[發明專利]一種釋義加強的圖片訓練方法及系統在審
| 申請號： | 201810395008.0 | 申請日： | 2018-04-27 |
| 公開（公告）號： | CN108664998A | 公開（公告）日： | 2018-10-16 |
| 發明（設計）人： | 陶然;孟凡靖;李明靜 | 申請（專利權）人： | 上海愛優威軟件開發有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 201203 上海市浦東新區中國（上*** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 釋義 標簽 二級標簽 數據集 拆解 圖片 第一數據 訓練效果 用戶體驗 智能終端 申請 生產 | ||
1.一種釋義加強的圖片訓練方法，其特征在于，包括：
獲取第一數據集的第一標簽；
根據釋義拆解所述第一標簽為多個二級標簽；
根據所述二級標簽的第二數據集，訓練所述第一標簽；
生成可泛化模型。
2.根據權利要求1所述的釋義加強的圖片訓練方法，其特征在于，進一步包括：
確定所述二級標簽的權重。
3.根據權利要求2所述的釋義加強的圖片訓練方法，其特征在于，進一步包括：
改寫神經網絡模型的訓練模塊。
4.根據權利要求3所述的釋義加強的圖片訓練方法，其特征在于，所述神經網絡模型包括通過代碼實現的開源模型，所述模型包括圖片分類模型。
5.根據權利要求4所述的釋義加強的圖片訓練方法，其特征在于，所述圖片分類模型包括VGGNet模型、ResNet模型、Inception V3模型。
6.根據權利要求4所述的釋義加強的圖片訓練方法，其特征在于，所述神經網絡模型包括數據輸入層、卷積計算層、ReLU激勵層、池化層、全連接層、數據輸出層。
7.根據權利要求6所述的釋義加強的圖片訓練方法，其特征在于，所述改寫訓練模塊包括在數據輸出層增加權重層。
8.根據權利要求1所述的釋義加強的圖片訓練方法，其特征在于，所述訓練所述第一標簽包括根據訓練算法訓練所述第一標簽，所述訓練算法包括梯度下降、隨機梯度下降。
9.根據權利要求1所述的釋義加強的圖片訓練方法，其特征在于，進一步包括：
根據所述模型分類無標簽的數據集。
10.一個系統，其特征在于，包括：
一個存儲器，被配置為存儲數據及指令；
一個與存儲器建立通信的處理器，其中，當執行存儲器中的指令時，所述處理器被配置為：
獲取第一數據集的第一標簽；
根據釋義拆解所述第一標簽為多個二級標簽；
根據所述二級標簽的第二數據集，訓練所述第一標簽；
生成可泛化模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海愛優威軟件開發有限公司，未經上海愛優威軟件開發有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810395008.0/1.html，轉載請聲明來源鉆瓜專利網。
