一种样本选取方法及装置制造方法及图纸

本申请提供了一种样本选取方法及装置。该方法包括：将多个样本中的每个样本输入到多个检测模型，获得每个样本的多个检测结果；根据每个样本的多个检测结果确定每个样本的价值度；根据每个样本的价值度从多个样本中选取目标样本。上述方法直接将样本输入到检测模型中获取样本的价值度，无需对模型进行改造。并且该方法可以从海量样本中选取较优的样本，以提高最终训练后模型的精度。高最终训练后模型的精度。高最终训练后模型的精度。

【技术实现步骤摘要】
一种样本选取方法及装置


[0001]本申请涉及人工智能(artificial intelligence，AI)
，尤其涉及一种样本选取方法及装置。

技术介绍

[0002]人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。
[0003]在AI领域中，基于深度学习的检测模型对图像样本的检测效果显著，已经应用于各个领域，如智能安防、自动驾驶和工业质检等等。当前检测模型大多是数据驱动型的，即需要大量的已标注的样本去训练检测模型，以实现目标检测。但样本标注需要花费大量的人力、物力。因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种样本选取方法，其特征在于，所述方法包括：将多个样本中的每个样本输入到多个检测模型，获得所述每个样本的多个检测结果；根据所述每个样本的多个检测结果确定所述每个样本的价值度；根据所述每个样本的价值度从所述多个样本中选取目标样本。2.根据权利要求1所述的方法，其特征在于，所述每个样本的价值度用于指示所述每个样本对提高所述多个检测模型的准确度的贡献；其中，所述每个样本的价值度与所述每个样本对提高所述多个检测模型的准确度的贡献正相关。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述每个样本的多个检测结果确定所述每个样本的价值度包括：根据所述每个样本的多个检测结果计算所述每个样本的目标类别数标准差、目标平均位置交并比、目标平均置信度或目标总数；根据所述每个样本的目标类别数标准差、目标平均位置交并比、目标平均置信度或目标总数中的至少一项确定所述每个样本的价值度。4.根据权利要求3所述的方法，其特征在于，所述每个样本的目标类别数标准差用于指示所述每个样本的多个检测结果中目标类别的差异；所述每个样本的目标平均位置交并比用于指示所述每个样本的多个检测结果中相同目标的位置差异；所述每个样本的目标平均置信度用于指示所述多个检测模型对所述每个样本进行检测的准确性；所述每个样本的目标总数用于指示所述每个样本的多个检测结果中的目标数量。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述根据所述每个样本的价值度从所述多个样本中选取目标样本包括：将所述多个样本根据其价值度由大到小排列为样本序列；将所述样本序列划分为多个子序列；所述多个子序列包括第一子序列和第二子序列；所述第一子序列的长度小于所述第二子序列的长度；所述第一子序列中样本的价值度均大于所述第二子序列中样本的价值度；在所述多个子序列的每个子序列中选取至少一个样本作为所述目标样本；所述第一子序列中选取的样本数量与所述第二子序列中选取的样本数量的差值小于预设阈值。6.根据权利要求5所述的方法，其特征在于，所述在所述多个子序列的每个子序列中选取至少一个样本作为所述目标样本包括：根据所述每个子序列中各样本的价值度，确定至少一个所述目标样本。7.根据权利要求5所述的方法，其特征在于，所述在所述多个子序列的每个子序列中选取至少一个样本作为所述目标样本包括：根据所述每个子序列中各样本与已选取的目标样本之间的相似度，确定至少一个所述目标样本。8.根据权利要求1
‑
7任一项所述的方法，其特征在于，所述方法还包括：使用所述目标样本分别训练所述多个检测模型中的至少一个，以获得目标模型；所述目标模型的准确度高于所述多个检测模型。9.一种样本选取装置，其特征在于，所述装置包括：获取模块，用于将多个样本中的每个样本输入到多个检测模型，获得所述每个样本的多个检测结果；
确定模块，用于根据所述每个样本的多个检测结果确定所述每个样本的价值度；选取模块，用于根据所述每个样本的价值度从所述多个...

【专利技术属性】
技术研发人员：吴学文，韩承志，王小辉，张亚斌，陈安伟，葛建壮，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：