CN117636100A - 预训练任务模型调整处理方法、装置、电子设备和介质 - Google Patents
预训练任务模型调整处理方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN117636100A CN117636100A CN202410101911.7A CN202410101911A CN117636100A CN 117636100 A CN117636100 A CN 117636100A CN 202410101911 A CN202410101911 A CN 202410101911A CN 117636100 A CN117636100 A CN 117636100A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- image
- unlabeled
- information
- determining
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 74
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 452
- 238000002372 labelling Methods 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 60
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 11
- 238000012216 screening Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了预训练任务模型调整处理方法、装置、电子设备和介质。该方法的一具体实施方式包括:根据未标注图像集合,生成标注图像组集合;生成标注特征向量组集合;根据标注图像组集合,确定聚类类别信息;生成未标注特征向量集合;对未标注特征向量集合进行聚类处理;生成聚类中心信息集合;生成标注图像中心信息集合;根据聚类中心信息集合和标注图像中心信息集合,确定校准中心信息集合;根据校准中心信息集合,生成特征向量组集合;确定伪标签特征向量组集合;确定扩展标签图像组集合;对预训练任务模型进行调整处理。该实施方式可以减少计算机处理器资源的浪费,缩减所选择数据的类别分布与总体样本的类别分布偏差。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及预训练任务模型调整处理方法、装置、电子设备和介质。
背景技术
随着计算机视觉技术发展,机器学习和深度学习都极大的促进了各行业的发展。机器学习和深度学习的成功依赖于大量可用的训练数据(例如图像数据)。特别是机器学习中的监督学习(表现为预训练任务模型)更是依赖于大量的有标签图像。然而,对大量图像数据进行标签标注,需要耗费一定的时间和大量的人力资源。并且,对某些特殊行业的图像数据,存在标签标注困难(例如,医疗行业、航空航天行业等需要专业人员才可以完成样本标记),无法获取大量有标签的样本的问题。为缓解这一矛盾,出现了采用主动学习的“预训练-微调范式”的学习方法,以实现对预训练任务模型的微调处理。目前,在对预训练任务模型进行微调处理操作时,通常采用的方式为:首先,从未标注数据池中选择部分数据进行人工标注,得到人工标注数据。然后,基于人工标注数据,采用多轮迭代(将人工标注的数据输入模型进行第一轮模型训练,得到模型M1,并观察模型的表现,通常模型M1表现较差,基于模型M1对未标注数据池中剩余所有未标注数据进行置信度(例如概率)预测,挑选置信度排名靠前的预设数量的未标注数据进行标注,将进行标注的数据和第一次人工标注的数据组合并训练模型M1,得到模型M2,如此循环往复,直至模型表现较好或迭代次数满足预设迭代阈值)的方式对预训练任务模型进行模型微调处理。
然而,当采用上述方式对预训练任务模型进行微调处理操作时,经常会存在如下技术问题:
在对预训练任务模型进行微调处理的过程中,一方面,采用多轮迭代的方式进行数据标注以及对预训练任务模型进行微调处理,导致训练次数较多,训练时间较长,计算机处理器资源占用较多,从而导致计算机处理器资源的浪费;另一方面,采用多轮迭代进行的数据选择,是基于未标注数据的置信度进行数据选择和标签标注的,导致所选择数据的类别分布与总体样本的类别分布偏差较大,即样本不均衡问题较大,从而导致预训练任务模型的微调处理的效果较差。
该背景技术部分中所公开的以上信息仅用于增强对本公开构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了预训练任务模型调整处理方法、装置、电子设备和介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种预训练任务模型调整处理方法,该方法包括:获取未标注图像集合;根据上述未标注图像集合,生成标注图像组集合;根据预先训练的图像特征生成模型和上述标注图像组集合,生成标注特征向量组集合;根据上述标注图像组集合,确定上述未标注图像集合对应的聚类类别信息;根据上述图像特征生成模型和上述未标注图像集合,生成未标注特征向量集合;根据上述聚类类别信息,对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合;根据上述未标注特征向量组集合,生成聚类中心信息集合;根据上述标注特征向量组集合,生成标注图像中心信息集合;根据上述聚类中心信息集合和上述标注图像中心信息集合,确定校准中心信息集合,其中,上述聚类中心信息集合中的聚类中心信息对应上述标注图像中心信息集合中的标注图像中心信息;根据上述校准中心信息集合,生成特征向量组集合,其中,上述特征向量组集合中的特征向量组对应上述校准中心信息集合中的校准中心信息;根据上述特征向量组集合和上述未标注特征向量组集合,确定伪标签特征向量组集合,其中,上述伪标签特征向量组集合中的伪标签特征向量组对应上述未标注特征向量组集合中的未标注特征向量组;根据上述伪标签特征向量组集合和上述标注特征向量组集合,确定扩展标签图像组集合;根据上述扩展标签图像组集合,对预训练任务模型进行调整处理。
第二方面,本公开的一些实施例提供了一种预训练任务模型调整处理装置,装置包括:获取单元,被配置成获取未标注图像集合;第一生成单元,被配置成根据上述未标注图像集合,生成标注图像组集合;第二生成单元,被配置成根据预先训练的图像特征生成模型和上述标注图像组集合,生成标注特征向量组集合;第一确定单元,被配置成根据上述标注图像组集合,确定上述未标注图像集合对应的聚类类别信息;第三生成单元,被配置成根据上述图像特征生成模型和上述未标注图像集合,生成未标注特征向量集合;聚类处理单元,被配置成根据上述聚类类别信息,对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合;第四生成单元,被配置成根据上述未标注特征向量组集合,生成聚类中心信息集合;第五生成单元,被配置成根据上述标注特征向量组集合,生成标注图像中心信息集合;第二确定单元,被配置成根据上述聚类中心信息集合和上述标注图像中心信息集合,确定校准中心信息集合,其中,上述聚类中心信息集合中的聚类中心信息对应上述标注图像中心信息集合中的标注图像中心信息;第六生成单元,被配置成根据上述校准中心信息集合,生成特征向量组集合,其中,上述特征向量组集合中的特征向量组对应上述校准中心信息集合中的校准中心信息;第三确定单元,被配置成根据上述特征向量组集合和上述未标注特征向量组集合,确定伪标签特征向量组集合,其中,上述伪标签特征向量组集合中的伪标签特征向量组对应上述未标注特征向量组集合中的未标注特征向量组;第四确定单元,被配置成根据上述伪标签特征向量组集合和上述标注特征向量组集合,确定扩展标签图像组集合;调整处理单元,被配置成根据上述扩展标签图像组集合,对预训练任务模型进行调整处理。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的预训练任务模型调整处理方法,可以减少计算机处理器资源的浪费,缩减所选择数据的类别分布与总体样本的类别分布偏差。