一种基于多场景模式下标签模型的构建方法技术

本发明专利技术公开了标签模型构建技术领域的一种基于多场景模式下标签模型的构建方法，包括以下步骤：S1、基于对象生成测试样本集（测试样本集中包括至少一个测试样本），通过图片识别模型对至少一个测试样本进行识别操作，根据识别结果确定对象的识别准确率；本发明专利技术基于对象生成测试样本集，通过图片识别模型对测试样本集中的至少一个测试样本进行识别操作，可以得到图片识别模型对测试样本进行识别的结果，根据识别结果确定对象的识别准确率，可以检测图片识别模型对于对象的识别准确率，将符合预设条件的识别准确率所对应的对象作为待强化对象，可以快速确定出待强化对象。可以快速确定出待强化对象。

【技术实现步骤摘要】
一种基于多场景模式下标签模型的构建方法


[0001]本专利技术涉及标签模型构建
，具体为一种基于多场景模式下标签模型的构建方法。

技术介绍

[0002]电子标签又称射频标签、应答器、数据载体；阅读器又称为读出装置、扫描器、读头、通信器、读写器（取决于电子标签是否可以无线改写数据）。电子标签与阅读器之间通过耦合元件实现射频信号的空间（无接触）耦合；在耦合通道内，根据时序关系，实现能量的传递和数据交换；在很多需要识别某种个体的应用场景下，都需要对该个体构建完整的标签模型，在通过标签模型的相互关系，得出识别结果；但在现有技术中，在一些固定的标签池里，每个物体的识别场景可能都不相同，进而导致标签模型都需要重新重复构建，造成最后识别元数据混乱的同时也会增加重复的工作，为此，我们提出一种基于多场景模式下标签模型的构建方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于多场景模式下标签模型的构建方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于多场景模式下标签模型的构建方法，包括以下步骤：S1、基于对象生成测试样本集（测试样本集中包括至少一个测试样本），通过图片识别模型对至少一个测试样本进行识别操作，根据识别结果确定对象的识别准确率；S2、将符合预设条件的识别准确率所对应的对象，作为待强化对象，并对至少一个待强化对象进行强化操作，得到强化样本集，以便使用强化样本集对图片识别模型进行训练；S3、获取对象的至少一个图片生成参数，（针对所述至少一个图片生成参数中的每一图片生成参数，生成与该图片生成参数对应的初始图片）；S4、对至少一个初始图片中的每一初始图片分别进行处理操作，得到图片样本集；S5、获取至少两个样本图片集，其中，样本图片集对应于预设的图片类别，样本图片集包括属于对应的图片类别的正样本图片和不属于对应的图片类别的负样本图片，正样本图片对应于预先被标注的正类别信息，负样本图片对应于预先标注的负类别信息；S6、从所述至少两个样本图片集中选择样本图片集，利用所选择的样本图片集，执行如下训练步骤：利用机器学习方法，将样本图片集包括的正样本图片作为输入，将与输入的正样本图片对应的正类别信息作为期望输出，将样本图片集中的负样本图片作为输入，将与输入的负样本图片对应的负类别信息作为期望输出，训练初始模型；S7、确定所述至少两个样本图片集中是否包括未被选择的样本图片集；响应于确
定不包括，确定最近一次训练后的初始模型为图片标签模型；S8、响应于确定所述至少两个样本图片集中包括未被选择的样本图片集，从未被选择的样本图片集中重新选择样本图片集，利用重新选择的样本图片集和最近一次训练后的初始模型，继续执行所述训练步骤。
[0005]优选的，所述测试样本集中还包括至少一个图片信息，每一图片信息对应唯一的测试图片，所述图片信息用于描述测试图片的内容信息；所述根据识别结果确定所述对象的识别准确率，包括：基于所述图片信息，确定出所述对象的正确识别结果的总数，根据所述总数确定所述对象的识别准确率。
[0006]优选的，所述将符合预设条件的识别准确率所对应的对象，作为待强化对象。
[0007]优选的，所述对至少一个待强化对象进行强化操作，得到强化样本集，包括：将所述待强化对象所对应的至少一个初始图片作为目标初始图片集；将所述待强化对象所对应的至少一个测试图片作为目标测试图片集；对所述目标初始图片集中的每一初始图片进行第二处理操作，得到所述待强化对象所对应的至少一个目标样本；将所述至少一个目标样本和所述目标测试图片集，作为所述强化样本集。
[0008]优选的，所述初始模型为卷积神经网络模型，包括特征提取层和分类层，分类层包括预设数量个权重数据，权重数据对应于预设的图片类别，用于确定输入的图片所属类别的概率。
[0009]优选的，所述预设数量个权重数据中的、除样本图片集对应的图片类别所对应的权重数据之外的其他权重数据，以及调整样本图片集对应的图片类别所对应的权重数据，以对初始模型进行训练。
