超重预测模型的训练方法及电子设备技术

本申请提供一种超重预测模型的训练方法及电子设备

【技术实现步骤摘要】
超重预测模型的训练方法及电子设备


[0001]本申请涉及数据处理
，尤其涉及一种超重预测模型的训练方法及电子设备
。

技术介绍

[0002]进行超重预测，传统的方式会采用计算超重指标（例如，
BMI
，身体质量指数），根据超重指标确定是否超重
。
[0003]一般超重指标需要用户的身体特征的信息才能计算，如果不知道用户的身体特征，就无法确定超重指标，所以后来采用一种根据人脸图像通过神经网络模型预测超重指标的方案
。
[0004]但是，目前的神经网络模型进行训练的时候所需的训练样本可能是用户谎报的身体特征，或者谎报的超重指标，这样就会导致训练得到的神经网络模型的预测准确度不高
。

技术实现思路

[0005]有鉴于此，本申请的目的在于提出一种超重预测模型的训练方法及电子设备，用以解决或部分解决上述技术问题
。
[0006]基于上述目的，本申请的第一方面提供了一种超重预测模型的训练方法，包括：获取第一数量的历史对象的第一相关数据作为第一样本数据集；其中，所述第一相关数据包括：第一面部图像与第一填报数据，所述第一数量的历史对象中的部分历史对象的第一相关数据中包括第一体检数据；所述第一填报数据和所述第一体检数据中均包括第一超重指标；将没有第一体检数据的第一相关数据输入至判别模型；利用判别模型识别所述没有第一体检数据的第一相关数据中的第一填报数据的第一超重指标的真实性，得到识别结果；根据所述识别结果对该识别结果对应的第一相关数据中的第一填报数据的第一超重指标进行相应修正，得到修正后的第一样本数据集；利用预先构建的初始超重预测模型对所述修正后的第一样本数据集中的第一面部图像进行超重的训练预测处理，根据训练预测结果与对应的第一超重指标之间的差异对所述初始超重预测模型进行参数调整，得到超重预测模型
。
[0007]基于同一专利技术构思，本公开第二方面还提供了一种电子设备，包括存储器
、
处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法
。
[0008]从上面所述可以看出，本申请提供的超重预测模型的训练方法及电子设备，能够利用判别模型对收集的历史对象的第一样本数据集的第一相关数据中的第一填报数据的第一超重指标的真实性进行识别，进而对识别出的不真实（假）的第一相关数据进行修正，这样保证了修正后的第一样本数据集的准确性，使得利用修正后的第一样本数据集训练初
始超重预测模型过程中，每次参数调整都是向更准确的方向进行调整，保证了最终训练后的超重预测模型进行超重预测的准确度
。
附图说明
[0009]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0010]图
1A
为本申请实施例的判别模型的训练流程图；图
1B
为本申请实施例的训练判别模型过程中进行谎报标记的流程图；图
1C
为本申请实施例的初始判别模型的参数调整流程图；图
1D
为本申请实施例的超重预测模型的训练方法的流程图；图
1E
为本申请实施例的方法中的步骤
103
的展开流程图；图
1F
为本申请实施例的方法中的步骤
105
的展开流程图；图
1G
为本申请实施例的方法中的步骤
106
的展开流程图；图2为本申请实施例的超重预测模型的训练装置的结构示意图；图3为本申请实施例的电子设备的结构示意图
。
具体实施方式
[0011]为使本申请的目的
、
技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明
。
[0012]需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义
。
本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序
、
数量或者重要性，而只是用来区分不同的组成部分
。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件
。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的
。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变
。
[0013]相关技术中，要想获得准确 BMI
，需通过公式 BMI=
体重
÷
身高2来计算
。
而公式需要的参数是准确的身高和体重
。
通常准确客观的身高和体重由体检数据获得，要求用户进行体检会消耗很多用户时间，这样给用户带来很多不便；而更常见的方式是由用户主动告知，具体途径包括书面填写或电子设备录入
。
但是用户主动告知的方式可能存在用户谎报的风险
。
[0014]随着基于神经网络的人脸识别及匹配技术快速发展
, 人脸特征编码技术的鲁棒性越来越强
。
（人脸特征编码即以张量的方式描述人脸特征，是人脸识别算法的中间产物；鲁棒性即算法在不利情况下依然具有良好的泛化预测能力
