[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

本說明書一個或多個實施例公開了一種為模型訓練確定圖像樣本集的方法、裝置和電子設備，該方法包括：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。從而，擴增了訓練模型所需的圖像樣本集的數量，為后續訓練模型提供了完善且全面的圖像樣本，保證訓練得到模型的精準性。

技術領域

本文件涉及人工智能技術領域，尤其涉及一種為模型訓練確定圖像樣本集的方法、裝置和電子設備。

背景技術

人工智能(Artificial Intelligence，AI)是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。其中，模型訓練是人工智能技術的重要操作，具體可以基于樣本數據對待訓練模型進行訓練，得到所需的分類模型。

然而，目前的樣本數據集中樣本數據的數量有限，可能會影響訓練結果，導致訓練得到的分類模型的預測分類精準度不高。

發明內容

本說明書一個或多個實施例的目的是提供。

為解決上述技術問題，本說明書一個或多個實施例是這樣實現的：

第一方面，提出了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。

第二方面，提出了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。

第三方面，提出了一種電子設備，包括：

處理器；以及

被安排成存儲計算機可執行指令的存儲器，所述可執行指令在被執行時使所述處理器執行：

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。

第四方面，提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個程序，所述一個或多個程序當被包括多個應用程序的電子設備執行時，使得所述電子設備執行：