[发明专利]一种采用自监督方式进行深度学习图像识别装置

说明书

本发明公开了一种采用自监督方式进行深度学习图像识别装置。其中，该方法包括：()。本发明解决了深度学习在训练过程中往往需要大量的数据，而将这些数据全部制作标签是一项非常耗费人力成本和时间成本的项目，且一般情况下该单一项目所需要的时间会远远大于整体项目的规划时间，带来部署与实施的困难；另外由于深度学习产品需要在不同场景下开展工作，单一场景的标注数据也无法直接应用于新的场景下，导致深度学习算法对异常的处理能力较低，处理过程中容易出现偏差的技术问题。

技术领域

本发明涉及数据处理领域，具体而言，涉及一种采用自监督方式进行深度学习图像识别装置。

背景技术

随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。

当前，带标签的监督数据是深度学习算法开发与应用当中十分重要的组成部分，这些数据通过人工标注或者已知信息匹配得到的标签可作为对深度学习算法模型的有效监督，使得深度学习能够通过迭代优化得到新的算法，并被应用于图像识别、语音识别、自然语言翻译等重要领域。然而，深度学习在训练过程中往往需要大量的数据，而将这些数据全部制作标签是一项非常耗费人力成本和时间成本的项目，且一般情况下该单一项目所需要的时间会远远大于整体项目的规划时间，带来部署与实施的困难；另外由于深度学习产品需要在不同场景下开展工作，单一场景的标注数据也无法直接应用于新的场景下，导致深度学习算法对异常的处理能力较低，处理过程中容易出现偏差。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种采用自监督方式进行深度学习图像识别装置，以至少解决深度学习在训练过程中往往需要大量的数据，而将这些数据全部制作标签是一项非常耗费人力成本和时间成本的项目，且一般情况下该单一项目所需要的时间会远远大于整体项目的规划时间，带来部署与实施的困难；另外由于深度学习产品需要在不同场景下开展工作，单一场景的标注数据也无法直接应用于新的场景下，导致深度学习算法对异常的处理能力较低，处理过程中容易出现偏差的技术问题。

根据本发明实施例的一个方面，提供了一种采用自监督方式进行深度学习图像识别装置，包括：高质量标注数据图像数据集(1)、自监督视频流推送模块(2)、深度学习特征提取与挖掘模块(3)、深度学习算法训练模块(4)和人机交互模块(5)。

可选的，所述深度学习特征提取与挖掘模块(3)采用训练得到的模型参数与分类器。

可选的，所述装置还包括：人工监督智能学习模块、自监督智能学习模块，其中，所述人工监督智能学习模块包括所述高质量标注数据集(1)、所述深度学习算法训练模块(4)，所述自监督智能学习模块包括自监督视频流推送模块(2)、深度学习特征提取与挖掘模块(3)。

可选的，所述自监督视频流推送模块(2)对用于训练深度学习图像数据识别算法。

可选的，所述深度学习特征提取与挖掘模块(3)以原始数据图像为输入，通过数据挖掘算法生成多维特征，并将所述多维特征输送给深度学习算法训练模块(4)。

可选的，所述人机交互模块(5)通过操作人员从设备或电脑可视化训练过程来判别模型自我监督的过程中具体的提升效果与方向。

根据本发明实施例的另一方面，还提供了所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种采用自监督方式进行深度学习图像识别装置。

根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种采用自监督方式进行深度学习图像识别装置。