[发明专利]分类模型的训练方法和装置、移动终端、可读存储介质

权利要求书

1.一种分类模型的训练方法，其特征在于，包括：

基于预设数据集训练分类模型直到所述分类模型的精度达到标准值；其中，所述预设数据集中的数据均携带标注信息；

基于训练后的所述分类模型对所述预设数据集内每个数据进行识别，以获取每个所述数据的类别信息；

当所述数据的类别信息与标注信息不一致时，对所述数据进行清洗，以获取目标数据集；

基于所述目标数据集再次训练所述分类模型。

2.根据权利要求1所述的方法，其特征在于，当所述数据的类别信息与标注信息不一致时，对所述数据进行清洗，以获取清洗后的目标数据集，包括：

当所述数据的类别信息与标注信息不一致时，验证所述标注信息的正确性；

当所述标注信息不正确时，更正所述标注信息以清洗所述数据；

根据清洗后的所述数据形成所述目标数据集。

3.根据权利要求1所述的方法，其特征在于，当所述数据的类别信息与标注信息不一致时，对所述数据进行清洗，以获取清洗后的目标数据集，包括：

当所述数据的类别信息与标注信息不一致时，验证所述类别信息的正确性；

当所述类别信息不正确时，删除所述数据或增加携带所述标注信息的新数据，以清洗所述数据；

根据清洗后的所述数据形成所述目标数据集。

4.根据权利要求3所述的方法，其特征在于，当所述数据的类别信息与标注信息不一致时，验证所述标注信息的优先级高于验证所述类别信息的优先级。

5.根据权利要求1所述的方法，其特征在于，所述分类模型为神经网络；基于预设数据集训练分类模型直到所述分类模型的精度达到标准值，包括：

获取所述预设数据集，并对所述预设数据集进行划分以形成训练集和测试集；

将携带标注信息的所述训练集输入到神经网络，通过所述神经网络的基础网络层进行特征提取，将提取的图像特征输入到分类网络层和目标检测网络层，在所述分类网络层得到反映所述数据中背景图像所属指定图像类别的第一预测置信度与第一真实置信度之间的差异的第一损失函数，在所述目标检测网络层得到反映所述数据中前景目标所属指定对象类别的第二预测置信度与第二真实置信度之间的差异的第二损失函数；

将所述第一损失函数和第二损失函数进行加权求和得到目标损失函数；

根据所述目标损失函数调整所述神经网络的参数；

基于反复调整后的所述神经网络对所述测试集进行测试，直到所述神经网络的精度达到所述标准值。

6.根据权利要求5所述的方法，其特征在于，所述获取所述预设数据集，包括：

根据学习任务获取具有第一预设数量且携带标注信息的第一数据集；

在所述第一数据集上训练分类模型，并评估所述分类模型的精度；

当所述精度达到预设值时，则基于训练后的所述分类模型筛选未标注的数据，将筛选出的数据合并至所述第一数据集以形成第二数据集；

对所述第二数据集进行数据清洗以形成预设数据集，其中，第二数据集的数据数量大于等于预设数据集的数据数量。

7.根据权利要求1-6所述的方法，其特征在于，所述基于清洗后的数据集再次对所述分类模型进行训练后，还包括：

获取再次训练后的分类模型的精度以判断数据清洗是否有效；

当数据清洗有效时，重复执行对预设数据集的数据的清洗，直到所述分类模型的精度达到目标值。

8.一种分类模型的训练装置，其特征在于，包括：

模型训练模块，用于基于预设数据集训练分类模型直到所述分类模型的精度达到标准值；其中，所述预设数据集中的数据均携带标注信息；

识别分类模块，用于基于训练后的所述分类模型对所述预设数据集内每个数据进行识别，以获取每个所述数据的类别信息；

数据清洗模块，用于当所述数据的类别信息与标注信息不一致时，对所述数据进行清洗，以获取目标数据集；

模型优化模块，用于基于所述目标数据集再次训练所述分类模型。