[發明專利]樣本學習方法、數據標注設備、電子設備以及介質

在審

• 申請號: 202210095511.0
• 申請日: 2022-01-26
• 公開（公告）號: CN114418096A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 崔現軍;李洪宇
• 申請（專利權）人: OPPO廣東移動通信有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 李莉

1.一種樣本學習方法，其特征在于，所述方法包括：

獲取已標注數據集和未標注數據集；

根據所述已標注數據集構建網絡模型；

將所述已標注數據集和所述未標注數據集輸入至所述網絡模型，以利用所述網絡模型對所述未標注數據集進行精度驗證，得到模型精度；

在所述模型精度不滿足預設條件時，從所述未標注數據集中選取若干樣本，并對所述若干樣本對應的預標注數據進行人工審核以更新所述未標注數據集；

再次執行將所述已標注數據集和所述未標注數據集輸入至所述網絡模型，以利用所述網絡模型對所述未標注數據集進行精度驗證的步驟，通過多次迭代直至所述模型精度滿足所述預設條件。

2.根據權利要求1所述的方法，其特征在于，

所述根據所述已標注數據集構建網絡模型，包括：

調用所述樣本特征提取模塊，對所述已標注數據集進行特征提取，得到第一圖像特征；

調用所述邊緣樣本挖掘模塊，將所述第一圖像特征分別輸入第一預測分類器和第二預測分類器，分別得到多個類別的第一預測數據和多個類別的第二預測數據，其中，所述邊緣樣本挖掘模塊包括第一預測分類器和第二預測分類器，所述第二預測分類器與所述第一預測分類器的網絡結構相同；

基于所述第一預測數據和所述第二預測數據，對所述樣本特征提取模塊和所述邊緣樣本挖掘模塊進行構建，以得到所述網絡模型。

3.根據權利要求2所述的方法，其特征在于，

所述網絡模型包含損失函數，所述損失函數包括第一損失函數和第二損失函數；

所述將所述已標注數據集和所述未標注數據集輸入至所述網絡模型，以利用所述網絡模型對所述未標注數據集進行精度驗證，得到模型精度，包括：

針對所述已標注數據集，調用所述第一損失函數進行計算，得到第一預測損失；

針對所述未標注數據集，調用所述第二損失函數進行計算，得到所述第二預測損失；

基于所述第一預測損失和所述第二預測損失，對所述網絡模塊的網絡參數進行更新，以得到更新后的網絡模型。

4.根據權利要求3所述的方法，其特征在于，

所述樣本特征提取模塊包括編碼器；

所述基于所述第一預測損失和所述第二預測損失，對所述網絡模塊的網絡參數進行更新，包括：

基于所述第一預測損失與所述第二預測損失之間的最大值，對所述第一預測分類器的第一參數和所述第二預測分類器的第二參數進行更新，并停止更新所述編碼器的參數；或

基于所述第一預測損失與所述第二預測損失之間的最小值，對所述編碼器的參數進行更新，并停止更新所述第一參數和所述第二參數。

5.根據權利要求3所述的方法，其特征在于，

所述方法還包括：

基于所述第一預測損失、所述最大值以及所述最小值，判斷所述損失函數的損失值是否小于或等于預設閾值；

若小于或等于，則判定所述損失函數收斂，所述模型精度滿足預設條件；

若大于，則所述模型精度不滿足預設條件。

6.根據權利要求5所述的方法，其特征在于，

所述數據標注模型還包括融合查詢模塊；

所述在所述模型精度不滿足預設條件時，從所述未標注數據集中選取若干樣本，并對所述若干樣本對應的預標注數據進行人工審核以更新所述未標注數據集，包括：

調用所述融合查詢模塊，獲取所述預標注數據的不確定性度量和邊緣分布度量；

基于所述不確定性度量、所述邊緣分布度量和所述預設條件，對所述預標注數據進行分析和排序篩選，以從所述未標注數據集中選取若干樣本，并對所述若干樣本對應的所述預標注數據進行人工審核；

將審核后的所述預標注數據存入所述未標注數據集所在的數據池，以更新所述未標注數據集。