[發明專利]自我學習更新訓練樣本的高效質檢模型構建方法及系統在審
| 申請號： | 201810968529.0 | 申請日： | 2018-08-23 |
| 公開（公告）號： | CN109359664A | 公開（公告）日： | 2019-02-19 |
| 發明（設計）人： | 羅曉忠;毛子靖;林清華 | 申請（專利權）人： | 廣州市心鑒智控科技有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 天津企興智財知識產權代理有限公司 12226 | 代理人： | 李成運 |
| 地址： | 510000 廣東省廣州市高新技術產業開發*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 自我學習 模型構建 訓練樣本 算法 質檢 更新 時間復雜度 算法計算 損失函數 訓練模型 有效預防 次數據 權重 運算 標簽 優化 監督 學習 | ||
1.一種自我學習更新訓練樣本的高效質檢模型構建方法，其特征在于，包括：
S1：通過2個SqueezeNet Pro監督學習模型，采用fast k-means算法作為預選標簽；
S2：通過2次數據增強算法的對比，優化每個模型的損失函數；進行自我學習，訓練模型；
S3：通過步驟S2訓練的模型更新父模型的權重。
2.根據權利要求1所述的方法，其特征在于，步驟S1的具體方法包括：
S11：利用標簽數據L來訓練SqueezeNet Pro神經網絡得到父模型M0；
S12：對父模型M0的網絡權重W0得到子神經網絡，采用finetune方法，得到模型M1和M2；
S13：采用M1,M2和Fast-Kmeans來預測Sample(L∪U)；對預測結果模糊的樣本重新組成訓練樣本集X，其樣本標簽為Y。
3.根據權利要求1所述的方法，其特征在于，步驟S2的具體方法包括：
S21：利用兩種圖像增強函數g1(x),g2(x)對樣本X增強得到X1,X2，并利用M1,M2分別對X1,X2預測，得到代理標簽Z1和Z2；
S22：分別選出Z1和Z2中與本身標簽不一致的樣本，且認為樣本標簽仍為第一部分給定的的標簽，形成訓練集X'1,X2'。用X'1,X2'訓練M1,M2。
4.根據權利要求1所述的方法，其特征在于，步驟S3的具體方法包括：
S31：第二部分訓練好的模型M1,M2對其網絡權重采取EMA(Exponential MovingAverage)方法更新父模型M0的權重W0；
S32：循環上述過程，直至代理標簽Z1＝Z2或訓練時間到達規定上限。
5.一種自我學習更新訓練樣本的高效質檢模型構建系統，其特征在于，包括：
第一模塊：用于通過2個SqueezeNet Pro監督學習模型，采用fast k-means算法作為預選標簽；
第二模塊：用于通過2次數據增強算法的對比，優化每個模型的損失函數；進行自我學習，訓練模型；
第三模塊：用于通過第二模塊訓練的模型更新父模型的權重。
6.根據權利要求5所述的系統，其特征在于，第一模塊包括：
訓練單元：利用標簽數據L來訓練SqueezeNet Pro神經網絡得到父模型M0；
子模型單元：對父模型M0的網絡權重W0得到子神經網絡，采用finetune方法，得到模型M1和M2；
樣本單元：采用M1,M2和Fast-Kmeans來預測Sample(L∪U)；對預測結果模糊的樣本重新組成訓練樣本集X，其樣本標簽為Y。
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廣州市心鑒智控科技有限公司，未經廣州市心鑒智控科技有限公司許可，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/201810968529.0/1.html，轉載請聲明來源鉆瓜專利網。
