CN112632350B - 一种基于在线教育大数据的深度学习样本标注方法及*** - Google Patents
一种基于在线教育大数据的深度学习样本标注方法及*** Download PDFInfo
- Publication number
- CN112632350B CN112632350B CN202011437671.6A CN202011437671A CN112632350B CN 112632350 B CN112632350 B CN 112632350B CN 202011437671 A CN202011437671 A CN 202011437671A CN 112632350 B CN112632350 B CN 112632350B
- Authority
- CN
- China
- Prior art keywords
- data
- labeling
- module
- database
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 161
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于计算机视觉技术领域,提供了一种基于在线教育大数据的深度学习样本标注方法及***;其包括以下步骤:S1:从数据库中N个数据中随机抽取M个样本,对M个样本进行标注,根据已标注的M个样本对标注模型进行训练;S2:对M个已标注的样本分为多个不同类别数据的分类库;S3:标注模型对整个数据库中N‑M个数据进行标注分类;S4:通过在线标注模块展示需要标注的N个数据;对展示的标注的N个数据进行更正标注,所述N个数据来自于数据库中标注完成的随机数据;S5:被更正标注的数据进行判定;根据判定确认后的更正标注的数据对标注模型进行再次训练。
Description
技术领域
本发明涉及计算机视觉技术领域,具体是一种基于在线教育大数据的深度学习样本标注方法及***。
背景技术
近些年来,深度学***,因此在业界中已经得到了广泛的应用。在很多领域,深度学习算法都可以替代原来的人工操作,这不仅降低了人工成本,还大幅降低了出错的概率和风险。比如,在目前安防领域中常用的行人检测以及人脸识别、金融领域常用的人证合一验证、新零售中常用的商品识别等等。
由于目前的主流深度学习算法都是监督学习,模型的训练依赖大量的标注数据,其中,基于深度学习的神经网络模型需要的样本数量尤其巨大,这也是模型能够具有很高表现力和鲁棒性的原因。在实际应用中,采集大量样本图像然后进行人工打标:需要大量的时间和人工成本,影响模型的快速开发。因此,如何提供一种快速准确的标注方法和***是至关重要的。
发明内容
本发明的目的在于提供一种基于在线教育大数据的深度学习样本标注方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于在线教育大数据的深度学习样本标注方法,其包括以下步骤:
从数据库中N个数据中随机抽取M个样本发送给训练标注模块,所述训练标注模块对抽取出来的M个样本进行初始标注;所述训练标注模块将M个样本发送至数据库进行储存;被初始标注的M个样本数据被存储到数据库中,数据库将M个样本发送给标注模型进行训练;
归类模块读取数据库中的对M个已标注的样本,并对M个已标注的样本对分为多个不同类别数据的分类库,其根据数据属性对其进行分类;
训练后的所述标注模型对整个数据库N-M个数据进行标注分类;
在线标注模块抽取数据库中已经标注完成后的N个数据,并对抽取的所述N个数据对分类展示;人工对展示的所述N个数据进行更正标注,所述N个数据来自于数据库中标注完成的随机数据;
判断模块读取数据库中更正标注的数据,并对更正标注的数据进行有效判定,数据库对进行有效判断的更正标注的数据进行覆盖储存;根据判定有效的更正标注的数据对标注模型进行再次训练。
作为本发明进一步的方案:步骤S4中的所述N个数据来自于数据库中标注完成的随机数据。
作为本发明再进一步的方案:所述在线标注模块对所述分类库的数据分开展示。
作为本发明再进一步的方案:在线标注时对存储在数据库中的标注数据进行复核,若发现其不属于展示类别数据,对其进行更正标注;若所述标注数据被更正标注次数是否超过K次时,对该数据的标注确认更改为更新标注,并将该数据重新分类;若所述标注数据被更正标注次数小于K次时,则维持标注模型的初始标注。
作为本发明再进一步的方案:所述K值为通过在线标注复核次数的H的半数。
作为本发明再进一步的方案:所述H值大于100次。
作为本发明再进一步的方案:根据更正标注的数据对标注模型进行再次训练。
本发明提供的另一种技术方案:
一种基于在线教育大数据的深度学习样本标注***,包括:训练标注模块、在线标注模块、判断模块、归类模块和数据库;其中,所述训练标注模块、在线标注模块、判断模块、归类模块均与数据库通信连接;
