[发明专利]一种基于主动学习的样本标注方法在审
| 申请号： | 202011186817.4 | 申请日： | 2020-10-29 |
| 公开（公告）号： | CN112308139A | 公开（公告）日： | 2021-02-02 |
| 发明（设计）人： | 陈能;安竹林;徐勇军;程坦 | 申请（专利权）人： | 中国科学院计算技术研究所厦门数据智能研究院 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06F16/532;G06F16/583 |
| 代理公司： | 厦门致群财富专利代理事务所(普通合伙) 35224 | 代理人： | 刘兆庆 |
| 地址： | 361000 福建省*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 主动 学习 样本 标注 方法 | ||
1.一种基于主动学习的样本标注方法，其特征在于：包括如下步骤：
S1、从样本池中随机小样本抽样，作为主动学习的初始数据集并标注，得到初始标注样本；
S2、采用度量学习计算初始标注样本与待标注样本的特征距离，生成特征距离图，遍历特征距离图，在样本池中寻找与初始标注样本距离小于阈值的样本并抽取出来；
S3、将抽取出来的样本再次进行标注并汇入初始标注样本形成样本训练库，以样本训练库为样本集训练检索模型；
S4、通过检索模型从样本池中检索出更多的负样本再次进行标注，并汇入样本训练库，形成最终的训练集。
2.如权利要求1所述的一种基于主动学习的样本标注方法，其特征在于：步骤S2采用余弦相似度来计算所述特征距离，具体如下：
其中，similarity表示特征距离，A为初始标注样本集，B为待标注样本集。
3.如权利要求1所述的一种基于主动学习的样本标注方法，其特征在于：所述阈值为0.95-0.98。
4.如权利要求1所述的一种基于主动学习的样本标注方法，其特征在于：所述检索模型为Re-ID模型。
5.如权利要求1所述的一种基于主动学习的样本标注方法，其特征在于：步骤S4中的所述检索过程具体为：以负样本作为检索图片，所述检索模型从样本池中挑选出与所述检索图片最相似即特征距离最近的前n张图，然后对检索出来的前n张图进行简单的清洗。
6.如权利要求5所述的一种基于主动学习的样本标注方法，其特征在于：所述n的取值为5-15。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国科学院计算技术研究所厦门数据智能研究院，未经中国科学院计算技术研究所厦门数据智能研究院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202011186817.4/1.html，转载请声明来源钻瓜专利网。
