[发明专利]神经网络训练方法、装置、计算机设备及可读介质

权利要求书

1.一种神经网络的训练方法，其特征在于，所述方法包括：

将第n图像数据库中的无标签图像数据输入第n神经网络，提取得到所述无标签图像数据的第n特征，其中n≥1，n用于指示所述神经网络的迭代次数；

将所述无标签图像数据输入第n+1神经网络提取得到所述无标签图像数据的第n+1特征；

根据所述第n特征以及所述第n+1特征确定出符合预设要求的所述无标签图像数据；

根据所述第n图像数据库中的有标签图像数据的标签，对符合预设要求的所述无标签图像数据标注伪标签，所述有标签图像数据的标签用于指示图像数据中的物体类别；

将所述第n图像数据库中被标注有所述伪标签的所述无标签图像数据更新为所述有标签图像数据，得到第n+1图像数据库；

根据所述第n+1图像数据库对所述第n+1神经网络进行训练，得到第n+2神经网络。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第n特征以及所述第n+1特征确定出符合预设要求的所述无标签图像数据，包括：

对所述无标签图像数据的所述第n特征以及所述第n+1特征之间的差异进行量化，得到信任度值；

将所述信任度值大于预设阈值的所述无标签图像数据，确定为符合预设要求的所述无标签图像数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第n图像数据库中的有标签图像数据的标签，对符合预设要求的所述无标签图像数据标注伪标签，包括：

根据所述有标签图像数据的标签，从标签库中选择所述无标签图像数据对应的k个候选伪标签；

分别计算所述k个候选伪标签与所述第n特征对应的第一权重；

分别计算所述k个候选伪标签与所述第n+1特征对应的第二权重；

根据所述第一权重和所述第二权重选择所述k个候选伪标签中的第i个伪标签为目标伪标签；

对所述无标签图像数据标注所述目标伪标签。

4.根据权利要求3所述的方法，其特征在于，所述根据所述有标签图像数据的标签，从标签库中选择所述无标签图像数据对应的k个候选伪标签，包括：

从所述第n神经网络对应的第n特征空间中，获取所述第n特征的预设距离范围内的第n’特征，所述第n’特征是将所述有标签图像数据输入所述第n神经网络后得到的特征；

根据每个所述第n’特征分别对所述标签库中的标签进行投票，得到第一投票结果；

从所述第n+1神经网络对应的所述第n+1特征空间中，获取所述第n+1特征的所述预设距离范围内的第n’+1特征；

根据每个所述第n’+1特征分别对所述标签库中的标签进行投票，得到第二投票结果；

根据所述第一投票结果和所述第二投票结果，确定出被投票次数最多的k个标签，确定为所述无标签图像数据的k个候选伪标签。

5.根据权利要求3所述的方法，其特征在于，所述分别计算所述k个候选伪标签与所述第n特征对应的第一权重，包括：

根据近邻内嵌变化算法分别计算所述k个候选伪标签与所述第n特征对应的第一概率；

根据近邻类别变化算法分别计算所述k个候选伪标签与所述第n特征对应的第三权重；并根据所述k个候选伪标签中每个候选伪标签的所述第一概率和所述第三权重，计算所述k个候选伪标签中每个候选伪标签与所述第n特征对应的第一权重。

6.根据权利要求3所述的方法，其特征在于，所述分别计算所述k个候选伪标签与所述第n+1特征对应的第二权重，包括：

根据近邻内嵌变化算法分别计算所述k个候选伪标签与所述第n+1特征对应的第二概率；

根据近邻类别变化算法分别计算所述k个候选伪标签与所述第n+1特征对应的第四权重；根据所述k个候选伪标签中每个候选伪标签的所述第二概率和所述第四权重，计算所述k个候选伪标签中每个候选伪标签与所述第n特征对应的第二权重。