[發明專利]存在目標數據集時機器學習算法的自動優化

在審

• 申請號: 202080012884.6
• 申請日: 2020-02-05
• 公開（公告）號: CN113396368A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 阿爾伯特·普霍爾·托拉斯;保羅·德·豪爾赫·阿蘭達;弗朗西斯科·賈維爾·馬林·圖爾;馬克·羅馬尼
• 申請（專利權）人: 優魯格斯股份有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04;G05B19/04;G06N20/20;G06T3/00;G06T5/00
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 姜曉霞;楊明釗

1.一種在機器學習算法中自動地傳遞知識的方法，所述方法包括：

獲取至少一個目標數據集，其中，所述至少一個目標數據集包括至少一個圖像；

基于所述至少一個圖像生成第二訓練數據集；以及

用所述第二訓練數據集重新訓練全局域數學模型；

其中，所述全局域數學模型是通過執行機器學習算法利用第一訓練數據集的圖像進行訓練以減少在所述第一訓練數據集的所有域中測量的全局誤差的數學模型。

2.根據權利要求1所述的方法，進一步包括以下步驟：通過執行機器學習算法，利用所述第一訓練數據集的圖像訓練所述數學模型，以減少在所述第一訓練數據集的所有域中測量的所述全局誤差，從而獲取所述全局域數學模型。

3.根據權利要求1或2中的任一項所述的方法，其中，所述第二訓練數據集包括來自所述第一訓練數據集的、與來自所述至少一個目標數據集的所述至少一個圖像相似的圖像。

4.根據權利要求3所述的方法，其中，所述相似的圖像使用完全或部分地從預訓練的機器學習模型導出的圖像特征描述符向量來選擇。

5.根據權利要求3所述的方法，其中，所述相似的圖像通過測量來自所述第一訓練數據集的圖像與來自所述至少一個目標數據集的所述至少一個圖像的像素級或圖像級描述符之間的相似性來選擇。

6.根據權利要求5所述的方法，進一步包括：

生成來自所述至少一個目標數據集的每個圖像的每個像素或像素集的圖像特征描述符向量；

生成來自所述第一訓練數據集的每個圖像的每個像素或像素集的圖像特征描述符向量；

計算圖像特征描述符向量之間的距離；以及

從所述第一訓練數據集的圖像中選擇與所述目標數據集中的所述至少一個圖像的像素/像素集距離接近的像素/像素集。

7.根據權利要求6所述的方法，其中，所述圖像特征描述符向量是組合選自包括以下各項的組的不同圖像特征描述符向量的結果：梯度方向直方圖(HOG)、紅-綠-藍(RGB)顏色直方圖、紋理直方圖、對小波濾波器的響應、人工神經網絡以及從預訓練模型中提取的深度神經網絡特征。

8.根據權利要求7所述的方法，其中，圖像特征描述符向量、所述圖像特征描述符向量被組合的方式以及測量所述圖像特征描述符向量之間的所述距離的函數是根據所需的圖像變換不變性來選擇的；其中，所述圖像變換不變性包括以下項的任意組合：平移、旋轉、縮放、剪切、圖像模糊以及圖像亮度和對比度變化。

9.根據前述權利要求中的任一項所述的方法，其中，所述第二訓練數據集包括來自所述至少一個目標數據集的由所述全局域數學模型預測為具有預定置信水平的部分或完整圖像。

10.根據權利要求9所述的方法，其中，所述預定置信水平與來自所述至少一個目標數據集中的所述至少一個圖像的識別、分類或標記過程的預測的準確度水平相關地定義。

11.根據權利要求9所述的方法，其中，所述部分或完整圖像是通過使用半監督機器學習方法獲取并且使用它們的像素級置信水平來選擇的，其中，每個類別的閾值是預定的，并且其中，在所有所述像素中來自所述全局域數學模型的預測高于所述預定閾值。

12.根據前述權利要求中的任一項所述的方法，其中，所述第二訓練數據集包括來自所述第一訓練數據集的與所述至少一個目標數據集中的所述至少一個圖像相似的圖像，以及來自所述至少一個目標數據集的由所述全局域數學模型預測為具有高于預定閾值的置信水平的部分或完整圖像。