[发明专利]基于半监督学习的模型训练方法、系统、终端及存储介质

权利要求书

1.一种基于半监督学习的模型训练方法，其特征在于，包括：

获取带有潜在噪音标签的样本数据集；

根据第一分类模型对所述样本数据集进行认知判断，以得到所述样本数据集的第一伪标签信息；

根据第二分类模型对所述样本数据集进行认知判断，以得到所述样本数据集的第二伪标签信息；

将具有所述第一伪标签信息的样本数据集和具有所述第二伪标签信息样本数据集进行融合，以得到加权样本数据集；

通过所述加权样本数据集对所述第一分类模型的模型参数进行调整，得到调整后的第一分类模型；

通过所述加权样本数据集对所述第二分类模型的模型参数进行调整，得到调整后的第二分类模型；

所述将具有所述第一伪标签信息的样本数据集和具有所述第二伪标签信息样本数据集进行融合，以得加权样本数据集，包括：

根据所述第一伪标签信息和所述第二伪标签信息，确定具有所述第一伪标签信息的样本数据集中的样本数据的权值；

根据具有所述第一伪标签信息的样本数据集和具有所述第一伪标签信息的样本数据集中的样本数据的权值，确定所述加权样本数据集；

所述根据所述第一伪标签信息和所述第二伪标签信息，确定具有所述第一伪标签信息的样本数据集中的样本数据的权值，包括：

所述样本数据集中的对应的样本数据的所述第一伪标签信息指示的判别信息与所述第二伪标签信息指示的判别信息相同，则确定所述样本数据集中的对应的样本数据的权值为第一权值；

所述样本数据集中的对应的样本数据的所述第一伪标签信息指示的判别信息与所述第二伪标签信息指示的判别信息不同，则确定所述样本数据集中的对应的样本数据的权值为第二权值，所述第一权值大于所述第二权值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一伪标签信息和所述第二伪标签信息，确定具有所述第一伪标签信息的样本数据集中的样本数据的权值，包括：

根据所述第一伪标签信息，确定所述样本数据集中的样本数据的第一类别信息；

根据所述第二伪标签信息中包含的第一类别信息，判断根据所述第一伪标签信息确定的第一类别信息的准确率；

若根据所述第一伪标签信息确定的第一类别信息与所述样本数据集中的样本数据对应的噪音标签对应的类别相同，且所述准确率高于预设阈值，则确定所述样本数据集中的样本数据的权值为第一权值；

若根据所述第一伪标签信息确定的第一类别信息与所述样本数据集中的样本数据对应的噪音标签对应的类别不相同和/或所述准确率低于预设阈值，则确定所述样本数据集中的样本数据的权值为第二权值，所述第一权值大于所述第二权值。

3.根据权利要求1-2任一项所述的方法，其特征在于，所述根据第一分类模型对所述样本数据集进行认知判断，以得到所述样本数据集的第一伪标签信息，包括：

根据所述第一分类模型，确定所述样本数据集中的样本数据为预设类别的第一概率；

若所述第一概率大于第一预设阈值，则为所述样本数据生成第一伪标签信息。

4.根据权利要求3所述的方法，其特征在于，所述通过所述加权样本数据集对所述第一分类模型的模型参数进行调整，得到调整后的第一分类模型，包括：

通过所述加权样本数据集对所述第一分类模型的权值参数进行调整，得到调整后的第一分类模型。

5.根据权利要求1-2任一项所述的方法，其特征在于，若所述加权样本数据集中的样本为图像样本，所述方法还包括：

获取所述加权样本数据集中目标样本的目标权值，所述目标样本为加权样本数据集中预设类型的样本；

若所述目标权值低于第一预设权值，则获取所述目标样本的特征数据；

根据所述特征数据，确定类目标样本。