[发明专利]对自动标注装置的超参数进行优化的方法和装置

说明书

本发明提供为了减少运算时间而对自动标注并自动评价待利用于学习神经网络的训练图像的自动标注装置的超参数(hyperparameter)进行优化的方法。上述方法的特征在于，包括：步骤(a)，优化装置使上述自动标注装置生成具有固有自动标签的原始图像和具有固有真标签及自动标签的验证图像，从而将上述具有固有自动标签的原始图像分类为简单原始图像和复杂原始图像，将上述具有固有真标签及自动标签的验证图像分类为简单验证图像和复杂验证图像；步骤(b)，计算上述自动标注装置的当前可信度，生成样品超参数组，计算上述自动标注装置的样品可信度，对预设超参数组进行优化。通过强化学习的策略梯度算法(policy gradient algorithm)来执行上述方法。

技术领域

本发明涉及对自动标注待利用于学习神经网络的一个以上训练图像的自动标注装置的超参数进行优化的方法及装置。

背景技术

近来，对利用机器学习(machine learning)来识别对象的方法等进行研究。通过这种机器学习环节，使利用在输入层与输出层之间具有多个隐含层(hidden layer)的神经网络的深度学习具有高识别性能。

而且，利用上述深度学习的上述神经网络通常通过利用损失的反向传播进行学习。

为了进行这种深度学习网络的学习，需要由标注者(labeler)对个别数据点添加标签(tag)，即，标签(label)的训练数据。准备这种训练数据(即，准确分类数据)，尤其，在利用大量的训练数据的情况和数据预处理的质量持续不高的情况下，劳动密集、成本高且繁琐。以往的可相互标注的方法成本高而无法导出理想结果。

因此，最近，执行利用基于深度学习的自动标注装置来对训练图像添加标签(tag)，即，标签(label)的自动标注，通过检查由检查人员自动标注的训练图像来校正上述标签(tag)或标签(label)。

这种以往的自动标注装置可通过再学习来提高准确度。

然而，可通过上述自动标注装置的再学习提高准确度的程度具有限制性，因此为了更高的准确度需要反复进行再学习。

并且，用于提高上述自动标注装置的准确度的上述再学习需要消耗很多时间，因此需要消耗很多时间来获得上述自动标注装置的适当准确度。

发明内容

技术问题

本发明的目的在于，解决以上提及的所有问题。

本发明的再一目的在于，在不进行再学习的情况下，可以提高自动标注装置的准确度。

本发明的另一目的在于，在再学习过程中也可以提高上述自动标注装置的准确度。

解决问题的手段

为了达成如上所述的本发明的目的，并带来后述的本发明的特征性效果，本发明的特征性结构如下：