述第j个采样周期内采集的图像,获取所述未标注样本图像集j。
9.根据权利要求7所述的方法,其中,还包括:
获取图像库,所述图库中包含多个样本图像;
针对第j轮融合半监督的主动学习,从所述图像库中随机抽取预设比例的样本图像作为所述未标注样本图像集j。
10.一种图像筛选方法,其中,包括:
获取M个待筛选的候选图像,所述M为正整数,且M≥1;
将M个所述候选图像输入到目标图像筛选模型中,获取M个所述候选图像对应的模型置信度;
根据所述模型置信度,从M个所述多个候选图像筛选出N个目标图像,所述N为正整数,且1≤N≤M;
其中,所述目标图像筛选模型为采用如权要要求1-9中任一项所述的方法训练的模型。
11.一种图像筛选模型的训练装置,其中,包括:
第一训练模块,用于基于未标注样本图像集i和标注样本图像集i对图像筛选模型进行第i轮融合半监督的主动学习,并获取所述未标注样本图像集i中未标注图像对应的模型置信度,其中所述i为大于1的整数;
筛选模块,用于根据所述模型置信度从所述未标注样本图像集i中筛选多个目标未标注样本图像进行标注,得到标注样本图像集i+1;
第二训练模块,用于基于所述标注图像集i+1和未标注样本图像集i+1对所述图像筛选模型进行第i+1轮融合半监督的主动学习,直至得到训练好的目标图像筛选模型。
12.根据权利要求10所述的装置,其中,所述第一训练模块,还用于:
针对所述图像筛选模型的首轮训练,从原始样本图像中获取部分样本图像进行标注,以获取所述首轮对应的初始标注样本图像集;
基于所述初始标注样本图像集对所述图像筛选模型进行有监督训练。
13.根据权利要求11所述的装置,其中,所述第一训练模块,还用于:
基于所述未标注样本图像集i中未标注样本图像和所述标注样本图像集i中的标注样本图像,确定所述图像筛选模型的批量训练样本;
将所述批量训练样本输入所述图像筛选模型进行特征提取;
对提取的特征表示进行分类定位识别,获取所述未标注样本图像和所述标注样本图像的分类定位结果;
根据所述分类定位结果获取所述图像筛选模型的损失函数;
根据所述损失函数对所述图像筛选模型进行反向调整。
14.根据权利要求13所述的装置,其中,所述图像筛选模型包括特征提取网络和至少两个检测头,所述第一训练模块,还用于:
由所述特征提取网络对输入的样本图像进行特征提取,获取所述样本图像对应的特征表示;
将所述特征表示分别输入所述至少两个检测头中,得到所述至少两个检测头各自输出的分类定位结果;
根据所述至少两个检测头各自输出的分类定位结果,确定所述图像筛选模型的损失函数。
15.根据权利要求14所述的装置,其中,所述第一训练模块,还用于:
获取所述未标注样本图像的所述至少两个检测头各自输出的分类定位结果;
获取所述未标注样本图像对应的至少两个所述分类定位结果之间的欧氏距离;
根据所述欧式距离,获取所述未标注样本图像的模型置信度。
16.根据权利要求11所述的装置,其中,所述筛选模块,还用于:
从所述未标注样本图像集i中,筛选所述模型置信度大于预设阈值的未标注样本图像,并确定为所述目标未标注样本图像;或者,
对所述未标注样本图像集i中的未标注样本图像,按照所述模型置信度从大到小进行排序;
选取所述模型置信度最大的预设数量的未标注样本图像,并确定为目标未标注样本图像。
17.根据权利要求11-13或16中任一项所述的装置,其中,所述装置还包括确定模块,用于:
每进行一轮融合半监督的主动学习,判断所述图像筛选模型的是否满足模型训练结束条件,并在满足所述模型训练结束条件时,确定所述图像筛选模型完成训练,得到所述目标图像筛选模型。
18.根据权利要求17所述的装置,其中,还包括图像获取模块,用于:
针对第j轮融合半监督的主动学习,获取至少一个图像采集装置在第j个采样周期内采集的图像,所述j为大于1的整数;
根据所述第j个采样周期内采集的图像,获取所述未标注样本图像集j。
19.根据权利要求17所述的装置,其中,还包括图像获取模块,用于:
获取图像库,所述图库中包含多个样本图像;
针对第j轮融合半监督的主动学习,从所述图像库中随机抽取预设比例的样本图像作为所述未标注样本图像集j。
20.一种图像筛选装置,其中,包括:
第一获取模块,用于获取M个待筛选的候选图像,所述M为正整数,且M≥1;
第二获取模块,用于将M个所述候选图像输入到目标图像筛选模型中,获取M个所述候选图像对应的模型置信度;
筛选模块,用于根据所述模型置信度,从M个所述多个候选图像筛选出N个目标图像,所述N为正整数,且1≤N≤M;
其中,所述目标图像筛选模型为采用如权要要求1-9中任一项所述的装置训练的模型。
21.一种电子设备,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1-9中任一项所述的方法。
22.一种电子设备,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10所述的方法。
23.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求10所述的方法。
25.一种计算机程序产品,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1-9中任一项所述的方法的步骤。
26.一种计算机程序产品,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10所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211151977.4A CN115482436B (zh) | 2022-09-21 | 2022-09-21 | 图像筛选模型的训练方法、装置以及图像筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211151977.4A CN115482436B (zh) | 2022-09-21 | 2022-09-21 | 图像筛选模型的训练方法、装置以及图像筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115482436A true CN115482436A (zh) | 2022-12-16 |