具体来说,导致计算机处理器资源的浪费和所选择数据的类别分布与总体样本的类别分布偏差较大的原因在于:在对预训练任务模型进行微调处理的过程中,一方面,采用多轮迭代的方式进行数据标注以及对预训练任务模型进行微调处理,导致训练次数较多,训练时间较长,计算机处理器资源占用较多,从而导致计算机处理器资源的浪费;另一方面,采用多轮迭代进行的数据选择,是基于未标注数据的置信度进行数据选择和标签标注的,导致所选择数据的类别分布与总体样本的类别分布偏差较大,即样本不均衡问题较大,从而导致预训练任务模型的微调处理的效果较差。基于此,本公开的一些实施例的预训练任务模型调整处理方法,首先,获取未标注图像集合。由此,可以得到表征原始无标签的未标注图像集合。然后,根据上述未标注图像集合,生成标注图像组集合。由此,可以得到人工标注的且经过分类的标注图像组集合。之后,根据预先训练的图像特征生成模型和上述标注图像组集合,生成标注特征向量组集合。由此,可以得到表征各个标注图像特征向量的标注特征向量组集合。随后,根据上述标注图像组集合,确定上述未标注图像集合对应的聚类类别信息。由此,可以得到聚类类别信息,从而可以确定未标注图像集合对应的簇的数量。即,未标注图像集合对应的标签类别。随之,根据上述图像特征生成模型和上述未标注图像集合,生成未标注特征向量集合。由此,可以得到表征各个未标注图像特征向量的未标注特征向量集合。接着,根据上述聚类类别信息,对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合。由此,可以得到表征未标注图像分类结果的未标注特征向量组集合。其次,根据上述未标注特征向量组集合,生成聚类中心信息集合。由此,可以得到表征上述未标注特征向量组集合各个中心对象信息的聚类中心信息集合。然后,根据上述标注特征向量组集合,生成标注图像中心信息集合。由此,可以得到表征上述标注特征向量组集合各个中心对象信息的标注图像中心信息集合。之后,根据上述聚类中心信息集合和上述标注图像中心信息集合,确定校准中心信息集合。其中,上述聚类中心信息集合中的聚类中心信息对应上述标注图像中心信息集合中的标注图像中心信息。由此,可以得到校准中心信息集合,从而可以根据人工标注图像的类别分布的特点,对标注图像集合的聚类中心进行类别分布校准,进一步可以提高筛选的待标注图像的准确性和标签标注的准确性。随后,根据上述校准中心信息集合,生成特征向量组集合。其中,上述特征向量组集合中的特征向量组对应上述校准中心信息集合中的校准中心信息。由此,可以得到特征向量组集合,从而可以用于表征校准中心信息对应的未标注图像组的特征特点。随之,根据上述特征向量组集合和上述未标注特征向量组集合,确定伪标签特征向量组集合。其中,上述伪标签特征向量组集合中的伪标签特征向量组对应上述未标注特征向量组集合中的未标注特征向量组。由此,可以得到伪标签特征向量组集合,从而可以通过未标注图像的隐含的特征信息与人工标注的图像的特征相似度,确定与人工标注的图像类别相似的未标注图像对应的特征向量。接着,根据上述伪标签特征向量组集合和上述标注特征向量组集合,确定扩展标签图像组集合。由此,可以得到扩展标签图像组集合,也即可以得到经过伪标签标注的图像集合和人工标注的图像集合。从而扩大了模型训练的数据量。最后,根据上述扩展标签图像组集合,对预训练任务模型进行调整处理。由此,可以对预训练任务模型进行微调处理。一方面,也因为通过人工标注数据的样本分布类别,可以确定未标注图像集合的类别分布,并通过对比人工标注图像集合与对应未标注图像集合的特征相似度,可以确定伪标签图像数据,从而可以一次性完成数据量标注和确认,并基于完成的数据进行模型的一次微调处理,可以减少计算机处理器资源的占用,即可以减少计算机处理器资源的占用。另一方面,在基于未标注图像的特征和人工标注的图像的特征相似度进行数据选择的过程中,通过对未标注图像集合的聚类中心和标注图像的图像中心进行类中心校准,可以缩小所选择数据的类别分布与总体样本的类别分布差距,减弱样本不均衡分布,从而提高预训练任务模型的微调处理效果。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的预训练任务模型调整处理方法的一些实施例的流程图;
图2是根据本公开的预训练任务模型调整处理装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的预训练任务模型调整处理方法的一些实施例的流程100。该预训练任务模型调整处理方法,包括以下步骤:
步骤101,获取未标注图像集合。
在一些实施例中,预训练任务模型调整处理方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式从相关联的图像存储数据库中获取未标注图像集合。其中,上述相关联的图像存储数据库可以为存储未标注图像集合的数据库。上述未标注图像集合可以为无标签的各个图像的集合。上述各个图像可以为任意对象(例如,汽车,人物和风景)的图像集合。上述各个图像在此不做具体限定。又例如,上述各个图像可以为患者病患处的各个图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,根据未标注图像集合,生成标注图像组集合。
在一些实施例中,根据上述未标注图像集合,上述执行主体可以生成标注图像组集合。其中,上述标注图像组集合中的标注图像的图像类别分布与上述未标注图像集合的未标注图像的图像类别分布相同。这里,图像类别可以为图像的标签类别。例如,上述图像类别可以包括但不限于:狗的图像、猫的图像和兔子的图像。
进一步地,在采用技术方案解决背景技术所提及的技术问题的过程中发现,用户对模型训练的标签标注数据量需求较高,满足对模型训练的标签标注数据量需求常规的技术方案为,首先,从未标注数据池中随机选择预设数量(例如100个)的无标签图像数据,然后对所选择的无标签数据进行人工标注。接着,将经过人工标注的有标签数据输入至模型中进行模型训练,利用经过本轮训练的模型对未标注数据池中剩余未标注数据进行置信度预测,选择预设数量的置信度较高的数据进行第二轮人工标注,最后,将所有的已标注数据输入至上一轮经过训练后的模型再次进行模型训练,再次进行未标注数据的置信度预测和数据选择,数据标注,如此循环往复,直至选出符合有标签数据量要求的数据为止。然而这种方式需要多轮的筛选和训练,导致计算机处理器资源占用较多,同时,在数据选择的过程中,未考虑图像集合对应的标签类别分布的问题,导致数据样本不均衡问题较多。因此考虑到满足用户对模型训练的标签标注数据量需求,结合深度学习发展的优势,决定采用通过缩小所选待标注图像集合与未标注数据池中未标注数据的样本标签分布差距的待标注图像筛选模型,一次性筛选出待标注图像的技术方案,以满足用户对模型训练的标签标注数据量较高需求,同时,减少计算机处理器资源的浪费和减少数据样本不均衡问题。
在一些实施例的一些可选的实现方式中,根据上述未标注图像集合,上述执行主体可以通过以下步骤生成标注图像组集合:
第一步,将上述未标注图像集合输入至预先训练的待标注图像筛选模型中,得到待标注图像集合。其中,上述待标注图像筛选模型可以为以未标注图像集合为输入,以待标注图像集合为输出的神经网络模型。例如,上述待标注图像筛选模型可以包括:输入数据特征提取层和输出数据特征网络层。上述输入数据特征提取层可以为对未标注图像集合包括的各个未标注图像进行特征提取的网络层。上述输入数据特征提取层可以为Data-efficient image transformers(DeiT)网络层。经过Deit网络特征提取,可以得到未标注图像集合对应的特征Fn。Fn的特征维度可以为N*Dim。N是未标注图像集合包括的各个未标注图像的数量。Dim是特征的数据维度。上述输出数据特征网络层可以为表征输出数据的各个特征的网络层。输出数据特征网络层对应的输出数据的特征可以为Fb。Fb的特征维度可以为B*Dim。B是预设待标注图像的数量。该模型通过余弦相似度确定未标注图像特征池中B个与Fb相似度较高的特征。然后,将确定的相似度较高的B个特征对应的图像确定为待标注图图像集合。
