[發(fā)明專利]用于預(yù)測眾包數(shù)據(jù)的正確標(biāo)簽的方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110028695.4
• 申請日: 2021-01-11
• 公開（公告）號: CN112766337A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計）人: 陳益強(qiáng);盧旺;于漢超;楊曉東;張迎偉;谷洋
• 申請（專利權(quán)）人: 中國科學(xué)院計算技術(shù)研究所;鵬城實(shí)驗室
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京泛華偉業(yè)知識產(chǎn)權(quán)代理有限公司 11280
• 代理人: 王勇

1.一種用于預(yù)測眾包數(shù)據(jù)的正確標(biāo)簽的模型訓(xùn)練方法，包括：

1)獲取眾包數(shù)據(jù)集，所述眾包數(shù)據(jù)集中的每個眾包數(shù)據(jù)都具有若干個初始標(biāo)簽；

2)基于所述每個眾包數(shù)據(jù)的所有初始標(biāo)簽的均值獲取對應(yīng)的眾包數(shù)據(jù)的參考標(biāo)簽，以訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

3)利用所述神經(jīng)網(wǎng)絡(luò)模型獲得所述每個眾包數(shù)據(jù)的預(yù)測標(biāo)簽，并基于所述每個眾包數(shù)據(jù)的每個初始標(biāo)簽相對于所述預(yù)測標(biāo)簽的可信度校準(zhǔn)所述神經(jīng)網(wǎng)絡(luò)模型；

4)重復(fù)步驟3)，直至所述神經(jīng)網(wǎng)絡(luò)模型收斂或精度持續(xù)下降。

2.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其中，所述基于所述每個眾包數(shù)據(jù)的每個初始標(biāo)簽相對于所述預(yù)測標(biāo)簽的可信度校準(zhǔn)所述神經(jīng)網(wǎng)絡(luò)模型包括：

將所述每個眾包數(shù)據(jù)的每個初始標(biāo)簽相對于所述預(yù)測標(biāo)簽的可信度作為所述每個眾包數(shù)據(jù)的每個初始標(biāo)簽的采樣權(quán)重；

依據(jù)所述采樣權(quán)重對所述每個眾包數(shù)據(jù)及所述采樣權(quán)重對應(yīng)的初始標(biāo)簽進(jìn)行加權(quán)采樣，并重新訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的訓(xùn)練方法，其中，步驟2)還包括：

利用所述眾包數(shù)據(jù)集中所有眾包數(shù)據(jù)的參考標(biāo)簽的均值和標(biāo)準(zhǔn)差對所述每個眾包數(shù)據(jù)及其參考標(biāo)簽和每個初始標(biāo)簽進(jìn)行歸一化處理，以訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求3所述的訓(xùn)練方法，其中，所述依據(jù)所述采樣權(quán)重對所述每個眾包數(shù)據(jù)及所述采樣權(quán)重對應(yīng)的初始標(biāo)簽進(jìn)行加權(quán)采樣，并重新訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型包括：

加權(quán)采樣相當(dāng)于將所述神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)變?yōu)椋?/p>

其中，為歸一化處理后的第i個眾包數(shù)據(jù)的第j個初始標(biāo)簽的可信度，為所述神經(jīng)網(wǎng)絡(luò)模型預(yù)測的歸一化處理后的第i個眾包數(shù)據(jù)的預(yù)測標(biāo)簽，為歸一化處理后的第i個眾包數(shù)據(jù)，為歸一化處理后的第i個眾包數(shù)據(jù)的第j個初始標(biāo)簽。

5.根據(jù)權(quán)利要求3所述的訓(xùn)練方法，其中，通過高斯核函數(shù)獲得所述每個眾包數(shù)據(jù)的每個初始標(biāo)簽相對于所述預(yù)測標(biāo)簽的可信度，公式如下：

其中，為所述神經(jīng)網(wǎng)絡(luò)模型預(yù)測的第i個眾包數(shù)據(jù)的預(yù)測標(biāo)簽，為歸一化處理后的第i個眾包數(shù)據(jù)的第j個初始標(biāo)簽，e為自然常數(shù)，σ²為預(yù)設(shè)的固定參數(shù)。

6.一種用于預(yù)測眾包數(shù)據(jù)的正確標(biāo)簽的方法，包括：

獲取眾包數(shù)據(jù)集，所述眾包數(shù)據(jù)集中的每個眾包數(shù)據(jù)具有若干個初始標(biāo)簽；

利用權(quán)利要求1-5中任一所述訓(xùn)練方法獲得的神經(jīng)網(wǎng)絡(luò)模型獲得所述眾包數(shù)據(jù)集中的每個眾包數(shù)據(jù)的預(yù)測標(biāo)簽，并將所述預(yù)測標(biāo)簽作為對應(yīng)的每個眾包數(shù)據(jù)的正確標(biāo)簽。

7.一種用于預(yù)測眾包數(shù)據(jù)的正確標(biāo)簽的系統(tǒng)，包括：

接口模塊，用于獲取眾包數(shù)據(jù)集，所述眾包數(shù)據(jù)集包括訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，所述眾包數(shù)據(jù)集中的每個眾包數(shù)據(jù)具有若干個初始標(biāo)簽；

訓(xùn)練模塊，用于基于所述訓(xùn)練數(shù)據(jù)集中的每個訓(xùn)練數(shù)據(jù)的所有初始標(biāo)簽的均值獲取對應(yīng)的訓(xùn)練數(shù)據(jù)的參考標(biāo)簽，以訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

校準(zhǔn)模塊，用于利用所述神經(jīng)網(wǎng)絡(luò)模型獲得所述每個訓(xùn)練數(shù)據(jù)的標(biāo)簽，并基于所述每個訓(xùn)練數(shù)據(jù)的每個初始標(biāo)簽相對于所述預(yù)測標(biāo)簽的可信度校準(zhǔn)所述神經(jīng)網(wǎng)絡(luò)模型，直至所述神經(jīng)網(wǎng)絡(luò)模型收斂或精度持續(xù)下降；

預(yù)測模塊，用于利用校準(zhǔn)后的所述神經(jīng)網(wǎng)絡(luò)模型獲得所述測試數(shù)據(jù)集中的每個測試數(shù)據(jù)的預(yù)測標(biāo)簽，并將所述預(yù)測標(biāo)簽作為對應(yīng)的每個眾包數(shù)據(jù)的正確標(biāo)簽。

8.一種存儲介質(zhì)，其中存儲有計算機(jī)程序，在所述計算機(jī)程序被處理器執(zhí)行時，能夠用于實(shí)現(xiàn)權(quán)利要求1-6中任一項所述的方法。

9.一種電子設(shè)備，包括處理器和存儲器，所述存儲器中存儲有計算機(jī)程序，在所述計算機(jī)程序被處理器執(zhí)行時，能夠用于實(shí)現(xiàn)權(quán)利要求1-6中任一項所述的方法。