【技术实现步骤摘要】
本专利技术所揭示内容是关于一种自我训练系统，尤其是关于自适应模型的自我训练系统，以及使自适应模型使用所述系统进行自我训练的方法。
技术介绍
1、图像辨识是指包括能够识别数字图像之中的地点、标志、人员、物体、建筑物以及其他型态的技术。近年来，在使用深度学习的图像辨识性能方面，已实现大幅进展。目前熟知的深度学习是使用多层类神经网络(neural network)的机器学习方法；而在许多情况下，多层类神经网络是采用所谓的卷积(convolutional)类神经网络。
2、一般来说，用于图像辨识的深度学习模型是被训练为能以图像作为输入，并输出用以描述图像的一个或多个标签，而一组可能的输出标签，则作为目标的分类结果，而伴随着这些预测的分类结果，图像辨识模型可提供分数，此分数反映对于图像归类某种类别的确定程度。此等模型在做训练时，可以用人工方式准备标记过的训练数据，让模型在学习的过程对比误差，并持续做修正以达到更精准的预测。
技术实现思路
1、本专利技术在一个示范实施例中，提供一种自适应模型(scalable models)的自我训练系统。所述自我训练系统包括一个运算装置，所述运算装置包括图形分析环境，所述图形分析环境包括对具有原生分辨率(native resolution)的第一图像执行分析程序的指令，所述分析程序使所述运算装置执行运作，包括：重新采样(resampling)所述第一图像以产生第二图像，其中所述第二图像在像素个数方面具有大于所述原生分辨率的经重新采样分辨率；由一个
2、本专利技术在另一个示范实施例中，提供一种使一个自适应模型进行自我训练的方法。所述方法包括以下运作：接收第一图像；处理所述第一图像而产生第二图像；将所述第一图像和所述第二图像分派给一个自适应模型集合中的至少一个自适应模型；使用所述至少一个自适应模型，得到所述第一图像和所述第二图像中的多个定界框；比较所述第一图像和所述第二图像中的所述定界框，以取得比较结果；以及依据所述比较结果，训练所述自适应模型集合中，用以处理所述第一图像的所述自适应模型。
3、本专利技术在又一个示范实施例中，提供一种使一个自适应模型进行自我训练的方法。所述方法包括以下运作：接收第一图像；处理所述第一图像而产生第二图像；将所述第一图像和所述第二图像分派给一个自适应模型集合中的至少一个自适应模型；使用所述至少一个自适应模型，得到所述第一图像和所述第二图像的分类信息；比较所述第一图像和所述第二图像的所述分类信息，以取得比较结果；以及依据所述比较结果，训练所述自适应模型集合中，用以分类所述第一图像的所述自适应模型。
本文档来自技高网...【技术保护点】
1.一种自适应模型的自我训练系统，其特征在于，包含：
2.根据权利要求1所述的自我训练系统，其中上述重新采样的运作包含对所述第一图像进行超分辨率程序，以形成具有所述经重新采样分辨率的所述第二图像。
3.根据权利要求1所述的自我训练系统，其中所述分析程序进一步使所述运算装置执行运作，以聚合所述第一图像的所述第一定界框及所述第二图像的所述第二定界框而产生具有多个预测定界框的所述比较结果。
4.根据权利要求1所述的自我训练系统，其中所述比较结果包含所述第一图像的至少一个错误标注。
5.根据权利要求4所述的自我训练系统，其中所述错误标注包含遗漏标注及冗余标注。
6.根据权利要求1所述的自我训练系统，其中所述分析程序进一步使所述运算装置执行运作，以在检测所述第一定界框和所述第二定界框前，依据所述检测模型，调整所述第一图像和所述第二图像的尺寸。
7.根据权利要求1所述的自我训练系统，其中于检测所述第一图像中的所述第一定界框及所述第二图像中的所述第二定界框时，所述第一图像及所述第二图像是由所述第一自适应模型集合的不同检测模
8.根据权利要求1所述的自我训练系统，其中所述分析程序进一步使所述运算装置执行运作，以在比较所述第一定界框和所述第二定界框前，将所述第二图像的尺寸调整为与所述第一图像相同的第三图像，使所述第三图像包含对应所述第二图像的所述第二定界框按比例调整尺寸后的多个第三定界框，以经由比较所述第一图像的所述第一定界框及所述第三图像的所述第三定界框而取得所述比较结果，以训练所述自适应模型集合中，被用以检测所述第一图像的所述检测模型。