第二步,将上述待标注图像集合发送至相关联的图像标注客户端,使得上述图像标注客户端对应的用户对上述待标注图像集合进行图像标注,得到标注图像组集合。其中,上述相关联的图像标注客户端可以为能够对待标注图像集合进行图像标注的客户端。上述标注图像组集合中的标注图像组包括的各个标注图像对应同一标签类别。上述标注图像组集合可以为图像标注客户端对应的用户对待标注图像集合进行图像标注和标签分类后的各个标注图像组的集合。
第三步,接收上述图像标注客户端发送的标注图像组集合。
可选地,在上述将上述未标注图像集合输入至预先训练的待标注图像筛选模型中,得到待标注图像集合之前,上述执行主体还可以执行以下步骤:
第一步,获取样本集合,其中,上述样本集合中的样本包括样本未标注图像集合,以及与样本未标注图像集合对应的样本待标注图像集合。需要说明的是,训练上述待标注图像筛选模型的执行主体可以是上述执行主体,也可以是其他计算设备。
第二步,基于样本集合执行以下训练步骤:
第一训练步骤,将样本集合中的至少一个样本的样本未标注图像集合分别输入至初始待标注图像筛选模型中,得到上述至少一个样本中的每个样本对应的待标注图像集合。其中,上述初始待标注图像筛选模型可以是能够根据未标注图像集合得到待标注图像集合的初始神经网络。上述初始神经网络可以为待训练的神经网络。具体地,上述初始神经网络可以包括:输入数据特征提取层和输出数据特征网络层。
第二训练步骤,将上述至少一个样本中的每个样本对应的待标注图像集合与对应的样本待标注图像集合进行比较。这里,比较可以为上述至少一个样本中的每个样本对应的待标注图像集合与对应的样本待标注图像集合是否相同。
第三训练步骤,根据比较结果确定初始待标注图像筛选模型是否达到预设的优化目标。其中,上述优化目标可以为初始待标注图像筛选模型的损失函数值小于等于预设损失阈值。上述预设损失阈值可以为预先设定的损失阈值。例如,上述预设损失阈值可以为0.1。上述初始待标注图像筛选模型对应的损失函数为:
。
上述可以表示损失函数。上述/>可以表示未标注数据特征集合的分布,即未标注图像集合对应的特征分布。上述/>可以表示筛选模型根据选择策略在连续可微空间上选出的伪特征的分布,即待标注图像集合对应的特征分布。上述/>可以表示正则项的权重。上述/>可以表示损失函数的正则项。上述/>可以表示为筛选模型根据选择策略在连续可微空间上选出的伪特征,即待标注图像对应的特征。上述/>可以表示为未标注数据特征集合的分布与筛选出的伪特征的分布之间的距离度量(分布相似性)。相似性越大,距离越小,D的数值越小。上述/>可以表示根据选择策略在连续可微空间上选出特定伪特征时,使得未标注数据特征集合的分布与筛选出的伪特征的分布之间距离最小(分布相似性最大)。上述/>可以表示特征处于未标注状态。上述/>可以表示未标注的数据特征集合,即未标注图像集合对应的各个特征。上述/>表示特征处于已标注状态。
第四训练步骤,响应于确定初始待标注图像筛选模型达到上述优化目标,将初始待标注图像筛选模型确定为训练完成的待标注图像筛选模型。
可选地,训练得到上述待标注图像筛选模型的步骤还可以包括:
第五训练步骤,响应于确定初始待标注图像筛选模型未达到上述优化目标,调整初始待标注图像筛选模型的网络参数,以及使用未用过的样本组成样本集合,使用调整后的初始待标注图像筛选模型作为初始待标注图像筛选模型,再次执行上述训练步骤。作为示例,可以采用反向传播算法(Back Propagation Algorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始待标注图像筛选模型的网络参数进行调整。
上述待标注图像筛选模型及其相关内容作为本公开的实施例的一个发明点,解决了“在对未标注图像集合进行图像选择和标注的过程中,需要多轮的筛选和训练,导致计算机处理器资源占用较多,同时,在数据选择的过程中,未考虑图像集合对应的标签类别分布的问题,导致数据样本不均衡问题较多,且无法较好地满足用户对模型训练的标签标注数据量需求”的技术问题。导致在对未标注图像集合进行图像选择和标注的过程中,需要多轮的筛选和训练,导致计算机处理器资源占用较多,同时,在数据选择的过程中,未考虑图像集合对应的标签类别分布的问题,导致数据样本不均衡问题较多,且无法较好地满足用户对模型训练的标签标注数据量需求的因素往往如下:在对未标注图像集合进行图像选择和标注的过程中,需要多轮的筛选和训练,导致计算机处理器资源占用较多,同时,在数据选择的过程中,未考虑图像集合对应的标签类别分布的问题,导致数据样本不均衡问题较多,且无法较好地满足用户对模型训练的标签标注数据量需求。如果解决了上述因素,就能达到满足用户对模型训练的标签标注数据量较高需求,同时,减少计算机处理器资源的浪费和减少数据样本不均衡问题的效果。为了达到这一效果,本公开采用通过缩小所选待标注图像集合与未标注数据池中未标注数据的样本标签分布差距的待标注图像筛选模型一次性筛选出待标注图像的技术方案,以满足用户对模型训练的标签标注数据量较高需求,同时,减少计算机处理器资源的浪费和减少数据样本不均衡问题。
步骤103,根据预先训练的图像特征生成模型和标注图像组集合,生成标注特征向量组集合。
在一些实施例中,根据预先训练的图像特征生成模型和上述标注图像组集合,上述执行主体可以生成标注特征向量组集合。其中,上述图像特征生成模型可以为以图像为输入,以图像特征向量为输出的网络模型。例如,上述图像特征生成模型可以为Data-efficient image transformers(DeiT)。上述标注特征向量组集合中的标注特征向量是与标注图像组集合中的标注图像对应的特征向量。实践中,上述执行主体可以将上述标注图像组集合输入至上述图像特征生成模型,得到标注特征向量组集合。
步骤104,根据标注图像组集合,确定未标注图像集合对应的聚类类别信息。
在一些实施例中,根据上述标注图像组集合,上述执行主体可以确定上述未标注图像集合对应的聚类类别信息。其中,上述聚类类别信息可以为标注图像组集合对应的标注图像的标签类别。上述标注图像组集合中的标注图像组对应一个图像标签类别。实践中,上述执行主体可以将标注图像组集合包括的各个标注图像组的数量确定为上述未标注图像集合对应的聚类类别信息。
步骤105,根据图像特征生成模型和未标注图像集合,生成未标注特征向量集合。
在一些实施例中,根据上述图像特征生成模型和上述未标注图像集合,上述执行主体可以生成未标注特征向量集合。其中,上述未标注特征向量集合中的未标注特征向量是与上述未标注图像集合中的未标注图像对应的特征向量。实践中,上述执行主体可以将上述未标注图像集合输入至上述图像特征生成模型,得到未标注特征向量集合。
可选地,在上述根据上述图像特征生成模型和上述未标注图像集合,生成未标注特征向量集合之后,上述执行主体还可以执行以下步骤:
第一步,对上述未标注特征向量集合包括的各个未标注特征向量进行归一化处理,得到归一化处理后的各个未标注特征向量作为归一化未标注特征向量集合。上述归一化处理可以包括但不限于:Z-Score 归一化和Min-Max归一化。这里,归一化处理可以为Min-Max归一化。
第二步,对上述归一化未标注特征向量集合进行分布转换处理,得到分布转换处理后的归一化未标注特征向量集合作为分布转换未标注特征向量集合。由此,通过分布转换,使特征分布更接近高斯分布。
第三步,将上述分布转换未标注特征向量集合确定为未标注特征向量集合,以对上述未标注特征向量集合进行更新。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述归一化未标注特征向量集合进行分布转换处理,得到分布转换处理后的归一化未标注特征向量集合作为分布转换未标注特征向量集合,包括:
第一步,对于上述归一化未标注特征向量集合中的每个归一化未标注特征向量,以上述归一化未标注特征向量为底数,以预设指数阈值为指数,对上述归一化未标注特征向量进行分布转换处理,得到分布转换未标注特征向量。其中,上述预设指数阈值可以预先设定的指数阈值。这里,上述预设指数阈值可以为0.5。
第二步,将所得到的各个分布转换未标注特征向量确定为分布转换未标注特征向量集合。
