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

本發(fā)明涉及機(jī)器學(xué)習(xí)圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種樣本標(biāo)簽準(zhǔn)確性的方法和裝置。一種提高樣本標(biāo)簽準(zhǔn)確性方法，包括：確定面部表情樣本集合中的每個(gè)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(jìn)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。通過本發(fā)明可以調(diào)整樣本的標(biāo)簽，將權(quán)重低的人工標(biāo)簽調(diào)整為權(quán)重高的標(biāo)簽；從而有助于對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練而得到更科學(xué)的參數(shù)，從而提高模型的識(shí)別準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器學(xué)習(xí)圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種提高樣本標(biāo)簽準(zhǔn)確性的方法和裝置。

背景技術(shù)

機(jī)器學(xué)習(xí)面部表情識(shí)別技術(shù)已經(jīng)成熟并且廣泛應(yīng)用；在機(jī)器學(xué)習(xí)表情識(shí)別模型的訓(xùn)練的過程中，需要使用測(cè)試的樣本；樣本中的圖片的數(shù)量越多，模型訓(xùn)練的越精確，識(shí)別的準(zhǔn)確性越高；值得注意的是，樣本中的圖片的標(biāo)簽是人工標(biāo)注的，由于樣本中的圖片的數(shù)量巨大，人工標(biāo)注標(biāo)簽難免出錯(cuò)；比如，一個(gè)圖片比較模糊，表情是中性的圖片被人工標(biāo)注為高興。圖像樣本的標(biāo)簽標(biāo)記模糊甚至錯(cuò)誤，對(duì)于模型的訓(xùn)練會(huì)帶來不利影響。

發(fā)明內(nèi)容

為此，本發(fā)明實(shí)施例提供一種提高樣本標(biāo)簽準(zhǔn)確性的方法和裝置，以提高樣本標(biāo)簽的準(zhǔn)確性。

為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供如下技術(shù)方案：

根據(jù)本發(fā)明實(shí)施例的第一方面，一種提高樣本標(biāo)簽準(zhǔn)確性方法，包括：

確定面部表情樣本集合中的每個(gè)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(jìn)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。

進(jìn)一步地，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(duì)于任意的一個(gè)表情樣本，用預(yù)先訓(xùn)練的機(jī)器學(xué)習(xí)模型進(jìn)行識(shí)別；得到一組預(yù)測(cè)概率值；

如果最大的預(yù)測(cè)概率值與預(yù)先設(shè)定的預(yù)測(cè)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(cè)概率值對(duì)應(yīng)更改后的標(biāo)簽；預(yù)先設(shè)定的預(yù)測(cè)概率值對(duì)應(yīng)人工標(biāo)注標(biāo)簽。

進(jìn)一步地，確定面部表情樣本集合中的每個(gè)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(gè)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(gè)重要性權(quán)重的表達(dá)式為其中α_i代表了第i個(gè)樣本的重要性權(quán)重，W_α代表為實(shí)現(xiàn)注意力全連接層的參數(shù)。

進(jìn)一步地，所述重要性權(quán)重的損失函數(shù)的計(jì)算，包括：

L_all＝γL_RR+(1-γ)L_WCE；

其中，W_j為第j個(gè)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)}；