训练标注模块:用于从数据库中N个数据中随机抽取M个样本,对M个样本进行标注,根据已标注的M个样本对标注模型进行训练;标注模型根据M个已标注的样本分为多个不同类别数据;标注模型对整个数据库N-M个数据进行标注分类;根据更正标注的数据对标注模型进行再次训练;
在线标注模块,用于展示存储在数据库中的已经标注的N个数据;对展示的标注的N个数据进行更正标注,所述N个数据来自于数据库中标注完成的随机数据;
判断模块,用于判断在线标注模块对数据的更正标注是否有效。
归类模块,用于读取已经存储在数据库中经过训练标注模块和判断模块对数据的标注的数据,并对数据进行分类。
数据库:用于储存数据。
作为本发明再进一步的方案:所述在线标注模块用于众人对其数据进行更正标注。
作为本发明再进一步的方案:判断模块,判断数据被更正标注的次数是否超过K;若超过K,将数据的标注确认为更新标注;若数据被更正标注次数小于K次时,则维持标注模型对数据的初始标注。
与现有技术相比,本发明的有益效果是:通过设置在线标注模块进而对标注模型的一次标注进行确认,同时能够对标注模型进行二次训练,保证标注模型的准确性,标注模型对数据进行一次标注、在线标注模块进行更正标注,同时在线标注模块是在标注模型的一次标注的基础上进行,对数据进行分类,进而减少了更正标注的工作量,两次标注之间相辅相成,提高标注效率和准确度。
附图说明
图1为基于在线教育大数据的深度学习样本标注方法的步骤图。
图2为基于在线教育大数据的深度学习样本标注方法中更正标注的步骤图。
图3为基于在线教育大数据的深度学习样本标注***的结构示意图。
图中:训练标注模块-1、判断模块-2、归类模块-3、在线标注模块-4、数据库-5。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,本发明实施例1中,为本发明实施例提供的一种基于在线教育大数据的深度学习样本标注方法的工作流程,包括:
S101:从数据库5中N个数据中随机抽取M个样本发送给训练标注模块1,所述训练标注模块1对抽取出来的M个样本进行初始标注,训练标注模块1将已初始标注的M个样本对标注模型进行训练;训练标注模块1将M个样本发送至数据库进行储存;所述M<所述N。
被初始标注的M个样本数据被存储到数据库5中,数据库5将M个样本发送给标注模型进行训练。
S102:归类模块3读取数据库中的对M个已标注的样本,并对M个已标注的样本对分为多个不同类别数据的分类库,其根据数据属性对其进行分类。
S103:训练后的所述标注模型对整个数据库5N-M个数据进行标注分类。
S104:在线标注模块4抽取数据库5中已经标注完成后的N个数据,并对抽取的所述N个数据对分类展示;人工对展示的所述N个数据进行更正标注,所述N个数据来自于数据库5中标注完成的随机数据。
人们在进行更正标注时,若发现该数据的实际类型与已标注的类型有出入,则对该数据进行更正标注。
S105:判断模块2读取数据库5中更正标注的数据,并对更正标注的数据进行有效判定,数据库5对进行有效判断的更正标注的数据进行覆盖储存。
S106:根据判定有效的更正标注的数据对标注模型进行再次训练。
在线标注模块4对所述分类库的数据分开展示,进而便于在线标注人员能够专一的只对同一类型的数据进行标注,避免同时对多种数据进行标注,思维容易造成混乱,该设置使得在线标注效率更高、效果更好。
更正标注工作步骤,包括:S201:人工在线标注时对存储在数据库5中的标注数据进行复核;若发现其不属于展示类别数据,对其进行更正标注;
S202:判断模块2判断所述标注数据被更正标注次数是否超过K次;
S203:若所述标注数据被更正标注次数超过K次时,对该数据的标注确认更改为更新标注,并将该数据重新分类;
S204:若所述标注数据被更正标注次数小于K次时,则维持标注模型的初始标注。
所述K值为通过在线标注复核次数的H的半数。
所述H值大于100次。
根据将最终更正标注的数据对标注模型进行再次训练。该设置进而保证标注模块工作的准确性,由于标注模型刚开始在受到训练次数和样本偏差的局限性进而导致其开始标注存在不稳定性,通过设置在线标注模块4进而对标注模型的一次标注进行确认,同时能够对标注模型进行二次训练,保证标注模型的准确性,标注模型对数据进行一次标注、在线标注模块4进行更正标注,同时在线标注模块4是在标注模型的一次标注的基础上进行,对数据进行分类,进而减少了更正标注的工作量,两次标注之间相辅相成,提高标注效率和准确度,进而能够使得标注模型进行验证,便于下次标注更加准确的进行标注。
实施例2
请参阅图2~3,本发明实施例2中,为本发明实施例提供的一种基于在线教育大数据的深度学习样本标注***的结构图,包括:训练标注模块1、在线标注模块4、判断模块2、归类模块3和数据库5;其中,所述训练标注模块1、在线标注模块4、判断模块2、归类模块3均与数据库5通信连接。
