[发明专利]图像样本集中噪声的识别方法、装置、设备及存储介质

权利要求书

1.一种图像样本集中噪声的识别方法，其特征在于，包括：

获取图像样本集；

基于所述图像样本集对处于第一拟合状态的模型进行训练直至所述模型进入第二拟合状态，所述模型的拟合状态表征所述模型与图像样本集的拟合程度；所述第一拟合状态和所述第二拟合状态之间包括零个或至少一个中间拟合状态；所述模型的拟合状态基于预设标准模型确定；

获取所述图像样本集中的各个图像样本在每个拟合状态对应的损失值；

根据所述各个图像样本在每个拟合状态对应的损失值，计算所述各个图像样本的损失统计值；

根据所述图像样本集中的各个图像样本对应的损失统计值，识别出所述图像样本集中的噪声图像样本。

2.根据权利要求1所述的方法，其特征在于，所述基于所述图像样本集对处于第一拟合状态的模型进行训练直至所述模型进入第二拟合状态包括：

计算训练过程中的当前模型与所述预设标准模型的网络表达相似度；

根据所述当前模型与所述预设标准模型的网络表达相似度确定所述模型的拟合状态；

若所述模型的拟合状态属于第二拟合状态，则停止训练。

3.根据权利要求1或2所述的方法，其特征在于，所述模型为深度学习模型；所述预设标准模型为预训练模型，所述预训练模型通过多个自然图像样本进行预训练得到。

4.根据权利要求2所述的方法，其特征在于，所述计算训练过程中的当前模型与所述预设标准模型的网络表达相似度包括：

获取所述预设标准模型的预设层数的浅层网络，作为监督网络；

提取所述当前模型对应的多个卷积核，得到多个第一卷积核；

提取所述监督网络对应的多个卷积核，得到多个第二卷积核；

分别计算每个第一卷积核与各个第二卷积核之间的相似度，得到多个相似度；

将所述多个相似度的平均值作为所述当前模型与所述预设标准模型的网络表达相似度。

5.根据权利要求1或2所述的方法，其特征在于，所述根据所述各个图像样本在每个拟合状态对应的损失值，计算所述各个图像样本的损失统计值包括：

计算所述各个图像样本在每个拟合状态对应的损失值的均值与方差，作为所述各个图像样本的损失统计值；

所述根据所述图像样本集中的各个图像样本对应的损失统计值，识别出所述图像样本集中的噪声图像样本包括：

根据所述均值与所述方差对所述图像样本集中的各个图像样本进行排序，得到目标排序结果；

将所述目标排序结果中排序靠前的预设数量个图像样本确定为噪声图像样本。

6.根据权利要求5所述的方法，其特征在于，所述根据所述均值与所述方差对所述图像样本集中的各个图像样本进行排序，得到目标排序结果包括：

根据所述均值由大到小的顺序对所述图像样本集中的各个图像样本进行排序，得到第一排序结果；

根据所述方差由大到小的顺序对所述图像样本集中的各个图像样本进行排序，得到第二排序结果；

根据所述第一排序结果与所述第二排序结果确定所述目标排序结果。

7.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

将所述噪声图像样本从所述图像样本集中移除，得到干净图像样本集；

基于所述干净图像样本集对所述模型进行训练，得到训练后的目标模型。