[發明專利]稀少內容的分級深度學習模型檢測方法、裝置、計算機設備

在審

• 申請號: 202010933073.1
• 申請日: 2020-09-08
• 公開（公告）號: CN112183754A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 馮健明;唐會軍;劉拴林;梁堃;陳建
• 申請（專利權）人: 北京數美時代科技有限公司
• 主分類號: G06N5/04
• 分類號: G06N5/04;G06N20/00
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 趙秀斌

1.一種稀少內容的分級深度學習模型檢測方法，其特征在于，包括：

采用分級深度學習模型方式，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿足預設性能閾值的模型，所述決策模型為滿足預設指標閾值的模型；

調節所述初篩模型的初篩閾值為第一閾值，根據所述第一閾值，從稀少內容中篩選出正常內容；

調整所述決策模型的決策閾值為第二閾值，根據所述第二閾值，從所述經篩選出正常內容后的稀少內容中決策出正常內容；其中，所述第二閾值小于所述第一閾值。

2.如權利要求1所述的稀少內容的分級深度學習模型檢測方法，其特征在于，所述采用分級深度學習模型方式，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿足預設性能閾值的模型，所述決策模型為滿足預設指標閾值的模型，包括：

采用分級深度學習模型方式，根據推理模型的性能數據和指標數據，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿足預設性能閾值的模型，所述決策模型為滿足預設指標閾值的模型。

3.如權利要求1所述的稀少內容的分級深度學習模型檢測方法，其特征在于，所述調節所述初篩模型的初篩閾值為第一閾值，根據所述第一閾值，從稀少內容中篩選出正常內容，包括：

調節所述初篩模型的初篩閾值為第一閾值，獲取稀少內容中所有內容數據的正常置信度，從所述稀少內容中篩選出正常置信度高于所述第一閾值的內容數據為正常內容。

4.如權利要求1所述的稀少內容的分級深度學習模型檢測方法，其特征在于，所述調整所述決策模型的決策閾值為第二閾值，根據所述第一閾值，從所述經篩選出正常內容后的稀少內容中決策出正常內容；其中，所述第二閾值小于所述第一閾值，包括：

調整所述決策模型的決策閾值為第二閾值，從所述經篩選出正常內容后的稀少內容中決策出正常置信度高于所述第二閾值的內容數據為正常內容。

5.如權利要求1所述的稀少內容的分級深度學習模型檢測方法，其特征在于，在所述調整所述決策模型的決策閾值為第二閾值，根據所述第二閾值，從所述經篩選出正常內容后的稀少內容中決策出正常內容；其中，所述第二閾值小于所述第一閾值之后，還包括：

根據所述篩選出的正常內容和所述決策出的正常內容，對所述分級深度學習模型進行訓練。

6.一種稀少內容的分級深度學習模型檢測裝置，其特征在于，包括：

配置模塊、篩選模塊和決策模塊；

所述配置模塊，用于采用分級深度學習模型方式，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿足預設性能閾值的模型，所述決策模型為滿足預設指標閾值的模型；

所述篩選模塊，用于調節所述初篩模型的初篩閾值為第一閾值，根據所述第一閾值，從稀少內容中篩選出正常內容；

所述決策模塊，用于調整所述決策模型的決策閾值為第二閾值，根據所述第二閾值，從所述經篩選出正常內容后的稀少內容中決策出正常內容；其中，所述第二閾值小于所述第一閾值。

7.如權利要求6所述的稀少內容的分級深度學習模型檢測裝置，其特征在于，所述配置模塊，具體用于：

采用分級深度學習模型方式，根據推理模型的性能數據和指標數據，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿足預設性能閾值的模型，所述決策模型為滿足預設指標閾值的模型。

8.如權利要求6所述的稀少內容的分級深度學習模型檢測裝置，其特征在于，所述篩選模塊，具體用于：

調節所述初篩模型的初篩閾值為第一閾值，獲取稀少內容中所有內容數據的正常置信度，從所述稀少內容中篩選出正常置信度高于所述第一閾值的內容數據為正常內容。

9.如權利要求6所述的稀少內容的分級深度學習模型檢測裝置，其特征在于，所述決策模塊，具體用于：

調整所述決策模型的決策閾值為第二閾值，從所述經篩選出正常內容后的稀少內容中決策出正常置信度高于所述第二閾值的內容數據為正常內容。

10.如權利要求6所述的稀少內容的分級深度學習模型檢測裝置，其特征在于，所述稀少內容的分級深度學習模型檢測裝置，還包括：

訓練模塊；

所述訓練模塊，用于根據所述篩選出的正常內容和所述決策出的正常內容，對所述分級深度學習模型進行訓練。