训练标注模块1:用于从数据库5中N个数据中随机抽取M个样本,对M个样本进行标注,根据已标注的M个样本对标注模型进行训练;标注模型根据M个已标注的样本分为多个不同类别数据;标注模型对整个数据库5N-M个数据进行标注分类;根据更正标注的数据对标注模型进行再次训练;
在线标注模块4,用于展示存储在数据库5中的已经标注的N个数据;对展示的标注的N个数据进行更正标注,所述N个数据来自于数据库5中标注完成的随机数据;
判断模块2,用于判断在线标注模块4对数据的更正标注是否有效。
归类模块3,用于读取存储在数据库5中已经过训练标注模块1和判断模块2对数据的标注的数据,并对数据进行分类。
数据库5:用于储存数据。
所述在线标注模块4用于众人对其数据进行更正标注。所述在线标注模块4包括多个账户,多个账户可同时登陆,进而便于多人能够在线进行标注,提高标注效率。
进一步的,判断模块2,判断数据被更正标注的次数是否超过K;若超过K,将数据的标注确认为更新标注;若数据被更正标注次数小于K次时,则维持标注模型对数据的初始标注。该设置进而能够对数据标注进行确认,进而能够保证标注的准确性。
所述K值为通过在线标注复核次数的H的半数。
所述H值大于100次。
本发明的工作原理是:
训练标注模块1从数据库5中N个数据中随机抽取M个样本,对M个样本进行标注,根据已标注的M个样本对标注模型进行训练;标注模型根据M个已标注的样本分为多个不同类别数据;标注模型对整个数据库5N-M个数据进行标注分类;数据库5对数据进行储存;在线标注模块4展示存储在数据库5中的已经标注的N个数据;对展示的标注的N个数据进行更正标注,所述N个数据来自于数据库5中标注完成的随机数据;判断模块2,根据被更正标注数据的次数是否超过被复核次数的半数判断在线标注模块4的更正标注是否有效,若有效将数据的标注确认为更新标注;若数据无效,则维持标注模型对数据的初始标注;归类模块3根据训练标注模块1和判断模块2对数据的标注,将数据分类存储在数据库中。
根据更正标注的数据对标注模型进行再次训练
该设置进而保证在标注模型工作的准确性,由于标注模型刚开始在受到训练次数和样本偏差的局限性进而导致其开始标注存在不稳定性,通过设置在线标注模块4进而对标注模型的一次标注进行确认,同时能够对标注模型进行二次训练,保证标注模型的准确性,标注模型对数据进行一次标注、在线标注模块4进行更正标注,同时在线标注模块4是在标注模型的一次标注的基础上进行,对数据进行分类,进而减少了更正标注的工作量,两次标注之间相辅相成,提高标注效率和准确度。
本应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于在线教育大数据的深度学习样本标注方法,其特征在于,其包括以下步骤:
从数据库中N个数据中随机抽取M个样本发送给在训练标注模块,所述训练标注模块对抽取出来的M个样本进行初始标注;训练标注模块将M个样本发送至数据库进行储存;被初始标注的M个样本数据被存储到数据库中;数据库将M个样本发送给标注模型进行训练;
归类模块读取数据库中的对M个已标注的样本,并对M个已标注的样本分为多个不同类别数据的分类库,其根据数据属性对其进行分类;
训练后的所述标注模型对整个数据库N-M个数据进行标注分类;
在线标注模块抽取数据库中已经标注完成后的N个数据,并对抽取的所述N个数据分类展示;人工对展示的所述N个数据进行更正标注,所述N个数据来自于数据库中标注完成的随机数据;
判断模块读取数据库中更正标注的数据,并对更正标注的数据进行有效判定,数据库对进行有效判断的更正标注的数据进行覆盖储存;
根据判定有效的更正标注的数据对标注模型进行再次训练;
所述更正标注步骤包括:在线标注时对存储在数据库中的标注数据进行复核;若发现其不属于展示类别数据,对其进行更正标注;判断所述标注数据被更正标注次数是否超过K次;若所述标注数据被更正标注次数超过K次时,对该数据的标注确认更改为更新标注,并将该数据重新分类;若所述标注数据被更正标注次数小于K次时,则维持标注模型的初始标注;所述K值为通过在线标注复核次数H的半数。
2.根据权利要求1所述的基于在线教育大数据的深度学习样本标注方法,其特征在于,在进行更正标注时,若发现该数据的实际类型与已标注的类型有出入,则对该数据进行更正标注。
3.根据权利要求2所述的基于在线教育大数据的深度学习样本标注方法,其特征在于,所述在线标注模块对所述分类库的数据分开展示。
4.根据权利要求1所述的基于在线教育大数据的深度学习样本标注方法,其特征在于,所述H值大于100次。
5.根据权利要求4所述的基于在线教育大数据的深度学习样本标注方法,其特征在于,根据将最终更正标注的数据对标注模型进行再次训练。
6.一种基于在线教育大数据的深度学习样本标注***,其特征在于,包括:训练标注模块、在线标注模块、判断模块、归类模块和数据库;其中,所述训练标注模块、在线标注模块、判断模块、归类模块均与数据库通信连接;
