[發明專利]基于無標注樣本數據的目標分類模型訓練方法及裝置

在審

• 申請號: 202111591966.3
• 申請日: 2021-12-23
• 公開（公告）號: CN114419363A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 李冠彬;黃俊凱;張津津;柴振華;魏曉林
• 申請（專利權）人: 北京三快在線科技有限公司;中山大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 任亞娟

1.一種基于無標注樣本的目標分類模型訓練方法，其特征在于，包括：

基于第一分類模型對樣本數據集中的無標注樣本集進行標注，以得到偽標簽樣本集，其中，所述第一分類模型是基于有標注樣本集對目標分類模型訓練得到的；

根據多模態匹配模型以及偽標簽樣本集篩除所述樣本數據集中的離群樣本，以得到非離群樣本集，其中，所述多模態匹配模型是基于所述有標注樣本集訓練得到的；

基于所述非離群樣本集對所述目標分類模型進行訓練，直至模型收斂。

2.根據權利要求1所述的方法，其特征在于，基于第一分類模型對所述樣本數據集中的無標注樣本集進行標注，包括：

根據所述第一分類模型對所述無標注樣本集中的多個無標注樣本進行預測，以得到所述多個無標注樣本對應的多個偽標簽；

基于所述多個偽標簽對應對所述多個無標注樣本進行標注，以得到所述偽標簽樣本集。

3.根據權利要求1所述的方法，其特征在于，根據多模態匹配模型以及偽標簽樣本集篩除所述樣本數據集中的離群樣本，包括：

根據多模態匹配模型以及偽標簽樣本集確定所述樣本數據集中的離群樣本；

剔除所述樣本數據集中的所述離群樣本。

4.根據權利要求3所述的方法，其特征在于，根據多模態匹配模型以及偽標簽樣本集確定所述樣本數據集中的離群樣本，包括：

將所述偽標簽樣本集中的偽標簽樣本的偽標簽對應的標簽特征向量，以及所述偽標簽樣本的圖像特征向量，輸入至所述多模態匹配模型；

若根據所述多模態匹配模型確定所述標簽特征向量以及所述圖像特征向量不匹配，則確定所述偽標簽樣本對應的無標注樣本為所述離群樣本；

反之，則確定所述偽標簽樣本對應的無標注樣本為非離群樣本。

5.根據權利要求1所述的方法，其特征在于，所述目標分類模型包括圖像分類模型，所述圖像分類模型包括骨干網絡以及分類器，其中，

所述基于所述非離群樣本集對所述圖像分類模型進行訓練，直至模型收斂，包括：

基于所述非離群樣本集所述圖像分類模型進行訓練；以及，

基于旋轉樣本集對圖像旋轉模型進行訓練，

其中，所述旋轉樣本集是根據所述樣本數據集得到，所述圖像旋轉模型包括所述骨干網絡以及旋轉分類器。

6.根據權利要求5所述的方法，其特征在于，基于所述非離群樣本集所述圖像分類模型進行訓練；以及，基于旋轉樣本集對圖像旋轉模型進行訓練，包括：

根據所述非離群樣本集確定所述圖像分類模型對應的第一損失函數；

根據所述旋轉樣本集確定所述圖像旋轉模型對應的第二損失函數；

基于所述第一損失函數以及所述第二損失函數分別所述圖像分類模型以及所述圖像旋轉模型進行訓練，直至迭代至預設次數。

7.根據權利要求1所述的方法，其特征在于，在基于旋轉樣本集對圖像旋轉模型進行訓練之前，還包括：

對所述樣本數據集中的訓練樣本旋轉至預設角度，以得到旋轉樣本，其中，所述旋轉樣本包括旋轉角度標簽。

8.一種基于無標注樣本的目標分類模型訓練裝置，其特征在于，包括：

標注模塊，用于基于第一分類模型對樣本數據集中的無標注樣本集進行標注，以得到偽標簽樣本集，其中，所述第一分類模型是基于有標注樣本集對目標分類模型訓練得到的；

篩選模塊，用于根據多模態匹配模型以及偽標簽樣本集篩除所述樣本數據集中的離群樣本，以得到非離群樣本集，其中，所述多模態匹配模型是基于所述有標注樣本集訓練得到的；

訓練模塊，用于基于所述非離群樣本集對所述目標分類模型進行訓練，直至模型收斂。

9.一種電子設備，其特征在于，包括處理器，存儲器及存儲在所述存儲器上并可在所述處理器上運行的程序或指令，所述程序或指令被所述處理器執行時實現如權利要求1-7所述的基于無標注樣本的目標分類模型訓練方法的步驟。

10.一種可讀存儲介質，其特征在于，所述可讀存儲介質上存儲程序或指令，所述程序或指令被處理器執行時實現如權利要求1-7所述的基于無標注樣本的目標分類模型訓練方法的步驟。