[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

说明书

本发明公开了一种基于无标注样本数据的目标分类模型训练方法及装置。其中，该方法包括：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，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样本数据集中的离群样本，以得到非离群样本集，其中，多模态匹配模型是基于有标注样本集训练得到的；基于非离群样本集对目标分类模型进行训练，直至模型收敛。本发明解决了由于相关技术中半监督学习中有标注数据的稀缺以及离群样本检测准确性差，而导致基于开集半监督学习的模型训练难度大的技术问题。

技术领域

本发明涉及神经网络技术领域，具体而言，涉及一种基于无标注样本数据的目标分类模型训练方法及装置。

背景技术

深度学习方法已在许多计算机视觉任务中取得了很大的成功，但其需要巨量的标注数据，制约着深度学习的广泛应用。当只有有限的标注样本可用时，半监督学习方法可以利用大量的无标注数据来提高深度神经网络的性能。大多数现有的半监督学习方法都假定有标注数据和无标注数据共享相同的类别空间。

现有技术中，需要繁琐的工作来清洗无标注数据。近年来，研究人员开始研究一个更具挑战性的半监督学习场景——开集的半监督学习，其所使用的无标注数据中包含不属于有标注数据类别的离群样本。但是，无标注数据中包含离群样本会严重影响半监督学习方法的性能。虽然已有各种各样的离群样本检测方法，但它们通常需要大量带有类别标签的分布内样本。

然而，由于半监督学习中有标注数据的稀缺性，现有的离群样本检测方法无法达到令人满意的性能，因此不适合在开集的半监督学习问题中使用。

发明内容

本发明实施例提供了一种基于无标注样本数据的目标分类模型训练方法及装置，以至少解决由于相关技术中半监督学习中有标注数据的稀缺以及离群样本检测准确性差，而导致基于开集半监督学习的模型训练难度大的技术问题。

根据本发明实施例的一个方面，提供了一种基于无标注样本的目标分类模型训练方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。