训练标注模块:用于从数据库中N个数据中随机抽取M个样本,对M个样本进行标注,根据已标注的M个样本对标注模型进行训练;标注模型根据M个已标注的样本分为多个不同类别数据;标注模型对整个数据库N-M个数据进行标注分类;根据更正标注的数据对标注模型进行再次训练;
在线标注模块,用于展示存储在数据库中的已经标注的N个数据;对展示的标注的N个数据进行更正标注,所述N个数据来自于数据库中标注完成的随机数据;
判断模块,用于判断在线标注模块对数据的更正标注是否有效;
归类模块,用于根据训练标注模块和判断模块对数据的标注,对数据进行分类;
数据库:用于储存数据;
判断模块,用于判断数据被更正标注的次数是否超过K;若超过K,将数据的标注确认为更新标注;若数据被更正标注次数小于K次时,则维持标注模型对数据的初始标注;
所述K值为通过在线标注复核次数H的半数。
7.根据权利要求6所述的基于在线教育大数据的深度学习样本标注方法,其特征在于,所述在线标注模块用于众人对其数据进行更正标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011437671.6A CN112632350B (zh) | 2020-12-07 | 2020-12-07 | 一种基于在线教育大数据的深度学习样本标注方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011437671.6A CN112632350B (zh) | 2020-12-07 | 2020-12-07 | 一种基于在线教育大数据的深度学习样本标注方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632350A CN112632350A (zh) | 2021-04-09 |
CN112632350B true CN112632350B (zh) | 2023-12-05 |
Family
ID=75309214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011437671.6A Active CN112632350B (zh) | 2020-12-07 | 2020-12-07 | 一种基于在线教育大数据的深度学习样本标注方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632350B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及*** |
WO2019137196A1 (zh) * | 2018-01-11 | 2019-07-18 | 阿里巴巴集团控股有限公司 | 图像标注信息助理方法、装置、服务器及*** |
CN110399933A (zh) * | 2019-07-31 | 2019-11-01 | 北京字节跳动网络技术有限公司 | 数据标注修正方法、装置、计算机可读介质及电子设备 |
CN110674295A (zh) * | 2019-09-11 | 2020-01-10 | 成都数之联科技有限公司 | 一种基于深度学习的数据标注*** |
CN110750540A (zh) * | 2019-10-18 | 2020-02-04 | 中国人民解放军军事科学院军事医学研究院 | 构建医疗业务知识库的方法、获得医疗业务语义模型的方法及***、介质 |
CN111026815A (zh) * | 2019-12-05 | 2020-04-17 | 电子科技大学广东电子信息工程研究院 | 基于用户辅助修正下的实体对特定关系抽取方法 |
CN211181114U (zh) * | 2019-12-13 | 2020-08-04 | 肇庆学院 | 一种基于云计算的大数据教学***用投影装置 |
CN111881957A (zh) * | 2020-07-15 | 2020-11-03 | 中国科学院自动化研究所 | 基于信息导向注意力网络的图像识别方法、***及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11663517B2 (en) * | 2017-11-03 | 2023-05-30 | Salesforce, Inc. | Automatic machine learning model generation |
-
2020
- 2020-12-07 CN CN202011437671.6A patent/CN112632350B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
