[发明专利]一种模型优化方法和装置

权利要求书

1.一种模型优化方法，其特征在于，包括：

获取图像分类模型的训练样本，所述训练样本包括有标签样本和无标签样本，所述无标签样本包括有伪标签样本；

将所述有标签样本和所述有伪标签样本作为伪监督对比学习样本输入所述图像分类模型，以确定伪监督对比学习损失，所述伪监督对比学习损失根据所述图像分类模型的特征提取网络对所述有标签样本和所述有伪标签样本提取的特征确定；

根据所述伪监督对比学习损失优化所述图像分类模型。

2.如权利要求1所述的方法，其特征在于，所述无标签样本还包括无伪标签样本，所述方法还包括：

将所述无伪标签样本作为无监督对比学习样本输入所述图像分类模型，以确定无监督对比学习损失，所述无监督对比学习损失根据所述图像分类模型的特征提取网络对所述无伪标签样本提取的特征确定；

其中，根据所述伪监督对比学习损失优化所述图像分类模型包括：

根据所述伪监督对比学习损失及所述无监督对比学习损失优化所述图像分类模型。

3.如权利要求1所述的方法，其特征在于，将所述有标签样本和所述有伪标签样本作为伪监督对比学习样本输入所述图像分类模型，以确定伪监督对比学习损失，包括：

将所述有标签样本和所述有伪标签样本作为伪监督对比学习样本输入所述图像分类模型，以得到所述特征提取网络对所述伪监督对比学习样本提取的特征数据；

根据所述特征提取网络提取的特征数据确定所述伪监督对比学习样本中每个样本分别对应的多维特征向量；

根据各个伪监督对比学习样本对应的多维特征向量确定伪监督对比学习损失。

4.如权利要求2所述的方法，其特征在于，将所述无伪标签样本作为无监督对比学习样本输入所述图像分类模型，以确定无监督对比学习损失，包括：

将所述无伪标签样本作为无监督对比学习样本输入所述图像分类模型，以得到所述特征提取网络对所述无监督对比学习样本提取的特征数据；

根据所述特征提取网络提取的特征数据确定所述无监督对比学习样本中每个样本分别对应的多维特征向量；

根据各个无监督对比学习样本对应的多维特征向量确定无监督对比学习损失。

5.如权利要求4所述的方法，其特征在于，在获取图像分类模型的训练样本之前，还包括：

获取多个无标签样本；

将多个所述无标签样本输入所述图像分类模型，以得到所述图像分类模型的分类器输出的预测分类结果，所述预测分类结果包括与各个所述无标签样本对应的分类概率；

将所述预测分类结果中概率大于或等于预设概率的无标签样本对应的分类确定为伪标签，以生成所述有伪标签样本。

6.如权利要求5所述的方法，其特征在于，所述无伪标签样本包括所述预测分类结果中概率小于所述预设概率的无标签样本。

7.如权利要求5所述的方法，其特征在于，在将多个所述无标签样本输入所述图像分类模型，以得到所述图像分类模型的分类器输出的预测分类结果之前，还包括：

对至少部分所述无标签样本进行强增强，以得到强增强样本；

其中，将多个所述无标签样本输入所述图像分类模型，以得到所述图像分类模型的分类器输出的预测分类结果，包括：

将所述强增强样本输入所述图像分类模型，以得到所述图像分类模型的分类器输出的强增强样本的预测分类结果。

8.如权利要求7所述的方法，其特征在于，将所述预测分类结果中概率大于或等于预设概率的无标签样本对应的分类确定为伪标签，以生成所述有伪标签样本之后，还包括：

确定所述伪标签与所述强增强样本的预测分类结果的一致性损失；

其中，根据所述伪监督对比学习损失优化所述图像分类模型，包括：

根据所述伪监督对比学习损失及所述一致性损失优化所述图像分类模型。