步骤106,根据聚类类别信息,对未标注特征向量集合进行聚类处理,得到未标注特征向量组集合。
在一些实施例中,根据上述聚类类别信息,上述执行主体可以对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合。实践中,上述执行主体可以以聚类类别信息作为预设聚类算法的簇数,对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合。其中,上述预设聚类算法可以为预先设定的聚类算法。例如,上述预设聚类算法可以为K-means。上述簇数可以为聚类算法的聚类的簇的数量。
步骤107,根据未标注特征向量组集合,生成聚类中心信息集合。
在一些实施例中,根据上述未标注特征向量组集合,上述执行主体可以生成聚类中心信息集合。
在一些实施例的一些可选的实现方式中,根据上述未标注特征向量组集合,上述执行主体可以通过以下步骤生成聚类中心信息集合:
第一步,对于上述未标注特征向量组集合中的每个未标注特征向量组,执行以下步骤:
第一子步骤,将上述未标注特征向量组包括的各个未标注特征向量的均值确定为未标注图像均值信息。
第二子步骤,将上述未标注特征向量组包括的各个未标注特征向量的协方差信息确定为未标注图像协方差信息。
第三子步骤,根据上述未标注图像均值信息和上述未标注图像协方差信息,确定聚类中心信息。实践中,上述执行主体可以将未标注图像均值信息和上述未标注图像协方差信息组合为聚类中心信息。例如,上述未标注图像均值信息可以为x。上述未标注图像协方差信息可以为y。上述聚类中心信息可以为(x,y)。
第二步,将所确定的各个聚类中心信息确定为聚类中心信息集合。
步骤108,根据标注特征向量组集合,生成标注图像中心信息集合。
在一些实施例中,根据上述标注特征向量组集合,上述执行主体可以生成标注图像中心信息集合。
在一些实施例的一些可选的实现方式中,根据上述标注特征向量组集合,上述执行主体可以通过以下步骤生成标注图像中心信息集合:
第一步,对上述标注特征向量组集合进行归一化处理,得到归一化处理后的标注特征向量组集合作为归一化标注特征向量组集合。
第二步,对上述归一化标注特征向量组集合进行分布转换处理,得到分布转换处理后的归一化标注特征向量组集合作为分布转换标注特征向量组集合。
第三步,对于上述分布转换标注特征向量组集合中的每个分布转换标注特征向量组,执行以下步骤:
第一子步骤,将上述分布转换标注特征向量组包括的各个分布转换标注特征向量的均值确定为标注图像均值信息。
第二子步骤,将上述分布转换标注特征向量组包括的各个分布转换标注特征向量的协方差确定为标注图像协方差信息。
第三子步骤,根据上述标注图像均值信息和上述标注图像协方差信息,确定标注图像中心信息。实践中,上述执行主体可以将上述标注图像均值信息和上述标注图像协方差信息组合成标注图像中心信息。
第四步,将所确定的各个标注图像中心信息确定为标注图像中心信息集合。
步骤109,根据聚类中心信息集合和标注图像中心信息集合,确定校准中心信息集合。
在一些实施例中,根据上述聚类中心信息集合和上述标注图像中心信息集合,上述执行主体可以确定校准中心信息集合。其中,上述聚类中心信息集合中的聚类中心信息与上述标注图像中心信息集合中的标注图像中心信息一一对应。
在一些实施例的一些可选的实现方式中,根据上述聚类中心信息集合和上述标注图像中心信息集合,上述执行主体可以通过以下步骤确定校准中心信息集合:
第一步,对于上述聚类中心信息集合中的每个聚类中心信息,执行以下步骤:
第一子步骤,将上述标注图像中心信息集合中与上述聚类中心信息对应的标注图像中心信息确定为目标标注图像中心信息。
第二子步骤,根据预设采样比率和预设超参阈值,确定上述目标标注图像中心信息对应的权重信息。其中,上述目标标注图像中心信息对应的权重信息可以通过以下公式确定:
。
其中,上述可以为预设超参阈值。上述/>可以为采样比率。上述/>可以为目标标注图像中心信息对应的权重信息。
第三子步骤,根据预设阈值和上述目标标注图像中心信息对应的权重信息,确定上述聚类中心信息对应的权重信息。其中,上述预设阈值可以为预先设定的阈值。这里,上述预设阈值可以为1。实践中,上述执行主体可以将预设阈值和上述目标标注图像中心信息对应的权重信息的差值确定为上述聚类中心信息对应的权重信息。
第四子步骤,将上述聚类中心信息包括的未标注图像均值信息和上述聚类中心信息对应的权重信息的乘积确定为聚类中心均值信息。
第五子步骤,将上述目标标注图像中心信息包括的标注图像均值信息与上述目标标注图像中心信息对应的权重信息的乘积确定为目标标注图像中心均值信息。
第六子步骤,将上述聚类中心均值信息和上述目标标注图像中心均值信息的和确定为校准中心均值信息。
第七子步骤,将上述聚类中心信息包括的未标注图像协方差信息与预设协方差阈值的和确定为校准中心协方差信息。
第八子步骤,根据上述校准中心均值信息和上述校准中心协方差信息,确定校准中心信息。实践中,上述执行主体可以将上述校准中心均值信息和上述校准中心协方差信息组合为校准中心信息。
第二步,将所确定的各个校准中心信息确定为校准中心信息集合。
步骤110,根据校准中心信息集合,生成特征向量组集合。
在一些实施例中,根据上述校准中心信息集合,上述执行主体可以生成特征向量组集合。其中,上述特征向量组集合中的特征向量组与上述校准中心信息集合中的校准中心信息一一对应。
在一些实施例的一些可选的实现方式中,根据上述校准中心信息集合,上述执行主体可以通过以下步骤生成特征向量组集合:
第一步,对于上述校准中心信息集合中的每个校准中心信息,根据上述校准中心信息和预设特征数量阈值,生成上述校准中心信息对应的特征向量组。实践中,上述执行主体可以将校准中心信息作为高斯分布函数的参数,利用高斯分布函数生成对应预设特征数量阈值的特征向量组。
第二步,将所生成的各个特征向量组确定为特征向量组集合。
步骤111,根据特征向量组集合和未标注特征向量组集合,确定伪标签特征向量组集合。
在一些实施例中,根据上述特征向量组集合和上述未标注特征向量组集合,上述执行主体可以确定伪标签特征向量组集合。其中,上述伪标签特征向量组集合中的伪标签特征向量组与上述未标注特征向量组集合中的未标注特征向量组一一对应。
在一些实施例的一些可选的实现方式中,根据上述特征向量组集合和上述未标注特征向量组集合,上述执行主体可以通过以下步骤确定伪标签特征向量组集合:
第一步,对于上述特征向量组集合中的每个特征向量组,执行以下步骤:
第一步骤,将上述未标注特征向量组集合中与上述特征向量组对应的未标注特征向量组确定为目标未标注特征向量组。
第二步骤,对于上述特征向量组中的每个特征向量,执行以下步骤:
第一子步骤,根据上述特征向量和上述目标未标注特征向量组,生成特征相似度集合。实践中,对于上述目标未标注特征向量组中的每个目标未标注特征向量,上述执行主体可以将特征向量与上述目标未标注特征向量的余弦相似度确定为特征相似度。然后,可以将所确定的各个特征相似度确定为特征相似度集合。
第二子步骤,将上述特征相似度集合中相似度最大的特征相似度确定为最大特征相似度。
第三子步骤,将上述目标未标注特征向量组中与上述最大特征相似度对应的目标未标注特征向量确定为待标注特征向量。
第四子步骤,对上述待标注特征向量进行标签标注处理,得到伪标签特征向量。实践中,上述执行主体可以将与待标注特征向量对应的特征向量组的标签作为待标注特征向量的标签,对待标注特征向量进行标签标注处理,得到伪标签特征向量。这里,特征向量组集合中的特征向量组与校准中心信息集合中的校准中心信息一一对应。上述校准中心信息集合中的校准中心信息与上述标注图像中心信息集合中的标注图像中心信息一一对应。上述标注图像中心信息集合中的标注图像中心信息与上述标注图像组集合中的标注图像组一一对应。即相对应数据的标签相同。
第三步骤,将所得到的各个伪标签特征向量确定为伪标签特征向量组。
第二步,将所得到的各个伪标签特征向量组确定为伪标签特征向量组集合。
步骤112,根据伪标签特征向量组集合和标注特征向量组集合,确定扩展标签图像组集合。
在一些实施例中,根据上述伪标签特征向量组集合和上述标注特征向量组集合,上述执行主体可以确定扩展标签图像组集合。
