[發(fā)明專利]圖像分類模型自學(xué)習(xí)的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110241737.2
• 申請(qǐng)日: 2021-03-04
• 公開(kāi)（公告）號(hào): CN112966739A
• 公開(kāi)（公告）日: 2021-06-15
• 發(fā)明（設(shè)計(jì)）人: 宋麗妍;姚新;武曉宇;胡崝
• 申請(qǐng)（專利權(quán)）人: 南方科技大學(xué);華為技術(shù)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 潘登

本發(fā)明實(shí)施例公開(kāi)了一種圖像分類模型自學(xué)習(xí)的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，該方法包括：獲取訓(xùn)練好的圖像分類模型；對(duì)所述圖像分類模型的輸出層增加輸出節(jié)點(diǎn)；獲取測(cè)試圖像并判斷是否屬于所述輸出節(jié)點(diǎn)后按預(yù)設(shè)規(guī)則輸入所述圖像分類模型中；通過(guò)所述圖像分類模型分類識(shí)別所述測(cè)試圖像并進(jìn)行更新。本發(fā)明實(shí)施例提供的一種圖像分類模型自學(xué)習(xí)的方法，通過(guò)對(duì)圖像分類模型進(jìn)行自動(dòng)更新，解決了現(xiàn)有技術(shù)中圖像分類模型在部署后很可能出現(xiàn)的性能退化問(wèn)題，實(shí)現(xiàn)了基于規(guī)則和模型判斷的策略大大降低了人工標(biāo)注圖像數(shù)據(jù)的成本，從而獲得更具有代表性的新的、有標(biāo)注的圖像數(shù)據(jù)的效果。

技術(shù)領(lǐng)域

本發(fā)明實(shí)施例涉及技術(shù)圖像分類，尤其涉及一種圖像分類模型自學(xué)習(xí)的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

現(xiàn)有圖像分類模型大都在部署前通過(guò)大量圖像數(shù)據(jù)進(jìn)行訓(xùn)練，以期模型部署上線后，在模型不會(huì)更新的情況下，仍能保持良好的預(yù)測(cè)性能。然而，事實(shí)上在模型的訓(xùn)練階段，工程師無(wú)法窮舉所有的數(shù)據(jù)情況，模型部署上線后很可能面臨更加復(fù)雜的圖像分類情況，因此模型性能很可能在部署后出現(xiàn)顯著的性能退化，且時(shí)間愈久，性能退化越嚴(yán)重。例如，預(yù)測(cè)過(guò)程中很可能出現(xiàn)與訓(xùn)練數(shù)據(jù)的樣式不同的圖像，使得模型在該類圖像數(shù)據(jù)的預(yù)測(cè)性能降低；在實(shí)際中，甚至出現(xiàn)在訓(xùn)練過(guò)程中未曾見(jiàn)過(guò)的未知類,原分類模型根本無(wú)法有效預(yù)測(cè)該未知類的圖像數(shù)據(jù)。因此，圖像分類模型能否持續(xù)地通過(guò)得到的最新圖像數(shù)據(jù)進(jìn)行模型更新，對(duì)保持分類模型的性能起著關(guān)鍵作用。

當(dāng)前解決圖像分類模型性能退化的一個(gè)基本思路是在模型部署后，仍對(duì)模型進(jìn)行實(shí)時(shí)更新。學(xué)術(shù)界將這一過(guò)程成為“持續(xù)學(xué)習(xí)(continual learning)”或者“終生學(xué)習(xí)(lifelong learning)”。然而，現(xiàn)有的學(xué)術(shù)界提出的持續(xù)學(xué)習(xí)分類模型，需要在模型預(yù)測(cè)過(guò)程后，通過(guò)人工標(biāo)記等高代價(jià)的行為獲得預(yù)測(cè)數(shù)據(jù)的真實(shí)類標(biāo)，再基于這些新標(biāo)記數(shù)據(jù)進(jìn)行模型更新。這類方法需要消耗大量的人力資源，在真實(shí)的工業(yè)環(huán)境中幾乎不可行。另外，現(xiàn)有相關(guān)模型大都只能持續(xù)學(xué)習(xí)訓(xùn)練集已包含的已知類的圖像數(shù)據(jù)，無(wú)法對(duì)未來(lái)可能出現(xiàn)的未知類的圖像進(jìn)行分類模型學(xué)習(xí)和更新。

發(fā)明內(nèi)容

本發(fā)明提供一種圖像分類模型自學(xué)習(xí)的方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)以實(shí)現(xiàn)大大降低人工標(biāo)注圖像數(shù)據(jù)的成本，從而獲得更具有代表性的新的、有標(biāo)注的圖像數(shù)據(jù)的效果。

第一方面，本發(fā)明實(shí)施例提供了一種圖像分類模型自學(xué)習(xí)的方法，包括：

獲取訓(xùn)練好的圖像分類模型；

對(duì)所述圖像分類模型的輸出層增加輸出節(jié)點(diǎn)；

獲取測(cè)試圖像并判斷是否屬于所述輸出節(jié)點(diǎn)后按預(yù)設(shè)規(guī)則輸入所述圖像分類模型中；

通過(guò)所述圖像分類模型分類識(shí)別所述測(cè)試圖像并進(jìn)行更新。

可選的，所述獲取訓(xùn)練好的圖像分類模型包括：

獲取未訓(xùn)練的深度學(xué)習(xí)模型；

通過(guò)已標(biāo)注的圖像數(shù)據(jù)對(duì)所述未訓(xùn)練的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練以獲取訓(xùn)練好的圖像分類模型。

可選的，所述對(duì)所述圖像分類模型的輸出層增加輸出節(jié)點(diǎn)包括：

通過(guò)圖像構(gòu)造方法生成新的圖像類標(biāo)；

根據(jù)所述圖像類標(biāo)對(duì)所述圖像分類模型的輸出層增加輸出節(jié)點(diǎn)。

可選的，所述獲取測(cè)試圖像并判斷是否屬于所述輸出節(jié)點(diǎn)后按預(yù)設(shè)規(guī)則輸入所述圖像分類模型中包括：

獲取測(cè)試圖像并生成隨機(jī)數(shù)；

判斷所述隨機(jī)數(shù)是否大于預(yù)設(shè)閾值，若是，則判斷所述測(cè)試圖像是否屬于所述輸出節(jié)點(diǎn)，若否，則將所述測(cè)試圖像進(jìn)行人工標(biāo)注。

可選的，判斷所述測(cè)試圖像是否屬于所述輸出節(jié)點(diǎn)之后還包括：