【技术实现步骤摘要】
样本筛选方法、装置和计算机设备
本申请涉及人工智能及区块链
，特别是涉及到样本筛选方法、装置和计算机设备。
技术介绍
训练样本对模型训练起到至关重要的作用，但由于样本标注存在人为标注的主观因素，由于训练样本数量多，无法做到通过人工一一筛选掉，拖影、遮挡、字迹不清等部分劣质样本，影响模型训练效果。或者部分场景的样本稀缺，导致训练样本严重不足，使训练后的模型精准度不高。现有技术无法识别并淘汰劣质样本，无法实现自动、快速挑拣出正常样本。
技术实现思路
本申请的主要目的为提供样本筛选方法，旨在解决无法自动快速地挑拣出正常样本的技术问题。本申请提出一种样本筛选方法，包括：将所有待筛选样本输入Yolov3神经网络模型；获取所述Yolov3神经网络模型识别每个所述待筛选样本分别得到的计算机标注框数据，以及预先得到的每个所述待筛选样本分别对应的人工标注框数据；根据每个所述待筛选样本分别对应的所述计算机标注框数据和人工标注框数据，分别计算每个所述待筛选样本分别对应的平均精准度；...
【技术保护点】
1.一种样本筛选方法，其特征在于，包括：/n将所有待筛选样本输入Yolov3神经网络模型；/n获取所述Yolov3神经网络模型识别每个所述待筛选样本分别得到的计算机标注框数据，以及预先得到的每个所述待筛选样本分别对应的人工标注框数据；/n根据每个所述待筛选样本分别对应的所述计算机标注框数据和人工标注框数据，分别计算每个所述待筛选样本分别对应的平均精准度；/n比较各所述待筛选样本分别对应的平均精准度与第一预设值的大小关系；/n将平均精准度大于第一预设值的待筛选样本划分为正常样本。/n
【技术特征摘要】
1.一种样本筛选方法，其特征在于，包括：
将所有待筛选样本输入Yolov3神经网络模型；
获取所述Yolov3神经网络模型识别每个所述待筛选样本分别得到的计算机标注框数据，以及预先得到的每个所述待筛选样本分别对应的人工标注框数据；
根据每个所述待筛选样本分别对应的所述计算机标注框数据和人工标注框数据，分别计算每个所述待筛选样本分别对应的平均精准度；
比较各所述待筛选样本分别对应的平均精准度与第一预设值的大小关系；
将平均精准度大于第一预设值的待筛选样本划分为正常样本。
2.根据权利要求1所述的样本筛选方法，其特征在于，所述根据每个所述待筛选样本分别对应的所述计算机标注框数据和人工标注框数据，分别计算每个所述待筛选样本分别对应的平均精准度的步骤，包括：
获取指定样本对应的第一数组的左上角的第一坐标数据和右下角的第二坐标数据，以及所述指定样本对应的第二数组的左上角的第三坐标数据和右下角的第四坐标数据，其中，所述指定样本为所有所述待筛选样本中的任意一个，所述坐标数据包括横坐标数据和纵坐标数据，所述第一数组为所述指定样本的计算机标注框数据，所述第二数组为所述指定样本的人工标注框数据；
根据所述第一坐标数据和所述第三坐标数据的比较数据，以及所述第二坐标数据和所述第四坐标数据的比较数据，得到所述指定样本的计算机标注框数据与所述指定样本的人工标注框数据的交集，以及所述指定样本的计算机标注框数据与所述指定样本的人工标注框数据的并集；
根据公式Iou=交集/并集，计算所述指定样本的平均精准度；
根据所述指定样本的平均精准度的计算过程，分别计算每个所述待筛选样本分别对应的平均精准度。
3.根据权利要求1所述的样本筛选方法，其特征在于，所述将平均精准度大于第一预设值的待筛选样本划分为正常样本的步骤之后，包括：
判断所述正常样本的数量是否小于预设样本数量；
若是，则从所述正常样本中筛选出满足预设条件的优质样本；
通过对所述优质样本进行数据加强的方式增多样本数量，增多样本数量后，正常样本的数量大于所述预设样本数量。
4.根据权利要求3所述的样本筛选方法，其特征在于，从所述正常样本中筛选出满足预设条件的优质样本的步骤，包括：
获取所有所述待筛选样本分别对应的平均精准度组成的数据分布图；
从所述数据分布图中，计算所述正常样本占比所有所述待筛选样本的指定比率；
根据所述指定比率确定优质样本对应的最低平均精准度值；
根据所述最低平均精准度值确定...
【专利技术属性】
技术研发人员：黄哲，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。