[發明專利]為模型訓練確定圖像樣本集的方法、裝置和電子設備

在審

• 申請號: 202010217717.7
• 申請日: 2020-03-25
• 公開（公告）號: CN111461191A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 顧紅松
• 申請（專利權）人: 杭州跨視科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q20/38;G06Q40/04
• 代理公司: 北京德崇智捷知識產權代理有限公司 11467
• 代理人: 王欣

1.一種為模型訓練確定圖像樣本集的方法，包括：

選擇預訓練模型；

基于所述預訓練模型確定源數據集與目標數據集之間的關聯矩陣，其中，所述源數據集中的圖像數量遠大于所述目標數據集中的圖像數量，且所述目標數據集包含有模型訓練所需圖像樣本；

利用層次分析法對所述關聯矩陣進行歸一化處理；

按照二進制整數編程方法，基于歸一化處理后的關聯矩陣，從所述源數據集中選擇滿足關聯矩陣確定的相似條件的圖像樣本作為圖像樣本集。

2.如權利要求1所述的方法，基于所述預訓練模型確定源數據集與目標數據集之間的關聯矩陣，具體包括：

基于所述預訓練模型對所述目標數據集中的圖像樣本進行分類；

確定所述源數據集中每一類與所述目標數據集中每一類的相似性；

統計所述相似性得到源數據集與目標數據集之間的關聯矩陣。

3.如權利要求1所述的方法，利用層次分析法對所述關聯矩陣進行歸一化處理，具體包括：

基于構造的成對矩陣確定所述目標數據集中瑕疵特征對應的相關程度矩陣；

通過計算、合并所述目標數據集中每一類的相關程度矩陣的特征向量，得到最終歸一化的關聯矩陣。

4.如權利要求1-3任一項所述的方法，基于區塊鏈網絡為模型訓練確定圖像樣本集。

5.如權利要求4所述的方法，還包括：

基于確定的所述圖像樣本集，在區塊鏈網絡中分布式算力網絡對所述預訓練模型進行訓練。

6.如權利要求1所述的方法，在選擇預訓練模型之前，所述方法還包括：

采集圖像并對每個圖像進行標注得到大型公共數據集。

7.如權利要求6所述的方法，應用于區塊鏈網絡，所述采集圖像，具體包括：

接收至少一個圖像提供方發送的采集交易，其中，所述采集交易中攜帶有目標圖像；

基于區塊鏈網絡部署的智能合約處理所述采集交易，并將所述采集交易中目標圖像保存到本地數據庫。

8.如權利要求7所述的方法，在保存所述目標圖像之后，所述方法還包括：

基于所述目標圖像的質量，向所述至少一個圖像提供方返回數字資產以作為激勵。

9.如權利要求6所述的方法，應用于區塊鏈網絡，所述對每個圖像進行標注，具體包括：

接收多個標注方發送的標注交易，其中，所述每個標注交易中攜帶有發送本交易的標注方對目標圖像的標注結果；

基于區塊鏈網絡部署的智能合約處理所述標注交易，統計所述多個標注方針對同一目標圖像所提交的標注結果，將投票最多的標注結果作為所述目標圖像的標注。

10.如權利要求9所述的方法，在標注之后，所述方法還包括：

接收驗證方發送的驗證交易；

基于區塊鏈網絡部署的智能合約處理所述驗證交易，基于所述驗證交易中的交易內容對所述目標圖像的標注和/或標注方進行驗證。

11.一種為模型訓練確定圖像樣本集的裝置，包括：

模型選擇模塊，選擇預訓練模型；

矩陣確定模塊，基于所述預訓練模型確定源數據集與目標數據集之間的關聯矩陣，其中，所述源數據集中的圖像數量遠大于所述目標數據集中的圖像數量，且所述目標數據集包含有模型訓練所需圖像樣本；

歸一化模塊，利用層次分析法對所述關聯矩陣進行歸一化處理；

樣本擴增模塊，按照二進制整數編程方法，基于歸一化處理后的關聯矩陣，從所述源數據集中選擇滿足關聯矩陣確定的相似條件的圖像樣本作為圖像樣本集。