在一些实施例的一些可选的实现方式中,根据上述伪标签特征向量组集合和上述标注特征向量组集合,上述执行主体可以通过以下步骤确定扩展标签图像组集合:
第一步,对于上述伪标签特征向量组集合中的每个伪标签特征向量组,执行以下步骤:
第一子步骤,将上述标注特征向量组集合中与上述伪标签特征向量组对应的标注特征向量组确定为目标标注特征向量组。
第二子步骤,对于上述伪标签特征向量组中的每个伪标签特征向量,响应于确定上述目标标注特征向量组中存在与上述伪标签特征向量相同的目标标注特征向量,将上述伪标签特征向量从上述伪标签特征向量组中删除,以对上述伪标签特征向量组进行更新。这里,上述目标标注特征向量组中存在与上述伪标签特征向量相同的目标标注特征向量,可以理解为上述伪标签特征向量对应的图像,与目标标注特征向量组对应的各个图像中有相同的一张图像。可以通过图像的相似度来衡量是否为同一张图像。
第三子步骤,将上述未标注图像集合中与更新后的伪标签特征向量组对应的各个未标注图像确定为伪标签图像集合。
第四子步骤,将上述标注图像组集合中与上述目标标注特征向量组对应的标注图像组确定为真实标签图像集合。
第五子步骤,根据上述伪标签图像集合和上述真实标签图像集合,确定扩展标签图像组。实践中,上述执行主体可以将上述伪标签图像集合和上述真实标签图像集合进行组合,以生成扩展标签图像组。例如,伪标签图像集合可以为{伪标签图像A、伪标签图像B}。真实标签图像集合可以为{真实标签图像C、真实标签图像D}。上述扩展标签图像组可以为{伪标签图像A、伪标签图像B、真实标签图像C、真实标签图像D}。
第二步,将所确定的各个扩展标签图像组确定为扩展标签图像组集合。由此,通过比对上述伪标签特征向量组集合中伪标签特征向量和上述标注特征向量组集合标注特征向量的相似度,来确定已标注的图像集合中是否有重复的图像,以及将重复的图像进行删除处理,可以优化图像数据的数据分布,减弱重复冗余数据对模型性能的影响。
在一些实施例的一些可选的实现方式中,根据上述伪标签特征向量组集合和上述标注特征向量组集合,上述执行主体还可以通过以下步骤确定扩展标签图像组集合:
第一步,对于上述伪标签特征向量组集合中的每个伪标签特征向量组,执行以下步骤:
第一步骤,将上述标注图像中心信息集合中与上述伪标签特征向量组对应的标注图像中心信息确定为目标标注图像中心信息。
第二步骤,对于上述伪标签特征向量组中的每个伪标签特征向量,执行以下步骤:
第一子步骤,将上述伪标签特征向量与上述目标标注图像中心信息之间的距离确定第一距离。实践中,上述执行主体可以上述伪标签特征向量与上述目标标注图像中心信息之间的欧式距离确定为第一距离。
第二子步骤,将上述伪标签特征向量与上述标注图像中心信息集合中除目标标注图像中心信息之外的各个标注图像中心信息之间的距离确定为第二距离集合。
第三子步骤,响应于确定上述第二距离集合包括的各个第二距离中至少有一个第二距离小于等于第一距离,将上述伪标签特征向量从上述伪标签特征向量组中删除,以对上述伪标签特征向量组进行更新。
第三步骤,将上述未标注图像集合中与更新后的伪标签特征向量组对应的各个未标注图像确定为伪标签图像集合。
第四步骤,将上述标注图像组集合中与上述目标标注特征向量组对应的标注图像组确定真实标签图像集合。
第五步骤,根据上述伪标签图像集合和上述真实标签图像集合,确定扩展标签图像组。实践中,上述执行主体可以将上述伪标签图像集合和上述真实标签图像集合组合为扩展标签图像组。
第二步,将所确定的各个扩展标签图像组确定为扩展标签图像组集合。由此,通过对比伪标签特征向量与标注图像组集合对应的各个标注图像中心信息的距离,可以确定该伪标签特征向量对应的图像是否为标注错误的图像,以及将该图像进行过滤处理,提高了已标注图像类别分布的准确性。
在一些实施例的一些可选的实现方式中,根据上述伪标签特征向量组集合和上述标注特征向量组集合,确定扩展标签图像组集合,还包括:
第一步,根据上述标注特征向量组集合和上述未标注特征向量集合,生成特征向量相似度。实践中,上述执行主体可以通过搬土距离(Earth Mover's Distance,EMD)算法确定上述标注特征向量组集合和上述未标注特征向量集合的特征向量相似度。
第二步,对于上述伪标签特征向量组集合中的每个伪标签特征向量,将上述伪标签特征向量与上述标注特征向量组集合进行组合处理,以生成更新标注特征向量组。这里,组合处理的方式可以为拼接。
第三步,将所生成的各个更新标注特征向量组确定为更新标注特征向量组集合。
第四步,确定上述更新标注特征向量组集合包括的各个更新标注特征向量组与上述未标注特征向量集合的相似度,得到更新特征向量相似度集合。实践中,首先,对于上述更新标注特征向量组集合中的每个更新标注特征向量组,上述执行主体可以通过EMD算法将上述更新标注特征向量组与上述未标注特征向量集合的相似度确定为更新特征向量相似度。然后,将所确定的各个更新特征向量相似度确定为更新特征向量相似度集合。
第五步,对于上述更新特征向量相似度集合中的每个更新特征向量相似度,响应于确定上述更新特征向量相似度大于上述特征向量相似度,将上述更新特征向量相似度对应的伪标签特征向量确定待确定伪标签特征向量。
第六步,将所确定的各个待确定伪标签特征向量确定为待确定伪标签特征向量集合。
第七步,将上述未标注图像集合中与上述待确定伪标签特征向量集合对应的各个未标注图像确定为伪标签图像集合。
第八步,根据上述伪标签图像集合和上述标注图像组集合,确定扩展标签图像组集合。实践中,上述执行主体可以将上述伪标签图像集合和上述标注图像组集合进行组合,以生成扩展标签图像组集合。这里,组合的方式可以为拼接。由此,通过确定标注特征向量组集合和上述未标注特征向量集合的特征相似度,并基于伪标签特征向量融入标注特征向量组集合前后,对特征相似度的影响,来确定伪标签特征向量对标签类别分布的影响,从而确定该伪标签特征向量对应的图像是否为异常图像,以将筛选的异常图像进行过滤处理,从而提高了图像数据筛选的合理性,优化了图像样本分布。
步骤113,根据扩展标签图像组集合,对预训练任务模型进行调整处理。
在一些实施例中,根据上述扩展标签图像组集合,上述执行主体可以对预训练任务模型进行调整处理。其中,上述预训练任务模型可以为预先设定训练任务模型。这里,预训练任务模型可以为图像特征生成模型+任务头层。这里,任务头层可以为预训练任务模型对应的任务网络层。例如,预训练任务模型为分类任务。任务头层可以为Softmax分类网络层。实践中,上述执行主体可以将上述扩展标签图像组集合输入至预训练任务模型中,以对对预训练任务模型进行优化调整处理。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的预训练任务模型调整处理方法,可以减少计算机处理器资源的浪费,缩减所选择数据的类别分布与总体样本的类别分布偏差。具体来说,导致计算机处理器资源的浪费和所选择数据的类别分布与总体样本的类别分布偏差较大的原因在于:在对预训练任务模型进行微调处理的过程中,一方面,采用多轮迭代的方式进行数据标注以及对预训练任务模型进行微调处理,导致训练次数较多,训练时间较长,计算机处理器资源占用较多,从而导致计算机处理器资源的浪费;另一方面,采用多轮迭代进行的数据选择,是基于未标注数据的置信度进行数据选择和标签标注的,导致所选择数据的类别分布与总体样本的类别分布偏差较大,即样本不均衡问题较大,从而导致预训练任务模型的微调处理的效果较差。基于此,本公开的一些实施例的预训练任务模型调整处理方法,首先,获取未标注图像集合。由此,可以得到表征原始无标签的未标注图像集合。然后,根据上述未标注图像集合,生成标注图像组集合。由此,可以得到人工标注的且经过分类的标注图像组集合。之后,根据预先训练的图像特征生成模型和上述标注图像组集合,生成标注特征向量组集合。由此,可以得到表征各个标注图像特征向量的标注特征向量组集合。随后,根据上述标注图像组集合,确定上述未标注图像集合对应的聚类类别信息。由此,可以得到聚类类别信息,从而可以确定未标注图像集合对应的簇的数量。即,未标注图像集合对应的标签类别。随之,根据上述图像特征生成模型和上述未标注图像集合,生成未标注特征向量集合。