CN115482436B CN115482436B (zh) | 2023-06-30 |
Family
ID=84392391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211151977.4A Active CN115482436B (zh) | 2022-09-21 | 2022-09-21 | 图像筛选模型的训练方法、装置以及图像筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482436B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403074A (zh) * | 2023-04-03 | 2023-07-07 | 上海锡鼎智能科技有限公司 | 基于主动标注的半自动图像标注方法及标注装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050185845A1 (en) * | 2004-02-24 | 2005-08-25 | Trw Automotive U.S. Llc | Method and apparatus for arbitrating outputs from multiple pattern recognition classifiers |
CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
CN108960282A (zh) * | 2018-05-30 | 2018-12-07 | 昆明理工大学 | 一种基于半监督学习的在线服务信誉度量方法 |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111931865A (zh) * | 2020-09-17 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像分类模型的训练方法、装置、计算机设备及存储介质 |
CN113435522A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及存储介质 |
CN113673607A (zh) * | 2021-08-24 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 图像标注模型的训练及图像标注的方法及装置 |
CN113920370A (zh) * | 2021-10-25 | 2022-01-11 | 上海商汤智能科技有限公司 | 模型训练方法、目标检测方法、装置、设备及存储介质 |
US20220044439A1 (en) * | 2020-08-09 | 2022-02-10 | Google Llc | Real-Time Pose Estimation for Unseen Objects |
CN114332449A (zh) * | 2021-11-24 | 2022-04-12 | 北京邮电大学 | 基于特征解耦和知识迁移的小样本目标检测方法和装置 |
WO2022077917A1 (zh) * | 2020-10-14 | 2022-04-21 | 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 |
CN114492843A (zh) * | 2022-02-14 | 2022-05-13 | 广州广电运通金融电子股份有限公司 | 一种基于半监督学习的分类方法、设备及存储介质 |
CN114612702A (zh) * | 2022-01-24 | 2022-06-10 | 珠高智能科技(深圳)有限公司 | 基于深度学习的图像数据标注系统及其方法 |
CN114742750A (zh) * | 2022-03-01 | 2022-07-12 | 深圳视见医疗科技有限公司 | 异常细胞检测方法、装置、终端设备及可读存储介质 |
CN114882992A (zh) * | 2022-05-12 | 2022-08-09 | 华东师范大学 | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 |
-
2022
- 2022-09-21 CN CN202211151977.4A patent/CN115482436B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050185845A1 (en) * | 2004-02-24 | 2005-08-25 | Trw Automotive U.S. Llc | Method and apparatus for arbitrating outputs from multiple pattern recognition classifiers |
CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
CN108960282A (zh) * | 2018-05-30 | 2018-12-07 | 昆明理工大学 | 一种基于半监督学习的在线服务信誉度量方法 |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
US20220044439A1 (en) * | 2020-08-09 | 2022-02-10 | Google Llc | Real-Time Pose Estimation for Unseen Objects |
CN111931865A (zh) * | 2020-09-17 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像分类模型的训练方法、装置、计算机设备及存储介质 |
WO2021164306A1 (zh) * | 2020-09-17 | 2021-08-26 | 平安科技(深圳)有限公司 | 图像分类模型的训练方法、装置、计算机设备及存储介质 |
