[發明專利]一種主動學習自迭代的圖像分類方法和系統

在審

• 申請號: 202011517586.0
• 申請日: 2020-12-21
• 公開（公告）號: CN112560971A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 胡郡郡
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 李紅巖

本發明提出一種主動學習自迭代的圖像分類方法和系統，其方法技術方案包括模型訓練步驟，在訓練樣本中對目標進行類別的人工標注，并將已進行人工標注的所述訓練樣本輸入至一目標檢測模型和一度量學習模型中，對所述目標檢測模型和所述度量學習模型進行訓練；推理計算步驟，使用訓練好的所述目標檢測模型和所述度量學習模型對一待檢測圖像中的所述目標進行識別分類。本發明解決了現有深度學習圖像分類方法進行多類別分類時效果較差且需要大量標注成本的問題。

技術領域

本發明屬于深度學習領域，尤其涉及一種主動學習自迭代的圖像分類方法和系統。

背景技術

基于深度學習分類的方法在隨著目標類別過多時會出現召回率和精確率下降的情況，這是因為類別過多會給分類器造成一定的壓力，分類器很難去擬合特別多的類別；同時如果數據的類內間距太大、類間間距太小，多目標檢測的方法缺少類內約束，效果也較差；并且如果類別過多，也會更容易出現類別不均衡的問題，直接影響檢測效果。目前，如果想要通過深度學習分類的方法解決多目標分類的問題就需要非常多且豐富的數據。

發明內容

本申請實施例提供了一種主動學習自迭代的圖像分類方法和系統，以至少解決現有深度學習圖像分類方法進行多類別分類時效果較差且需要大量標注成本的問題。

第一方面，本申請實施例提供了一種主動學習自迭代的圖像分類方法，包括：模型訓練步驟，在訓練樣本中對目標進行類別的人工標注，并將已進行人工標注的所述訓練樣本輸入至一目標檢測模型和一度量學習模型中，對所述目標檢測模型和所述度量學習模型進行訓練；推理計算步驟，使用訓練好的所述目標檢測模型和所述度量學習模型對一待檢測圖像中的所述目標進行識別分類。

優選的，所述模型訓練步驟包括：目標檢測訓練步驟，將所述訓練樣本的所述目標的類別設置為同一類別，并將所述訓練樣本輸入至所述目標檢測模型中，對所述目標檢測模型進行訓練；度量學習訓練步驟，將所述訓練樣本的所述目標的圖像單獨截取，區分所述目標的類別，并將單獨截取出的所述目標的圖像輸入至所述度量學習模型中，對所述度量學習模型進行訓練。

優選的，所述推理計算步驟包括：素材庫映射步驟，將單獨截取出的所述訓練樣本的所述目標的圖像作為素材庫，使用訓練好的所述度量學習模型對所述素材庫進行度量空間的映射，生成素材embedding；目標檢測步驟，使用訓練好的所述目標檢測模型對所述待檢測圖像中的所述目標進行定位識別；目標映射步驟，使用訓練好的所述度量學習模型對已定位識別的所述目標進行度量空間的映射，生成目標embedding；相似度計算步驟，將所述目標embedding與所述素材embedding進行比較，計算相似度，并得到所述目標的類別。

優選的，所述方法還包括一主動學習步驟：使用訓練好的所述目標檢測模型和所述度量學習模型，根據一預設條件從所述待檢測圖像中篩選出再訓練樣本，并將所述再訓練樣本再輸入至所述目標檢測模型和所述度量學習模型中，對所述目標檢測模型和所述度量學習模型進行再訓練。

優選的，所述預設條件為使用不確定指標篩選出的最不確定樣本。

優選的，所述主動學習步驟包括：模型評分步驟，使用訓練好的所述目標檢測模型和所述度量學習模型，對所述待檢測圖像進行目標檢測評分和度量評分；樣本篩選步驟，根據所述目標檢測評分和所述度量評分結果從所述待檢測圖像中篩選出再訓練樣本。

優選的，所述樣本篩選步驟還包括：將所述目標檢測評分低于一定閾值、所述度量評分高于一定閾值的所述待檢測圖像作為所述再訓練樣本，并將其直接再輸入至所述目標檢測模型和所述度量學習模型中進行再訓練。

優選的，所述樣本篩選步驟還包括：將所述目標檢測評分高于一定閾值、所述度量評分低于一定閾值的所述待檢測圖像作為所述再訓練樣本，并對其進行再標注后，再輸入至所述目標檢測模型和所述度量學習模型中進行再訓練。