[發明專利]對自動標注裝置的超參數進行優化的方法和裝置

有效

• 申請號: 202010045709.9
• 申請日: 2020-01-16
• 公開（公告）號: CN111507469B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 金桂賢;金镕重;金寅洙;金鶴京;南云鉉;夫碩焄;成明哲;呂東勳;柳宇宙;張泰雄;鄭景中;渚泓模;趙浩辰
• 申請（專利權）人: 斯特拉德視覺公司
• 主分類號: G06N3/0985
• 分類號: G06N3/0985;G06F18/2415;G06N3/0464
• 代理公司: 上海華誠知識產權代理有限公司 31300
• 代理人: 肖華

本發明提供為了減少運算時間而對自動標注并自動評價待利用于學習神經網絡的訓練圖像的自動標注裝置的超參數(hyperparameter)進行優化的方法。上述方法的特征在于，包括：步驟(a)，優化裝置使上述自動標注裝置生成具有固有自動標簽的原始圖像和具有固有真標簽及自動標簽的驗證圖像，從而將上述具有固有自動標簽的原始圖像分類為簡單原始圖像和復雜原始圖像，將上述具有固有真標簽及自動標簽的驗證圖像分類為簡單驗證圖像和復雜驗證圖像；步驟(b)，計算上述自動標注裝置的當前可信度，生成樣品超參數組，計算上述自動標注裝置的樣品可信度，對預設超參數組進行優化。通過強化學習的策略梯度算法(policy gradient algorithm)來執行上述方法。

技術領域

本發明涉及對自動標注待利用于學習神經網絡的一個以上訓練圖像的自動標注裝置的超參數進行優化的方法及裝置。

背景技術

近來，對利用機器學習(machine learning)來識別對象的方法等進行研究。通過這種機器學習環節，使利用在輸入層與輸出層之間具有多個隱含層(hidden layer)的神經網絡的深度學習具有高識別性能。

而且，利用上述深度學習的上述神經網絡通常通過利用損失的反向傳播進行學習。

為了進行這種深度學習網絡的學習，需要由標注者(labeler)對個別數據點添加標簽(tag)，即，標簽(label)的訓練數據。準備這種訓練數據(即，準確分類數據)，尤其，在利用大量的訓練數據的情況和數據預處理的質量持續不高的情況下，勞動密集、成本高且繁瑣。以往的可相互標注的方法成本高而無法導出理想結果。

因此，最近，執行利用基于深度學習的自動標注裝置來對訓練圖像添加標簽(tag)，即，標簽(label)的自動標注，通過檢查由檢查人員自動標注的訓練圖像來校正上述標簽(tag)或標簽(label)。

這種以往的自動標注裝置可通過再學習來提高準確度。

然而，可通過上述自動標注裝置的再學習提高準確度的程度具有限制性，因此為了更高的準確度需要反復進行再學習。

并且，用于提高上述自動標注裝置的準確度的上述再學習需要消耗很多時間，因此需要消耗很多時間來獲得上述自動標注裝置的適當準確度。

發明內容

技術問題

本發明的目的在于，解決以上提及的所有問題。

本發明的再一目的在于，在不進行再學習的情況下，可以提高自動標注裝置的準確度。

本發明的另一目的在于，在再學習過程中也可以提高上述自動標注裝置的準確度。

解決問題的手段

為了達成如上所述的本發明的目的，并帶來后述的本發明的特征性效果，本發明的特征性結構如下：