由此,可以得到表征各个未标注图像特征向量的未标注特征向量集合。接着,根据上述聚类类别信息,对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合。由此,可以得到表征未标注图像分类结果的未标注特征向量组集合。其次,根据上述未标注特征向量组集合,生成聚类中心信息集合。由此,可以得到表征上述未标注特征向量组集合各个中心对象信息的聚类中心信息集合。然后,根据上述标注特征向量组集合,生成标注图像中心信息集合。由此,可以得到表征上述标注特征向量组集合各个中心对象信息的标注图像中心信息集合。之后,根据上述聚类中心信息集合和上述标注图像中心信息集合,确定校准中心信息集合。其中,上述聚类中心信息集合中的聚类中心信息对应上述标注图像中心信息集合中的标注图像中心信息。由此,可以得到校准中心信息集合,从而可以根据人工标注图像的类别分布的特点,对标注图像集合的聚类中心进行类别分布校准,进一步可以提高筛选的待标注图像的准确性和标签标注的准确性。随后,根据上述校准中心信息集合,生成特征向量组集合。其中,上述特征向量组集合中的特征向量组对应上述校准中心信息集合中的校准中心信息。由此,可以得到特征向量组集合,从而可以用于表征校准中心信息对应的未标注图像组的特征特点。随之,根据上述特征向量组集合和上述未标注特征向量组集合,确定伪标签特征向量组集合。其中,上述伪标签特征向量组集合中的伪标签特征向量组对应上述未标注特征向量组集合中的未标注特征向量组。由此,可以得到伪标签特征向量组集合,从而可以通过未标注图像的隐含的特征信息与人工标注的图像的特征相似度,确定与人工标注的图像类别相似的未标注图像对应的特征向量。接着,根据上述伪标签特征向量组集合和上述标注特征向量组集合,确定扩展标签图像组集合。由此,可以得到扩展标签图像组集合,也即可以得到经过伪标签标注的图像集合和人工标注的图像集合。从而扩大了模型训练的数据量。最后,根据上述扩展标签图像组集合,对预训练任务模型进行调整处理。由此,可以对预训练任务模型进行微调处理。一方面,也因为通过人工标注数据的样本分布类别,可以确定未标注图像集合的类别分布,并通过对比人工标注图像集合与对应未标注图像集合的特征相似度,可以确定伪标签图像数据,从而可以一次性完成数据量标注和确认,并基于完成的数据进行模型的一次微调处理,可以减少计算机处理器资源的占用,即可以减少计算机处理器资源的占用。另一方面,在基于未标注图像的特征和人工标注的图像的特征相似度进行数据选择的过程中,通过对未标注图像集合的聚类中心和标注图像的图像中心进行类中心校准,可以缩小所选择数据的类别分布与总体样本的类别分布差距,减弱样本不均衡分布,从而提高预训练任务模型的微调处理效果。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种预训练任务模型调整处理装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的预训练任务模型调整处理装置200包括:获取单元201、第一生成单元202、第二生成单元203、第一确定单元204、第三生成单元205、聚类处理单元206、第四生成单元207、第五生成单元208、第二确定单元209、第六生成单元210、第三确定单元211、第四确定单元212和调整处理单元213。其中,获取单元201被配置成获取未标注图像集合;第一生成单元202被配置成根据上述未标注图像集合,生成标注图像组集合;第二生成单元203被配置成根据预先训练的图像特征生成模型和上述标注图像组集合,生成标注特征向量组集合;第一确定单元204被配置成根据上述标注图像组集合,确定上述未标注图像集合对应的聚类类别信息;第三生成单元205被配置成根据上述图像特征生成模型和上述未标注图像集合,生成未标注特征向量集合;聚类处理单元206被配置成根据上述聚类类别信息,对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合;第四生成单元207被配置成根据上述未标注特征向量组集合,生成聚类中心信息集合;第五生成单元208被配置成根据上述标注特征向量组集合,生成标注图像中心信息集合;第二确定单元209被配置成根据上述聚类中心信息集合和上述标注图像中心信息集合,确定校准中心信息集合,其中,上述聚类中心信息集合中的聚类中心信息对应上述标注图像中心信息集合中的标注图像中心信息;第六生成单元210被配置成根据上述校准中心信息集合,生成特征向量组集合,其中,上述特征向量组集合中的特征向量组对应上述校准中心信息集合中的校准中心信息;第三确定单元211被配置成根据上述特征向量组集合和上述未标注特征向量组集合,确定伪标签特征向量组集合,其中,上述伪标签特征向量组集合中的伪标签特征向量组对应上述未标注特征向量组集合中的未标注特征向量组;第四确定单元212被配置成根据上述伪标签特征向量组集合和上述标注特征向量组集合,确定扩展标签图像组集合;调整处理单元213被配置成根据上述扩展标签图像组集合,对预训练任务模型进行调整处理。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取未标注图像集合;根据上述未标注图像集合,生成标注图像组集合;根据预先训练的图像特征生成模型和上述标注图像组集合,生成标注特征向量组集合;根据上述标注图像组集合,确定上述未标注图像集合对应的聚类类别信息;根据上述图像特征生成模型和上述未标注图像集合,生成未标注特征向量集合;根据上述聚类类别信息,对上述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合;根据上述未标注特征向量组集合,生成聚类中心信息集合;根据上述标注特征向量组集合,生成标注图像中心信息集合;根据上述聚类中心信息集合和上述标注图像中心信息集合,确定校准中心信息集合,其中,上述聚类中心信息集合中的聚类中心信息对应上述标注图像中心信息集合中的标注图像中心信息;根据上述校准中心信息集合,生成特征向量组集合,其中,上述特征向量组集合中的特征向量组对应上述校准中心信息集合中的校准中心信息;根据上述特征向量组集合和上述未标注特征向量组集合,确定伪标签特征向量组集合,其中,上述伪标签特征向量组集合中的伪标签特征向量组对应上述未标注特征向量组集合中的未标注特征向量组;根据上述伪标签特征向量组集合和上述标注特征向量组集合,确定扩展标签图像组集合;根据上述扩展标签图像组集合,对预训练任务模型进行调整处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一生成单元、第二生成单元、第一确定单元、第三生成单元、聚类处理单元、第四生成单元、第五生成单元、第二确定单元、第六生成单元、第三确定单元、第四确定单元和调整处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取未标注图像集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种预训练任务模型调整处理方法,包括:
获取未标注图像集合;
根据所述未标注图像集合,生成标注图像组集合;
根据预先训练的图像特征生成模型和所述标注图像组集合,生成标注特征向量组集合;
根据所述标注图像组集合,确定所述未标注图像集合对应的聚类类别信息;
根据所述图像特征生成模型和所述未标注图像集合,生成未标注特征向量集合;
根据所述聚类类别信息,对所述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合;
根据所述未标注特征向量组集合,生成聚类中心信息集合;
根据所述标注特征向量组集合,生成标注图像中心信息集合;
根据所述聚类中心信息集合和所述标注图像中心信息集合,确定校准中心信息集合,其中,所述聚类中心信息集合中的聚类中心信息对应所述标注图像中心信息集合中的标注图像中心信息;
根据所述校准中心信息集合,生成特征向量组集合,其中,所述特征向量组集合中的特征向量组对应所述校准中心信息集合中的校准中心信息;