9.一种使一个自适应模型进行自我训练的方法，其特征在于，所述方法包含：
10.根据权利要求9所述的方法，其中所述第二图像的分辨率是在像素个数方面等于所述第一图像的分辨率。
11.根据权利要求9所述的方法，其中所述第二图像的分辨率是在像素个数方面大于所述第一图像的分辨率。
12.根据权利要求9所述的方法，其中所述使用所述至少一个自适应模型，得到所述第一图像和所述第二图像中的所述定界框，包括：
13.根据权利要求9所述的方法，其中所述比较结果包含遗漏标注或冗余标注，使被用以检测所述第一图像的所述检测模型于训练后，于再次检测所述第一图像时，降低产生相对应所述遗漏标注或所述冗余标注的错误。
14.根据权利要求13所述的方法，其中于比较所述第一图像和所述第二图像中的所述定界框时，是经比较所述第一图像和所述第二图像中的所述定界框的交集联集比而保留部分的所述定界框，以产生所述遗漏标注或所述冗余标注。
15.根据权利要求9所述的方法，其中于依据所述比较结果训练所述自适应模型集合的运作中，是使用所述比较结果，调整被用以检测所述第一图像的所述检测模型中的权重参数。
16.根据权利要求9所述的方法，其中于比较所述第一图像和所述第二图像中的所述定界框的运作后，进一步包含聚合所述第一图像及所述第二图像中的所述定界框。
17.一种使一个自适应模型进行自我训练的方法，其特征在于，所述方法包含：
18.根据权利要求17所述的方法，其中所述使用所述至少一个自适应模型，得到所述第一图像和所述第二图像的所述分类信息，包括：
19.根据权利要求17所述的方法，其中所述比较结果包含至少一个不正确分类标注，使被用以分类所述第一图像的所述分类模型于训练后，于再次分类所述第一图像时，降低产生相对应所述不正确分类标注的错误。
20.根据权利要求19所述的方法，其中于比较所述第一图像和所述第二图像的所述分类信息时，是经比较所述第一图像和所述第二图像的多个类别的分数差异值而保留部分的所述类别，以产生所述不正确分类标注。
...【技术特征摘要】
1.一种自适应模型的自我训练系统，其特征在于，包含：
2.根据权利要求1所述的自我训练系统，其中上述重新采样的运作包含对所述第一图像进行超分辨率程序，以形成具有所述经重新采样分辨率的所述第二图像。
3.根据权利要求1所述的自我训练系统，其中所述分析程序进一步使所述运算装置执行运作，以聚合所述第一图像的所述第一定界框及所述第二图像的所述第二定界框而产生具有多个预测定界框的所述比较结果。
4.根据权利要求1所述的自我训练系统，其中所述比较结果包含所述第一图像的至少一个错误标注。
5.根据权利要求4所述的自我训练系统，其中所述错误标注包含遗漏标注及冗余标注。
6.根据权利要求1所述的自我训练系统，其中所述分析程序进一步使所述运算装置执行运作，以在检测所述第一定界框和所述第二定界框前，依据所述检测模型，调整所述第一图像和所述第二图像的尺寸。
7.根据权利要求1所述的自我训练系统，其中于检测所述第一图像中的所述第一定界框及所述第二图像中的所述第二定界框时，所述第一图像及所述第二图像是由所述第一自适应模型集合的不同检测模型所检测。
8.根据权利要求1所述的自我训练系统，其中所述分析程序进一步使所述运算装置执行运作，以在比较所述第一定界框和所述第二定界框前，将所述第二图像的尺寸调整为与所述第一图像相同的第三图像，使所述第三图像包含对应所述第二图像的所述第二定界框按比例调整尺寸后的多个第三定界框，以经由比较所述第一图像的所述第一定界框及所述第三图像的所述第三定界框而取得所述比较结果，以训练所述自适应模型集合中，被用以检测所述第一图像的所述检测模型。
9.一种使一个自适应模型进行自我训练的方法，其特征在于，所述方法包含：
10.根据权利要求9所述的方法，其中所述第二图像的分辨率是在像素个数方面等于所述第一图像的分辨率。
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。