[發明專利]模型獲取方法、裝置、電子設備及計算機可讀存儲介質

有效

• 申請號: 201810070429.6
• 申請日: 2018-01-24
• 公開（公告）號: CN108197664B
• 公開（公告）日: 2020-09-04
• 發明（設計）人: 孫鵬飛;張昊
• 申請（專利權）人: 北京墨丘科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京智信四方知識產權代理有限公司 11519
• 代理人: 鐘文芳

1.一種模型獲取方法，其特征在于，所述方法運行在服務器，包括：

獲取用戶標注數據；其中，所述用戶標注數據包括用戶自行收集圖像的第一訓練樣本和用戶以自己的標注標準對所述第一訓練樣本進行標注的第一標注結果；

從預訓練模型集中選取與所述用戶標注數據相匹配的預訓練模型，使得所選取的預訓練模型能夠按照用戶的標準對圖像樣本進行分類識別；其中，所述預訓練模型集包括一個或多個預先利用了不同的訓練數據經過機器學習訓練的預訓練模型。

2.根據權利要求1所述的模型獲取方法，其特征在于，從預訓練模型集中選取與所述用戶標注數據相匹配的預訓練模型，包括：

根據所述用戶標注數據識別所述用戶對所述第一訓練樣本進行標注的用戶標注標準；

從所述預訓練模型集中選取與所述用戶標注標準相匹配的所述預訓練模型。

3.根據權利要求1所述的模型獲取方法，其特征在于，從預訓練模型集中選取與所述用戶標注數據相匹配的預訓練模型，包括：

將所述第一訓練樣本輸入到至少一個所述預訓練模型中；

將至少一個所述預訓練模型的輸出結果與所述第一標注結果進行匹配；

根據匹配結果選取與所述第一標注結果的匹配度最高的所述預訓練模型。

4.根據權利要求3所述的模型獲取方法，其特征在于，將至少一個所述預訓練模型的輸出結果與所述第一標注結果進行匹配，包括：

匹配所述第一標注結果所屬第一種類的個數以及所述預訓練模型的輸出種類個數；所述第一種類的個數根據所述用戶標注數據中多個第一訓練樣本對應的多個第一標注結果的不同種類確定；以及

匹配所述第一種類以及所述預訓練模型的輸出種類。

5.根據權利要求4所述的模型獲取方法，其特征在于，匹配所述第一種類以及所述預訓練模型的輸出種類，包括：

根據所述第一標注結果屬于第一種類的所述第一訓練樣本與所述輸出結果為與所述第一種類對應的所述輸出種類的所述第一訓練樣本計算所述第一種類與輸出種類之間的誤差。

6.根據權利要求5所述的模型獲取方法，其特征在于，根據所述第一標注結果屬于第一種類的所述第一訓練樣本與所述輸出結果為與所述第一種類對應的所述輸出種類的所述第一訓練樣本計算所述第一種類與輸出種類之間的誤差，包括：

確定屬于第一種類的所述第一訓練樣本與所述輸出結果為與所述第一種類對應的所述輸出種類的所述第一訓練樣本的交集；

根據所述交集中第一訓練樣本的數量計算所述第一種類與輸出種類之間的誤差。

7.根據權利要求6所述的模型獲取方法，其特征在于，根據匹配結果選取與所述第一標注結果的匹配度最高的所述輸出結果對應的所述預訓練模型，包括：

根據所有第一種類及其對應的輸出種類之間的累計誤差確定所述第一種類和輸出種類之間的相似度；

根據所述第一種類個數與所述輸出種類個數以及所述相似度選取所述預訓練模型。

8.根據權利要求1所述的模型獲取方法，其特征在于，從預訓練模型集中選取與所述用戶標注數據相匹配的預訓練模型，包括：

將所述用戶標注數據與訓練所述預訓練模型集中的預訓練模型的本地訓練數據進行匹配；所述本地訓練數據包括第二訓練樣本及其對應的第二標注結果；

確定匹配度最高的所述本地訓練數據。

9.根據權利要求8所述的模型獲取方法，其特征在于，從預訓練模型集中選取與所述用戶標注數據相匹配的預訓練模型，包括：

選取經過匹配度最高的所述本地訓練數據訓練過的預訓練模型。

10.根據權利要求1-9任一項所述的模型獲取方法，其特征在于，所述用戶標注數據包括以下至少之一：

對所述預訓練模型集中至少一個預訓練模型進行了訓練的本地訓練數據；

用戶自行產生的私有數據。