[发明专利]样本标签置信度计算方法、装置、设备及模型训练方法

权利要求书

1.一种样本标签置信度计算方法，用于对图像深度学习模型训练的样本标签置信度进行计算，其特征在于，包括：

根据当前样本的学习结果计算样本初始标签的初始标签置信度；

判断所述初始标签置信度是否满足预设置信度条件，并得到判断结果；

根据所述判断结果，当所述初始标签置信度满足预设置信度条件时，保持所述当前样本的最终标签为所述初始标签不变；

根据所述判断结果，当所述初始标签置信度不满足预设置信度条件时，从所有预设类标签中选择置信度最大的标签作为所述当前样本的最终标签；

其中，包含所述初始标签的所有预设标签的数量两个以上；

所述初始标签的初始标签置信度在最初预设学习次数内初始标签置信度为100％；

所述根据当前样本的学习结果计算样本初始标签的初始标签置信度，包括：

计算当前样本初始标签的基础置信度，其计算公式如下：

其中，n_start最初预设学习次数，n表示当前学习的次数，k表示输入样本的标签权重衰减度；

计算当前样本历史学习结果的调整置信度，其计算公式如下：

其中P_m⁽ⁿ⁾表示在第n次学习中，第m类标签的置信度；P_m⁽⁰⁾表示第m类标签的置信度初始值；函数I(m＝i)表示的是当标签类别为i时输出1，否则输出0；N表示标签的类别数目；b表示标签的滑动平均系数；

计算样本总的初始标签置信度，计算公式如下：

当所述初始标签置信度不满足预设置信度条件时，从样本所有预设类标签中选择置信度最大的标签作为所述当前样本的最终标签，先计算其他预设类标签的置信度，计算公式如下：

再选择置信度最大的标签作为当前样本的最终标签。

2.根据权利要求1所述的样本标签置信度计算方法，其特征在于，所述初始标签置信度包括基础置信度和调整置信度两部分。

3.根据权利要求1所述的样本标签置信度计算方法，其特征在于，所述初始标签置信度的预设置信度条件为初始标签置信度大于等于1。

4.一种图像深度学习模型训练的样本标签置信度计算的装置，其特征在于，包括：

初始标签置信度计算模块，用于根据当前样本的学习结果计算样本初始标签的初始标签置信度；

结果判断模块，用于判断所述初始标签置信度是否满足预设置信度条件，并得到判断结果；

第一处理模块，用于根据所述判断结果，当所述初始标签置信度满足预设置信度条件时，保持所述当前样本的最终标签为所述初始标签不变；

第二处理模块，用于根据所述判断结果，当所述初始标签置信度不满足预设置信度条件时，所有预设类标签中选择置信度最大的标签作为所述当前样本的最终标签；

5.一种用于图像深度学习模型训练的样本标签置信度计算的设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-3中任一项所述的方法。

6.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-3中任一项所述的方法。

7.一种图像深度学习模型训练方法，其特征在于，包括：

接收输入的样本图像，并获取每个输入样本图像的标签数据；

使用权利要求1至3任一项所述的样本标签置信度计算方法计算输入样本的置信度；

图像分类网络模型前向传播；

输出前向传播结果；

模型训练；

图像分类网络模型反向传播；

调整图像分类网络模型参数。

8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求7所述的方法。