[发明专利]基于深度学习提高数据采集质量的方法和装置

权利要求书

1.一种基于深度学习提高数据采集质量的方法，包括：

设置多类标签，每一类标签对应多个标准图片；

将所述多类标签对应的所有图片输入神经网络，通过正向传播得到得分；

将所述得分输入误差函数计算得到误差，通过反向传播来确定梯度向量，并通过所述梯度向量按照使误差趋于零或收敛的趋势，调整所述神经网络内每一层神经元权值，重复所述计算误差及调整权值的步骤，直至调节次数达到指定次数或误差损失的平均值不再下降，得到训练模型；

当采集数据时，通过输入标签搜索数据，将搜索到的同一类标签的图片放在同一文件夹下，将所有标签文件夹下的图片输入所述训练模型得到每个标签的置信度列表，根据所述置信度列表中误识标签的置信度，确定每一个标签的置信度中值，对所有标签的置信度中值求和后取均值，将所述均值设置为置信度阈值；

当数据采集完毕后，输入标签通过所述训练模型计算出置信度，如果所述置信度高于所述置信度阈值，则将采集到的数据作为所述标签的数据。

2.根据权利要求1所述的方法，其特征在于，将所述多类标签对应的所有图片输入神经网络，通过正向传播得到得分，包括：

将所述多类标签对应的所有图片输入神经网络，每个神经元的输入值经加权累加后，再输入激活函数作为该神经元的输出值，再通过正向传播得到得分。

3.根据权利要求1所述的方法，其特征在于，将所述得分输入误差函数计算得到误差，包括：

将所述得分输入误差函数，与期待值比较得到误差，如果得到多个误差则求和后作为误差。

4.根据权利要求1所述的方法，其特征在于，根据所述置信度列表中误识标签的置信度，确定每一个标签的置信度中值，包括：

查看每一个标签的置信度列表，找出从哪一个置信度开始误识所述标签，将该开始误识标签的置信度确定为所述标签的置信度中值。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：

当进行数据核对时，将所述置信度阈值调高指定的百分比，如果采集的数据不符合所述调高后的置信度阈值，则将所述数据予以删除。

6.一种基于深度学习提高数据采集质量的装置，包括：

设置模块，其配置成设置多类标签，每一类标签对应多个标准图片；

训练模块，其配置成将所述多类标签对应的所有图片输入神经网络，通过正向传播得到得分；还配置成将所述得分输入误差函数计算得到误差，通过反向传播来确定梯度向量，并通过所述梯度向量按照使误差趋于零或收敛的趋势，调整所述神经网络内每一层神经元权值，重复所述计算误差及调整权值的步骤，直至调节次数达到指定次数或误差损失的平均值不再下降，得到训练模型；

采集模块，其配置成当采集数据时，通过输入标签搜索数据，将搜索到的同一类标签的图片放在同一文件夹下，将所有标签文件夹下的图片输入所述训练模型得到每个标签的置信度列表，根据所述置信度列表中误识标签的置信度，确定每一个标签的置信度中值，对所有标签的置信度中值求和后取均值，将所述均值设置为置信度阈值；

调整模块，其配置成当数据采集完毕后，输入标签通过所述训练模型计算出置信度，如果所述置信度高于所述置信度阈值，则将采集到的数据作为所述标签的数据。

7.根据权利要求6所述的装置，其特征在于，所述训练模块具体配置成：

将所述多类标签对应的所有图片输入神经网络，每个神经元的输入值经加权累加后，再输入激活函数作为该神经元的输出值，再通过正向传播得到得分。

8.根据权利要求6所述的装置，其特征在于，所述训练模块具体配置成：

将所述得分输入误差函数，与期待值比较得到误差，如果得到多个误差则求和后作为误差。

9.根据权利要求6所述的装置，其特征在于，所述采集模块具体配置成：

查看每一个标签的置信度列表，找出从哪一个置信度开始误识所述标签，将该开始误识标签的置信度确定为所述标签的置信度中值。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述装置还包括：

核对模块，其配置成当进行数据核对时，将所述置信度阈值调高指定的百分比，如果采集的数据不符合所述调高后的置信度阈值，则将所述数据予以删除。