[發(fā)明專利]一種提高樣本標(biāo)簽準(zhǔn)確性的方法和裝置

在審

• 申請?zhí)枺?/td>: 202010256114.8
• 申請日: 2020-04-02
• 公開（公告）號: CN111476141A
• 公開（公告）日: 2020-07-31
• 發(fā)明（設(shè)計）人: 劉毅力;王光耀;林明興
• 申請（專利權(quán)）人: 吉林建筑大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 北京知呱呱知識產(chǎn)權(quán)代理有限公司 11577
• 代理人: 朱芳

1.一種提高樣本標(biāo)簽準(zhǔn)確性的方法，其特征在于，包括：

確定面部表情樣本集合中的每個面部表情樣本的重要性權(quán)重及人工標(biāo)注標(biāo)簽；

按照重要性權(quán)重從高到低的順序?qū)γ娌勘砬闃颖炯线M行排序；

將排序后的面部表情樣本集合分成高重要性權(quán)重組和低重要性權(quán)重組；

在低重要性權(quán)重組中，確定出需要調(diào)整標(biāo)簽的面部表情樣本；

將所述需要調(diào)整標(biāo)簽的面部表情樣本從低重要性權(quán)重組加入高重要性權(quán)重組并把人工標(biāo)注標(biāo)簽更改為新的標(biāo)簽。

2.如權(quán)利要求1所述的提高樣本標(biāo)簽準(zhǔn)確性的方法，其特征在于，在低重要性權(quán)重組中，確定出需要調(diào)整標(biāo)簽的面部表情樣本，包括：

對于任意的一個表情樣本，用預(yù)先訓(xùn)練的機器學(xué)習(xí)模型進行識別；得到一組預(yù)測概率值；

如果最大的預(yù)測概率值與預(yù)先設(shè)定的預(yù)測概率值的差值大于預(yù)定閾值，則確定所述表情樣本為需要調(diào)整標(biāo)簽的表情樣本；

其中，最大預(yù)測概率值對應(yīng)更改后的標(biāo)簽；預(yù)先設(shè)定的預(yù)測概率值對應(yīng)人工標(biāo)注標(biāo)簽。

3.如權(quán)利要求1所述的提高樣本標(biāo)簽準(zhǔn)確性的方法，其特征在于，

確定面部表情樣本集合中的每個面部表情樣本的重要性權(quán)重，包括：

設(shè)F＝[x₁，x₂，…，x_N]代表N個面部表情的圖像特征集合，將F作為輸入，輸出一組重要性權(quán)重，每個重要性權(quán)重的表達式為其中α_i代表了第i個樣本的重要性權(quán)重，W_α代表為實現(xiàn)注意力全連接層的參數(shù)。

4.如權(quán)利要求1所述的提高樣本標(biāo)簽準(zhǔn)確性的方法，其特征在于，所述重要性權(quán)重的損失函數(shù)的計算，包括：

L_all＝γL_RR+(1-γ)L_WCE；

其中，W_j為第j個分類器；

N為樣本的數(shù)量；

C為表情的種類的數(shù)量；

L_RR＝max{0，δ1-(α_H-α_L)}；

其中

5.一種提高樣本標(biāo)簽準(zhǔn)確性的裝置，其特征在于，包括：

自注意力重要性權(quán)重模塊，用于確定面部表情樣本集合中的每個面部表情樣本的重要性權(quán)重；

排序規(guī)則化模塊，用于按照重要性權(quán)重從高到低的順序?qū)γ娌勘砬闃颖炯线M行排序；

分組模塊，用于將排序后的面部表情樣本集合分成高重要性權(quán)重組和低重要性權(quán)重組；

標(biāo)簽更新模塊，用于在低重要性權(quán)重組中，確定出需要調(diào)整的面部表情樣本；

將所述需要調(diào)整的面部表情樣本從低重要性權(quán)重組加入高重要性權(quán)重組。

6.如權(quán)利要求5所述的提高樣本標(biāo)簽準(zhǔn)確性的裝置，其特征在于，標(biāo)簽更新模塊還用于：

對于任意的一個表情樣本，用預(yù)先訓(xùn)練的機器學(xué)習(xí)模型進行識別；得到一組預(yù)測概率值；

如果最大的預(yù)測概率值與預(yù)先設(shè)定的預(yù)測概率值的差值大于預(yù)定閾值，則確定所述表情樣本為需要調(diào)整標(biāo)簽的表情樣本；

其中，最大預(yù)測概率值對應(yīng)更改后的標(biāo)簽；預(yù)先設(shè)定的預(yù)測概率值對應(yīng)人工標(biāo)注標(biāo)簽。

7.如權(quán)利要求5所述的提高樣本標(biāo)簽準(zhǔn)確性的裝置，其特征在于，自注意力重要性權(quán)重模塊還用于：

設(shè)F＝[x₁，x₂，…，x_N]代表N個面部表情的圖像特征集合，將F作為輸入，輸出一組重要性權(quán)重，每個重要性權(quán)重的表達式為其中α_i代表了第i個樣本的重要性權(quán)重，W_α代表為實現(xiàn)注意力全連接層的參數(shù)。

8.如權(quán)利要求5所述的提高樣本標(biāo)簽準(zhǔn)確性的裝置，其特征在于，還包括重要性權(quán)重?fù)p失函數(shù)計算模塊；所述重要性權(quán)重?fù)p失函數(shù)計算模塊用于按照以下公式計算損失函數(shù)：

L_all＝γL_RR+(1-γ)L_WCE；

其中，L_WCE為單個重要性權(quán)重?fù)p失函數(shù)；

N為樣本的數(shù)量；

C為表情的種類的數(shù)量；

L_RR＝max{0，δ1-(α_H-α_L)}；

其中δ1為閾值。