WO2019137196A1 (zh) * | 2018-01-11 | 2019-07-18 | 阿里巴巴集团控股有限公司 | 图像标注信息助理方法、装置、服务器及*** |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及*** |
CN110399933A (zh) * | 2019-07-31 | 2019-11-01 | 北京字节跳动网络技术有限公司 | 数据标注修正方法、装置、计算机可读介质及电子设备 |
CN110674295A (zh) * | 2019-09-11 | 2020-01-10 | 成都数之联科技有限公司 | 一种基于深度学习的数据标注*** |
CN110750540A (zh) * | 2019-10-18 | 2020-02-04 | 中国人民解放军军事科学院军事医学研究院 | 构建医疗业务知识库的方法、获得医疗业务语义模型的方法及***、介质 |
CN111026815A (zh) * | 2019-12-05 | 2020-04-17 | 电子科技大学广东电子信息工程研究院 | 基于用户辅助修正下的实体对特定关系抽取方法 |
CN211181114U (zh) * | 2019-12-13 | 2020-08-04 | 肇庆学院 | 一种基于云计算的大数据教学***用投影装置 |
CN111881957A (zh) * | 2020-07-15 | 2020-11-03 | 中国科学院自动化研究所 | 基于信息导向注意力网络的图像识别方法、***及装置 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的图像自动标注算法研究;马颖;;数字技术与应用(第10期);第122、124页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112632350A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914558A (zh) | 基于句袋注意力远程监督的课程知识关系抽取方法及*** | |
EP1571560A2 (en) | Assisted form filling | |
CN112287916B (zh) | 视频图文课件文本提取方法、装置、设备及介质 | |
CN112906384B (zh) | 基于bert模型的数据处理方法、装置、设备及可读存储介质 | |
WO2021139316A1 (zh) | 建立表情识别模型方法、装置、计算机设备及存储介质 | |
CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN112949476B (zh) | 基于图卷积神经网络的文本关系检测方法、装置及存储介质 | |
CN112632278A (zh) | 一种基于多标签分类的标注方法、装置、设备及存储介质 | |
CN113868419A (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
CN110414229B (zh) | 操作命令检测方法、装置、计算机设备及存储介质 | |
CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、***及介质 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN112632350B (zh) | 一种基于在线教育大数据的深度学习样本标注方法及*** | |
CN113344125A (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN113935880A (zh) | 政策推荐方法、装置、设备及存储介质 | |
CN113779242A (zh) | 一种新的电网监控告警事件识别算法 | |
CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
CN112395401A (zh) | 自适应负样本对采样方法、装置、电子设备及存储介质 | |
CN109977400B (zh) | 一种校验处理的方法、装置、计算机存储介质及终端 | |
CN113850260B (zh) | 关键信息抽取方法、装置、电子设备及可读存储介质 | |
CN116704528A (zh) | 票据识别核验方法、装置、计算机设备及存储介质 | |
CN114936615B (zh) | 一种基于表征一致性校对的小样本日志信息异常检测方法 | |
CN108170838B (zh) | 话题演变的可视化展现方法、应用服务器及计算机可读存储介质 | |
CN113111869A (zh) | 提取文字图片及其描述的方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |