[发明专利]基于无标注样本数据的目标分类模型训练方法及装置

权利要求书

1.一种基于无标注样本的目标分类模型训练方法，其特征在于，包括：

基于第一分类模型对样本数据集中的无标注样本集进行标注，以得到伪标签样本集，其中，所述第一分类模型是基于有标注样本集对目标分类模型训练得到的；

根据多模态匹配模型以及伪标签样本集筛除所述样本数据集中的离群样本，以得到非离群样本集，其中，所述多模态匹配模型是基于所述有标注样本集训练得到的；

基于所述非离群样本集对所述目标分类模型进行训练，直至模型收敛。

2.根据权利要求1所述的方法，其特征在于，基于第一分类模型对所述样本数据集中的无标注样本集进行标注，包括：

根据所述第一分类模型对所述无标注样本集中的多个无标注样本进行预测，以得到所述多个无标注样本对应的多个伪标签；

基于所述多个伪标签对应对所述多个无标注样本进行标注，以得到所述伪标签样本集。

3.根据权利要求1所述的方法，其特征在于，根据多模态匹配模型以及伪标签样本集筛除所述样本数据集中的离群样本，包括：

根据多模态匹配模型以及伪标签样本集确定所述样本数据集中的离群样本；

剔除所述样本数据集中的所述离群样本。

4.根据权利要求3所述的方法，其特征在于，根据多模态匹配模型以及伪标签样本集确定所述样本数据集中的离群样本，包括：

将所述伪标签样本集中的伪标签样本的伪标签对应的标签特征向量，以及所述伪标签样本的图像特征向量，输入至所述多模态匹配模型；

若根据所述多模态匹配模型确定所述标签特征向量以及所述图像特征向量不匹配，则确定所述伪标签样本对应的无标注样本为所述离群样本；

反之，则确定所述伪标签样本对应的无标注样本为非离群样本。

5.根据权利要求1所述的方法，其特征在于，所述目标分类模型包括图像分类模型，所述图像分类模型包括骨干网络以及分类器，其中，

所述基于所述非离群样本集对所述图像分类模型进行训练，直至模型收敛，包括：

基于所述非离群样本集所述图像分类模型进行训练；以及，

基于旋转样本集对图像旋转模型进行训练，

其中，所述旋转样本集是根据所述样本数据集得到，所述图像旋转模型包括所述骨干网络以及旋转分类器。

6.根据权利要求5所述的方法，其特征在于，基于所述非离群样本集所述图像分类模型进行训练；以及，基于旋转样本集对图像旋转模型进行训练，包括：

根据所述非离群样本集确定所述图像分类模型对应的第一损失函数；

根据所述旋转样本集确定所述图像旋转模型对应的第二损失函数；

基于所述第一损失函数以及所述第二损失函数分别所述图像分类模型以及所述图像旋转模型进行训练，直至迭代至预设次数。

7.根据权利要求1所述的方法，其特征在于，在基于旋转样本集对图像旋转模型进行训练之前，还包括：

对所述样本数据集中的训练样本旋转至预设角度，以得到旋转样本，其中，所述旋转样本包括旋转角度标签。

8.一种基于无标注样本的目标分类模型训练装置，其特征在于，包括：

标注模块，用于基于第一分类模型对样本数据集中的无标注样本集进行标注，以得到伪标签样本集，其中，所述第一分类模型是基于有标注样本集对目标分类模型训练得到的；

筛选模块，用于根据多模态匹配模型以及伪标签样本集筛除所述样本数据集中的离群样本，以得到非离群样本集，其中，所述多模态匹配模型是基于所述有标注样本集训练得到的；

训练模块，用于基于所述非离群样本集对所述目标分类模型进行训练，直至模型收敛。

9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7所述的基于无标注样本的目标分类模型训练方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7所述的基于无标注样本的目标分类模型训练方法的步骤。