根据所述特征向量组集合和所述未标注特征向量组集合,确定伪标签特征向量组集合,其中,所述伪标签特征向量组集合中的伪标签特征向量组对应所述未标注特征向量组集合中的未标注特征向量组;
根据所述伪标签特征向量组集合和所述标注特征向量组集合,确定扩展标签图像组集合;
根据所述扩展标签图像组集合,对预训练任务模型进行调整处理。
2.根据权利要求1所述的方法,其中,所述根据所述校准中心信息集合,生成特征向量组集合,包括:
对于所述校准中心信息集合中的每个校准中心信息,根据所述校准中心信息和预设特征数量阈值,生成所述校准中心信息对应的特征向量组;
将所生成的各个特征向量组确定为特征向量组集合。
3.根据权利要求1所述的方法,其中,所述根据所述特征向量组集合和所述未标注特征向量组集合,确定伪标签特征向量组集合,包括:
对于所述特征向量组集合中的每个特征向量组,执行以下步骤:
将所述未标注特征向量组集合中与所述特征向量组对应的未标注特征向量组确定为目标未标注特征向量组;
对于所述特征向量组中的每个特征向量,执行以下步骤:
根据所述特征向量和所述目标未标注特征向量组,生成特征相似度集合;
将所述特征相似度集合中相似度最大的特征相似度确定为最大特征相似度;
将所述目标未标注特征向量组中与所述最大特征相似度对应的目标未标注特征向量确定为待标注特征向量;
对所述待标注特征向量进行标签标注处理,得到伪标签特征向量;
将所得到的各个伪标签特征向量确定为伪标签特征向量组;
将所得到的各个伪标签特征向量组确定为伪标签特征向量组集合。
4.根据权利要求1所述的方法,其中,所述根据所述未标注特征向量组集合,生成聚类中心信息集合,包括:
对于所述未标注特征向量组集合中的每个未标注特征向量组,执行以下步骤:
将所述未标注特征向量组包括的各个未标注特征向量的均值确定为未标注图像均值信息;
将所述未标注特征向量组包括的各个未标注特征向量的协方差信息确定为未标注图像协方差信息;
根据所述未标注图像均值信息和所述未标注图像协方差信息,确定聚类中心信息;
将所确定的各个聚类中心信息确定为聚类中心信息集合。
5.根据权利要求1所述的方法,其中,所述根据所述标注特征向量组集合,生成标注图像中心信息集合,包括:
对所述标注特征向量组集合进行归一化处理,得到归一化处理后的标注特征向量组集合作为归一化标注特征向量组集合;
对所述归一化标注特征向量组集合进行分布转换处理,得到分布转换处理后的归一化标注特征向量组集合作为分布转换标注特征向量组集合;
对于所述分布转换标注特征向量组集合中的每个分布转换标注特征向量组,执行以下步骤:
将所述分布转换标注特征向量组包括的各个分布转换标注特征向量的均值确定为标注图像均值信息;
将所述分布转换标注特征向量组包括的各个分布转换标注特征向量的协方差确定为标注图像协方差信息;
根据所述标注图像均值信息和所述标注图像协方差信息,确定标注图像中心信息;
将所确定的各个标注图像中心信息确定为标注图像中心信息集合。
6.根据权利要求4所述的方法,其中,所述根据所述聚类中心信息集合和所述标注图像中心信息集合,确定校准中心信息集合,包括:
对于所述聚类中心信息集合中的每个聚类中心信息,执行以下步骤:
将所述标注图像中心信息集合中与所述聚类中心信息对应的标注图像中心信息确定为目标标注图像中心信息;
根据预设采样比率和预设超参阈值,确定所述目标标注图像中心信息对应的权重信息;
根据预设阈值和所述目标标注图像中心信息对应的权重信息,确定所述聚类中心信息对应的权重信息;
将所述聚类中心信息包括的未标注图像均值信息和所述聚类中心信息对应的权重信息的乘积确定为聚类中心均值信息;
将所述目标标注图像中心信息包括的标注图像均值信息与所述目标标注图像中心信息对应的权重信息的乘积确定为目标标注图像中心均值信息;
将所述聚类中心均值信息和所述目标标注图像中心均值信息的和确定为校准中心均值信息;
将所述聚类中心信息包括的未标注图像协方差信息与预设协方差阈值的和确定为校准中心协方差信息;
根据所述校准中心均值信息和所述校准中心协方差信息,确定校准中心信息;
将所确定的各个校准中心信息确定为校准中心信息集合。
7.根据权利要求1所述的方法,其中,所述根据所述伪标签特征向量组集合和所述标注特征向量组集合,确定扩展标签图像组集合,还包括:
根据所述标注特征向量组集合和所述未标注特征向量集合,生成特征向量相似度;
对于所述伪标签特征向量组集合中的每个伪标签特征向量,将所述伪标签特征向量与所述标注特征向量组集合进行组合处理,以生成更新标注特征向量组;
将所生成的各个更新标注特征向量组确定为更新标注特征向量组集合;
确定所述更新标注特征向量组集合包括的各个更新标注特征向量组与所述未标注特征向量集合的相似度,得到更新特征向量相似度集合;
对于所述更新特征向量相似度集合中的每个更新特征向量相似度,响应于确定所述更新特征向量相似度大于所述特征向量相似度,将所述更新特征向量相似度对应的伪标签特征向量确定待确定伪标签特征向量;
将所确定的各个待确定伪标签特征向量确定为待确定伪标签特征向量集合;
将所述未标注图像集合中与所述待确定伪标签特征向量集合对应的各个未标注图像确定为伪标签图像集合;
根据所述伪标签图像集合和所述标注图像组集合,确定扩展标签图像组集合。
8.一种预训练任务模型调整处理装置,包括:
获取单元,被配置成获取未标注图像集合;
第一生成单元,被配置成根据所述未标注图像集合,生成标注图像组集合;
第二生成单元,被配置成根据预先训练的图像特征生成模型和所述标注图像组集合,生成标注特征向量组集合;
第一确定单元,被配置成根据所述标注图像组集合,确定所述未标注图像集合对应的聚类类别信息;
第三生成单元,被配置成根据所述图像特征生成模型和所述未标注图像集合,生成未标注特征向量集合;
聚类处理单元,被配置成根据所述聚类类别信息,对所述未标注特征向量集合进行聚类处理,得到未标注特征向量组集合;
第四生成单元,被配置成根据所述未标注特征向量组集合,生成聚类中心信息集合;
第五生成单元,被配置成根据所述标注特征向量组集合,生成标注图像中心信息集合;
第二确定单元,被配置成根据所述聚类中心信息集合和所述标注图像中心信息集合,确定校准中心信息集合,其中,所述聚类中心信息集合中的聚类中心信息对应所述标注图像中心信息集合中的标注图像中心信息;
第六生成单元,被配置成根据所述校准中心信息集合,生成特征向量组集合,其中,所述特征向量组集合中的特征向量组对应所述校准中心信息集合中的校准中心信息;
第三确定单元,被配置成根据所述特征向量组集合和所述未标注特征向量组集合,确定伪标签特征向量组集合,其中,所述伪标签特征向量组集合中的伪标签特征向量组对应所述未标注特征向量组集合中的未标注特征向量组;
第四确定单元,被配置成根据所述伪标签特征向量组集合和所述标注特征向量组集合,确定扩展标签图像组集合;
调整处理单元,被配置成根据所述扩展标签图像组集合,对预训练任务模型进行调整处理。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410101911.7A CN117636100B (zh) | 2024-01-25 | 2024-01-25 | 预训练任务模型调整处理方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410101911.7A CN117636100B (zh) | 2024-01-25 | 2024-01-25 | 预训练任务模型调整处理方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117636100A true CN117636100A (zh) | 2024-03-01 |
CN117636100B CN117636100B (zh) | 2024-04-30 |
Family
ID=90032433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410101911.7A Active CN117636100B (zh) | 2024-01-25 | 2024-01-25 | 预训练任务模型调整处理方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117636100B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647904A (zh) * | 2019-08-01 | 2020-01-03 | 中国科学院信息工程研究所 | 一种基于无标记数据迁移的跨模态检索方法及*** |
