【技术实现步骤摘要】
标签标注方法、图像分类模型的构建方法和图像分类方法
[0001]本申请涉及人工智能
,特别是涉及一种标签标注方法、图像分类模型的构建方法、图像分类方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着人工智能技术的发展,以及在图像识别领域的不同实际场景下,对图像的内容、以及图像中所有图像类别的识别准确度要求日益提升,出现了图像分类任务。其中,图像分类任务的目标是输入一张图片,输出图片中所有图像类别,由于存在多种图像类别的情况,进而在对样本图像进行标签标注时,也需要标注出图像中所有存在的对象类别。而由于标注时候需要标注图像中的所有类别,在图像中情况图像类别较多、不同图像类别分布不均的情况下,标注速度将明显降低。
[0003]传统上,为提升标签分类中的标注速度,出现了single positive label的标注方式,即通过在标签任务中进行标注时,采用只随机标注图中一个目标类别,而不标注其他类别的方式,以减少标注时间的消耗,提升标注速度。
[0004]然而,传统的single positive label方式中,由于只随机标注其中一个图像类别的方式,过于依赖标注过程中的随机性,仍然存在图像标注结果误差较大的问题,导致后续根据标注后的样本图像集训练得到的模型精度较低,误差较大,进行图像分类的精准度仍然较为低下。
技术实现思路
[0005]基于此,有必要针对上述技术问题,提供一种能够提升图像分类精准度的标签标注方法、图像分类模型的构建方法、图像分类方法、装置、计 ...
【技术保护点】
【技术特征摘要】
1.一种标签标注方法,其特征在于,所述方法包括:获取待标注样本图像集;确定与所述待标注样本图像集对应的标注顺序;根据所述标注顺序,对所述待标注样本图像集中的各待标注样本图像,进行有序单标签标注,获得标注后的样本图像集;其中,所述标注后的样本图像集中的各样本图像携带标注标签,所述标注标签表示的类别包括正标签的图像类别、可信负标签的图像类别以及不可信标签的图像类别。2.根据权利要求1所述的方法,其特征在于,在所述确定与所述待标注样本图像集对应的标注顺序之前,还包括:将所述待标注样本图像集划分为预设批次的子图像集,各批次的所述子图像集中包括多个待标注样本图像;所述根据所述标注顺序,对所述待标注样本图像集中的各待标注样本图像,进行有序单标签标注,获得标注后的样本图像集,包括:根据与各批次的所述子图像集对应的标注顺序,分别对各批次的所述子图像集中的各待标注样本图像,进行有序单标签标注;根据各批次的所述子图像集中标注后的各样本图像,获得标注后的样本图像集。3.根据权利要求2所述的方法,其特征在于,对所述子图像集中的各待标注样本图像,进行有序单标签标注的方式,包括:对各待标注样本图像进行特征识别,获得各所述待标注样本图像包括的图像类别;根据与所述子图像集对应的标注顺序,对所述子图像集中的各待标注样本图像进行有序单标签标注,从所述待标注样本图像包括的图像类别中确定出正标签的图像类别;基于所述标注顺序、所述正标签的图像类别、以及所述待标注样本图像包括的图像类别,确定所述待标注样本图像中的可信负标签的图像类别、以及不可信标签的图像类别。4.一种图像分类模型的构建方法,其特征在于,所述方法包括:获取样本图像集;所述样本图像集中的各样本图像携带标注标签,所述标注标签表示的类别包括:正标签的图像类别、可信负标签的图像类别和不可信标签的图像类别;根据各所述样本图像,对初始分类模型进行训练,若确定满足训练结束条件,获得训练好的图像分类模型;其中,在训练过程中计算训练损失值时,所述不可信标签的图像类别的权重小于所述正标签的图像类别、以及所述可信负标签的图像类别的权重,所述正标签和所述可信负标签的图像类别的权重的差值小于预设阈值。5.根据权利要求4所述的方法,其特征在于,所述根据各所述样本图像,对初始分类模型进行训练,若确定满足训练结束条件,获得训练好的图像分类模型,包括:根据各所述样本图像,对所述初始分类模型进行训练,若满足训练结束条件,获得训练好的初始图像分类模型;基于训练好的初始图像分类模型,从所述样本图像集中确定出伪标签样本;根据所述伪标签样本,对所述训练好的初始图像分类模型进行训练,获得训练好的图像分类模型。6.根据权利要求5所述的方法,其特征在于,所述根据各所述样本图像,对所述初始分类模型进行训练,若满足训练结束条件,获得训练好的初始图像分类模型,包括:获取所述初始分类模型对各所述样本图像进行图像分类预测的预测结果;
根据各所述样本图像的预测结果、标注标签以及各标注标签的权重,进行加权处理,确定训练损失值;若确定所述训练损失值满足训练结束条件,获得训练好的初始图像分类模型。7.根据权利要求6所述的方法,其特征在于,所述根据各所述样本图像的预测结果、标注标签以及各标注标签的权重,进行加权处理,确定训练损失值,包括:根据所述样本图像的预测结果、以及样本图像的标注标签,确定所述预测结果的标注标签表示的类别;将所述标注标签表示的类别的权重,确定为所述预测结果的权重;根据各所述预测结果的权重,对各所述预测结果进行加权处理,确定训练损失值。8.根据权利要求5或6所述的方法,其特征在于,所述基于训练好的初始图像分类模型,从所述样本图像集中确定出伪标签样本,包括:通过所述训练好的初始图像分类模型,对所述样本图像集中的各样本图像进行分类处理,获得与各所述样本图像对应的...
【专利技术属性】
技术研发人员:林志文,鄢科,
申请(专利权)人:腾讯科技深圳有限公司,
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。