。
）因此，“Face
‑
to
‑
BMI”基于此特征编码预测实现从人脸直接跳跃到 BMI
，回避了不实的身高体重数据，也减少了数据收集的频次
。
[0015]“Face
‑
to
‑
BMI”采用人脸特征编码的方式，通过训练神经网络建立人脸和
BMI 之间的关系，但由于方法没有考虑人脸在整张图片中的位置，利用整张图片输入模型会引入其他环境因素，因而降低了预测的准确率
。
[0016]采用训练深度学习模型的相关方式实现，为了训练出具有较高准确率的模型，需要大量的标记样本数据集，当样本数据集的标签本身存在一定的偏差时，就会使得训练得到的预测模型难以实现准确预测
。
[0017]在进行数据核对时，历史对象提供的身高体重等相关数据可能存在一定的错误，不能正确反映历史对象的真实
BMI
，利用这类数据直接训练
BMI
预测模型，会出现一定的偏差，容易导致对于新对象的
BMI
预估出现判断失误，造成一定的损失
。
[0018]以下结合附图来详细说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种超重预测模型的训练方法，其特征在于，包括：获取第一数量的历史对象的第一相关数据作为第一样本数据集；其中，所述第一相关数据包括：第一面部图像与第一填报数据，所述第一数量的历史对象中的部分历史对象的第一相关数据中包括第一体检数据；所述第一填报数据和所述第一体检数据中均包括第一超重指标；将没有第一体检数据的第一相关数据输入至判别模型；利用判别模型识别所述没有第一体检数据的第一相关数据中的第一填报数据的第一超重指标的真实性，得到识别结果；根据所述识别结果对该识别结果对应的第一相关数据中的第一填报数据的第一超重指标进行相应修正，得到修正后的第一样本数据集；利用预先构建的初始超重预测模型对所述修正后的第一样本数据集中的第一面部图像进行超重的训练预测处理，根据训练预测结果与对应的第一超重指标之间的差异对所述初始超重预测模型进行参数调整，得到超重预测模型
。2.
根据权利要求1所述的方法，其特征在于，所述判别模型的训练过程包括：获取第二数量的历史对象的第二相关数据作为第二样本数据集，其中，所述第二相关数据中包括：第二面部图像
、
第二体检数据和第二填报数据；所述第二填报数据和所述第二体检数据中均包括第二超重指标；将所述第二填报数据中的第二超重指标与超重关注值进行比较，得到填报数据比较结果，以及将所述第二体检数据中的第二超重指标与超重关注值进行比较，得到体检数据比较结果；将所述填报数据比较结果与所述体检数据比较结果不同的第二相关数据进行谎报标记，得到标记后的第二样本数据集；利用所述标记后的第二样本数据集中的第二面部图像和第二填报数据，对预先由神经网络构成的初始判别模型进行训练判断处理，得到训练判断结果，根据所述训练判断结果与所述谎报标记之间的差异对所述初始判别模型进行参数调整，得到所述判别模型
。3.
根据权利要求2所述的方法，其特征在于，所述将所述填报数据比较结果与所述体检数据比较结果不同的第二相关数据进行谎报标记，得到标记后的第二样本数据集，包括：判断是否为所述体检数据比较结果属于所述第二体检数据中的第二超重指标大于超重关注值，且所述填报数据比较结果属于所述第二填报数据的第二超重指标小于等于超重关注值，是则，确定谎报标记为第一标记，否则，确定谎报标记为第二标记；从属于第二标记的第二相关数据中选择所述第二体检数据中的第二超重指标大于超重关注值的至少一个第二相关数据，将选择的至少一个第二相关数据中所述第二填报数据的第二超重指标设定为小于等于超重关注值，并将所述第二标记变更为第一标记；将所有第一标记的第二相关数据和所有第二标记的第二相关数据进行组合得到所述标记后的第二样本数据集
。4.
根据权利要求2所述的方法，其特征在于，所述初始判别模型包括：图像特征处理网络和浅层分类网络；所述利用所述标记后的第二样本数据集中的第二面部图像和第二填报数据，对预先由神经网络构成的初始判别模型进行训练判断处理，得到训练判断结果，根据所述训练判断
结果与所述谎报标记之间的差异对所述初始判别模型进行参数调整，得到所述判别模型，包括：利用图像特征处理网络对所述标记后的第二样本数据集中的第二面部图像进行特征提取，得到第一维度的第二图像特征；将所述第二填报数据与所述第一维度的第二图像特征合并成第二维度的第二输入数据；将所述第二输入数据输入至浅层分类网络中进行训练判断处理得到训练判断结果，根据所述训练判断结果与对应的谎报标记之间的差异对所述浅层分类网络进行参数调整，得到训练后的浅层分类网络；将所述图像特征处理网络和所述训练后的浅层分类网络进行组合得到所述判别模型
。5.
根据权利要求4所述的方法，其特征在于，所述利用判别模型识别所述没有第一体检数据的第一相关数据中的第一填报数据的第一超重指标的...

【专利技术属性】
技术研发人员：李阳頔，郭萱，陈冠宏，贠婉晴，高洪莞，
申请(专利权)人：恒安标准人寿保险有限公司，
类型：发明
国别省市：