CN110942025A (zh) * | 2019-11-26 | 2020-03-31 | 河海大学 | 一种基于聚类的无监督跨域行人重识别方法 |
AU2020103440A4 (en) * | 2020-11-14 | 2021-01-28 | Gulfishan Firdose Ahmed | A method for optimizing the convergence performance of data learning with minimal computational steps |
CN113704528A (zh) * | 2021-03-19 | 2021-11-26 | 腾讯科技(北京)有限公司 | 聚类中心确定方法、装置和设备及计算机存储介质 |
CN115147632A (zh) * | 2022-07-08 | 2022-10-04 | 哈尔滨工业大学(深圳) | 基于密度峰值聚类算法的图像类别自动标注方法及装置 |
CN115393673A (zh) * | 2022-08-29 | 2022-11-25 | 阿里巴巴达摩院(杭州)科技有限公司 | 对象识别模型的训练方法、对象识别的方法、电子设备 |
CN115908984A (zh) * | 2022-12-16 | 2023-04-04 | 广州广电运通金融电子股份有限公司 | 图像聚类模型的训练方法及装置 |
CN116092122A (zh) * | 2023-01-17 | 2023-05-09 | 同济人工智能研究院(苏州)有限公司 | 一种协作多特征聚类无监督行人再识别方法和*** |
-
2024
- 2024-01-25 CN CN202410101911.7A patent/CN117636100B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647904A (zh) * | 2019-08-01 | 2020-01-03 | 中国科学院信息工程研究所 | 一种基于无标记数据迁移的跨模态检索方法及*** |
CN110942025A (zh) * | 2019-11-26 | 2020-03-31 | 河海大学 | 一种基于聚类的无监督跨域行人重识别方法 |
AU2020103440A4 (en) * | 2020-11-14 | 2021-01-28 | Gulfishan Firdose Ahmed | A method for optimizing the convergence performance of data learning with minimal computational steps |
CN113704528A (zh) * | 2021-03-19 | 2021-11-26 | 腾讯科技(北京)有限公司 | 聚类中心确定方法、装置和设备及计算机存储介质 |
CN115147632A (zh) * | 2022-07-08 | 2022-10-04 | 哈尔滨工业大学(深圳) | 基于密度峰值聚类算法的图像类别自动标注方法及装置 |
CN115393673A (zh) * | 2022-08-29 | 2022-11-25 | 阿里巴巴达摩院(杭州)科技有限公司 | 对象识别模型的训练方法、对象识别的方法、电子设备 |
CN115908984A (zh) * | 2022-12-16 | 2023-04-04 | 广州广电运通金融电子股份有限公司 | 图像聚类模型的训练方法及装置 |
CN116092122A (zh) * | 2023-01-17 | 2023-05-09 | 同济人工智能研究院(苏州)有限公司 | 一种协作多特征聚类无监督行人再识别方法和*** |
Non-Patent Citations (4)
Title |
---|
ASHISH SETH: "UNFUSED : UNSUPERVISED FINETUNING USING SELF SUPERVISED DISTILLATION", 《2023 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH, AND SIGNAL PROCESSING WORKSHOPS (ICASSPW)》, 2 August 2023 (2023-08-02) * |
严靓;周欣;何小海;熊淑华;卿粼波;: "基于集成分类的暴恐图像自动标注方法", 太赫兹科学与电子信息学报, no. 02, 25 April 2020 (2020-04-25) * |
杨明亮: "基于自监督学习方法的无监督行人重识别算法研究", 《中国优秀硕士学位论文全文数据库》, 15 February 2023 (2023-02-15) * |
魏平俊: "基于VMD和平滑滤波的ECG去噪方法*", 《电工技术》, 30 September 2023 (2023-09-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117636100B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN110807515A (zh) | 模型生成方法和装置 | |
WO2023143016A1 (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN116502807B (zh) | 基于科技知识图谱的产业链分析应用方法和装置 | |
CN116128055A (zh) | 图谱构建方法、装置、电子设备和计算机可读介质 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN113255327B (zh) | 文本处理方法、装置、电子设备及计算机可读存储介质 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
WO2024060587A1 (zh) | 自监督学习模型的生成方法和转化率预估模型的生成方法 | |
CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
CN117010480A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
CN114898184A (zh) | 模型训练方法、数据处理方法、装置及电子设备 | |
CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN113610228A (zh) | 神经网络模型的构建方法及装置 | |
EP3683733A1 (en) | A method, an apparatus and a computer program product for neural networks | |
CN113778846A (zh) | 用于生成测试数据的方法和装置 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
CN115393652B (zh) | 基于对抗网络的人工智能模型更新方法、识别方法和设备 | |
CN113535847B (zh) | 区块链地址分类的方法和装置 | |
CN117194972A (zh) | 数据集生成方法、装置、电子设备、介质和程序产品 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 |
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 |