[0010]优选的，所述待强化对象包括：将至少一个识别准确率由低到高进行排序，将处于排序范围内的识别准确率所对应的对象作为目标对象。
[0011]与现有技术相比，本专利技术的有益效果是：本专利技术基于对象生成测试样本集，通过图片识别模型对测试样本集中的至少一个测试样本进行识别操作，可以得到图片识别模型对测试样本进行识别的结果，根据识别结果确定对象的识别准确率，可以检测图片识别模型对于对象的识别准确率，将符合预设条件的识别准确率所对应的对象作为待强化对象，可以快速确定出待强化对象，对至少一个待强化对象进行强化操作，得到图片样本集，再通过获取至少两个样本图片集，其中，样本图片集对应于预设的图片类别，样本图片集包括正样本图片和负样本图片，正样本图片对应于正类别信息，负样本图片对应于负类别信息；然后将正样本图片作为输入，将正类别信息作为期望输出，将负样本图片作为输入，将负类别信息作为期望输出，对初始模型进行训练，最终训练得到图片标签模型，由于正类别信息和负类别信息是针对单个类别的信息，因此，本公开的实施例可以不使用标注为多标签的类别信息，而只需使用标注为单标签的类别信息进行训练，得到可以进行多标签分类的图片标签模型，从而利用单标签分类简便、有针对性的特点，提高了模型训练的灵活性，以及有助于提高利用图片标签模型对图片分类的准确性，用于解决在一些固定的标签池里，每个物体的识别场景可能都不相同，进而导致
标签模型都需要重新重复构建，造成最后识别元数据混乱的同时也会增加重复工作的问题。
具体实施方式
[0012]下面将结合本专利技术实施例，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0013]本专利技术提供一种技术方案：一种基于多场景模式下标签模型的构建方法，包括以下步骤：S1、基于对象生成测试样本集（测试样本集中包括至少一个测试样本），通过图片识别模型对至少一个测试样本进行识别操作，根据识别结果确定对象的识别准确率；S2、将符合预设条件的识别准确率所对应的对象，作为待强化对象，并对至少一个待强化对象进行强化操作，得到强化样本集，以便使用强化样本集对图片识别模型进行训练；S3、获取对象的至少一个图片生成参数，（针对所述至少一个图片生成参数中的每一图片生成参数，生成与该图片生成参数对应的初始图片）；S4、对至少一个初始图片中的每一初始图片分别进行处理操作，得到图片样本集；S5、获取至少两个样本图片集，其中，样本图片集对应于预设的图片类别，样本图片集包括属于对应的图片类别的正样本图片和不属于对应的图片类别的负样本图片，正样本图片对应于预先被标注的正类别信息，负样本图片对应于预先标注的负类别信息；S6、从所述至少两个样本图片集中选择样本图片集，利用所选择的样本图片集，执行如下训练步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多场景模式下标签模型的构建方法，其特征在于，包括以下步骤：S1、基于对象生成测试样本集（测试样本集中包括至少一个测试样本），通过图片识别模型对至少一个测试样本进行识别操作，根据识别结果确定对象的识别准确率；S2、将符合预设条件的识别准确率所对应的对象，作为待强化对象，并对至少一个待强化对象进行强化操作，得到强化样本集，以便使用强化样本集对图片识别模型进行训练；S3、获取对象的至少一个图片生成参数，（针对所述至少一个图片生成参数中的每一图片生成参数，生成与该图片生成参数对应的初始图片）；S4、对至少一个初始图片中的每一初始图片分别进行处理操作，得到图片样本集；S5、获取至少两个样本图片集，其中，样本图片集对应于预设的图片类别，样本图片集包括属于对应的图片类别的正样本图片和不属于对应的图片类别的负样本图片，正样本图片对应于预先被标注的正类别信息，负样本图片对应于预先标注的负类别信息；S6、从所述至少两个样本图片集中选择样本图片集，利用所选择的样本图片集，执行如下训练步骤：利用机器学习方法，将样本图片集包括的正样本图片作为输入，将与输入的正样本图片对应的正类别信息作为期望输出，将样本图片集中的负样本图片作为输入，将与输入的负样本图片对应的负类别信息作为期望输出，训练初始模型；S7、确定所述至少两个样本图片集中是否包括未被选择的样本图片集；响应于确定不包括，确定最近一次训练后的初始模型为图片标签模型；S8、响应于确定所述至少两个样本图片集中包括未被选择的样本图片集，从未被选择的样本图片集中重新选择样本图片集，利用重新选择的样本图片集和最近一次训练后的初始模型，继续执行所述训练步骤。2.根据权利要求1所述的一种基于多场景模式下标签模型的构建方法，其特征在于：...

【专利技术属性】
技术研发人员：李永壮，刘磊磊，
申请(专利权)人：浙江海心智惠科技有限公司，
类型：发明
国别省市：