【技术实现步骤摘要】
模型训练方法、装置及电子设备
[0001]本公开涉及人工智能
，尤其涉及图像处理、深度学习等
，具体涉及模型训练方法、装置及电子设备。
技术介绍
[0002]在训练单标签分类模型时，训练数据集的样本图片中一般只标出一种或几种类别(如人、动物、食物等)，忽略样本图片中存在的其他类别。在训练多标签分类模型时，需要人工重新对训练数据进行整理，标注出多标签分类模型对应的全部类别，导致模型训练成本高，训练周期较长。
技术实现思路
[0003]本公开提供了一种模型训练方法、装置及电子设备。
[0004]根据本公开的一方面，提供了一种模型训练方法，包括：
[0005]获取第一数据集、待修正的多标签分类模型支持分类的多个目标类别中的至少一个第一类别，其中，第一数据集中包括样本图像及样本图像的至少一个第一标注标签；
[0006]基于预设的转换规则及第一标注标签，确定样本图像在第一类别下的第二标注标签；
[0007]确定样本图像在目标类别中除第一类别外的其它类别下的第二标注标签为第一预...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，包括：获取第一数据集、待修正的多标签分类模型支持分类的多个目标类别中的至少一个第一类别，其中，所述第一数据集中包括样本图像及所述样本图像的至少一个第一标注标签；基于预设的转换规则及所述第一标注标签，确定所述样本图像在所述第一类别下的第二标注标签；确定所述样本图像在所述目标类别中除所述第一类别外的其它类别下的第二标注标签为第一预设标签；利用所述样本图像及所述样本图像在所述目标类别下的第二标注标签，对所述待修正的多标签分类模型进行训练，以获取多标签分类模型。2.如权利要求1所述的方法，其中，所述基于预设的转换规则及所述第一标注标签，确定所述样本图像在所述第一类别下的第二标注标签，包括:在所述第一标注标签为一个，且所述第一数据集中的全部第一标注标签对应与多个第二类别的情况下，当所述样本图像的第一标注标签对应的第二类别与所述第一类别相同时，确定所述样本图像在所述第一类别下的第二标注标签为第二预设标签；在所述样本图像的第一标注标签对应的第二类别与所述第一类别不同的情况下，确定所述样本图像在所述第一类别的第二标注标签为第三预设标签。3.如权利要求1所述的方法，其中，所述基于预设的转换规则及所述第一标注标签，确定所述样本图像在所述第一类别下的第二标注标签，包括:在所述第一标注标签为一个，且所述第一数据集中的全部第一标注标签均对应与同一第一类别的情况下，将所述样本图像的第一标注标签确定为所述样本图像在所述同一第一类别的第二标注标签。4.如权利要求1所述的方法，其中，所述基于预设的转换规则及所述第一标注标签，确定所述样本图像在所述第一类别下的第二标注标签，包括:在所述第一标注标签为多个，且每个所述第一标注标签对应与不同的第二类别的情况下，将每个所述第二类别与所述第一类别进行匹配，从所述样本图像的多个所述第一标注标签中确定出所述样本图像在所述第一类别下的第二标注标签。5.如权利要求1
‑
4任一所述的方法，其中，所述利用所述样本图像及所述样本图像在所述目标类别下的第二标注标签，对所述待修正的多标签分类模型进行训练，以获取多标签分类模型，包括：将所述样本图片输入所述待修正的多标签分类模型，获取所述待修正的多标签分类模型输出的每个所述目标类别下的第二标注标签的第二置信度；在任一目标类别对应的第二标注标签不为第一预设标签的情况下，将所述任一目标类别确定为有效类别；根据所述有效类别下的第二标注标签及所述有效类别对应的第二置信度，确定损失值，以根据所述损失值对所述待修正的多标签分类模型进行修正。6.如权利要求5所述的方法，其中，在所述根据所述损失值对所述待修正的多标签分类模型进行修正之后，还包括:在所述样本图像在任一第一类别对应的标注标签不为所述第一预设标签的情况下，更新所述任一第一类别对应的样本数量；
在每个所述第一类别对应的样本数量均大于第二阈值的情况下，将最后一次修正后的多标签分类模型，确定为最终的多标签分类模型。7.一种模型训练装置，包括：获取模块，用于获取第一数据集、待修正的多标签分类模型支持分类的多个目标类别中的至少一个第一类别，其中，所...
【专利技术属性】
技术研发人员：曹超，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
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。