WO2022077917A1 (zh) * | 2020-10-14 | 2022-04-21 | 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 |
CN113435522A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及存储介质 |
CN113673607A (zh) * | 2021-08-24 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 图像标注模型的训练及图像标注的方法及装置 |
CN113920370A (zh) * | 2021-10-25 | 2022-01-11 | 上海商汤智能科技有限公司 | 模型训练方法、目标检测方法、装置、设备及存储介质 |
CN114332449A (zh) * | 2021-11-24 | 2022-04-12 | 北京邮电大学 | 基于特征解耦和知识迁移的小样本目标检测方法和装置 |
CN114612702A (zh) * | 2022-01-24 | 2022-06-10 | 珠高智能科技(深圳)有限公司 | 基于深度学习的图像数据标注系统及其方法 |
CN114492843A (zh) * | 2022-02-14 | 2022-05-13 | 广州广电运通金融电子股份有限公司 | 一种基于半监督学习的分类方法、设备及存储介质 |
CN114742750A (zh) * | 2022-03-01 | 2022-07-12 | 深圳视见医疗科技有限公司 | 异常细胞检测方法、装置、终端设备及可读存储介质 |
CN114882992A (zh) * | 2022-05-12 | 2022-08-09 | 华东师范大学 | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 |
Non-Patent Citations (3)
Title |
---|
ANTTI RASMUS 等: "Semi-Supervised Learning with Ladder Networks", 《ARXIV:1507.02672V2》, pages 1 - 19 * |
QIZE YANG 等: "Interactive Self-Training with Mean Teachers for Semi-supervised Object Detection", 《2021 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 5937 - 5946 * |
郭方: "基于视觉注意机制的行人再识别自动标注算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 243 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403074A (zh) * | 2023-04-03 | 2023-07-07 | 上海锡鼎智能科技有限公司 | 基于主动标注的半自动图像标注方法及标注装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115482436B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
EP3832541A2 (en) | Method and apparatus for recognizing text | |
US11210795B2 (en) | Pedestrian flow funnel generation method and apparatus, storage medium and electronic device | |
EP3913532A2 (en) | Object area measurement method, apparatus, storage medium and computer product | |
CN113051914A (zh) | 一种基于多特征动态画像的企业隐藏标签抽取方法及装置 | |
CN112560993A (zh) | 数据筛选方法、装置、电子设备及存储介质 | |
CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
CN113902007A (zh) | 模型训练方法及装置、图像识别方法及装置、设备和介质 | |
CN113361572A (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
CN115033739A (zh) | 搜索方法、模型训练方法、装置、电子设备和介质 | |
CN114898266A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN113947700A (zh) | 模型确定方法、装置、电子设备和存储器 | |
CN113255501A (zh) | 生成表格识别模型的方法、设备、介质及程序产品 | |
CN112417996A (zh) | 工业图纸的信息处理方法、装置、电子设备和存储介质 | |
CN115272705B (zh) | 显著性物体检测模型的训练方法、装置以及设备 | |
CN114764874B (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN115861809A (zh) | 杆状物检测及其模型的训练方法、装置、电子设备、介质 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN115579069A (zh) | scRNA-Seq细胞类型注释数据库的构建方法、装置及电子设备 | |
CN114090601A (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN113326885A (zh) | 训练分类模型和数据分类的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |