[发明专利]模型训练方法、装置、存储介质及程序产品

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

根据待预测样本中的图像数据和第一预测模型，得到待预测样本的标签，所述待预测样本中包括多维度数据，所述多维度数据至少包括图像数据和与图像数据对应的时空数据；

根据待预测样本中的多维度数据得到待预测样本的超图，所述超图以待预测样本作为顶点、以样本间多维度下的关联程度作为超边缘；

根据所述超图对待预测样本的标签进行修正，得到修正后的标签；

根据所述修正后的标签对所述第一预测模型进行训练，得到第二预测模型。

2.根据权利要求1所述的方法，其特征在于，所述根据待预测样本中的图像数据和第一预测模型，得到待预测样本的标签，包括：

将待预测样本中的图像数据输入所述第一预测模型，得到待预测样本的视觉特征；

根据所述待预测样本的视觉特征得到待预测样本的样本间相似度；

根据所述样本间相似度对待预测样本进行聚类，根据聚类结果得到待预测样本的标签。

3.根据权利要求1或2所述的方法，其特征在于，所述根据待预测样本中的多维度数据得到待预测样本的超图，包括：

根据待预测样本中的多维度数据得到样本间的至少一个相似度矩阵；

根据所述至少一个相似度矩阵得到待预测样本的超图。

4.根据权利要求3所述的方法，其特征在于，所述根据待预测样本中的多维度数据得到样本间的至少一个相似度矩阵包括：

根据待预测样本中的时空数据得到待预测样本的样本间时空一致程度；

根据待预测样本的样本间时空一致程度和待预测样本的样本间相似度，得到样本间的联合相似度矩阵。

5.根据权利要求4所述的方法，其特征在于，所述多维度数据还包括所述图像数据对应的场景数据，所述场景数据包括所述待预测样本中的图像数据产生的时间和/或产生的地点的场景信息，所述场景数据包括至少一个类型的场景信息，

所述根据待预测样本中的多维度数据得到样本间的至少一个相似度矩阵还包括：

根据所述场景数据得到样本间的场景相似度矩阵，其中，每一类型的场景信息对应一个场景相似度矩阵。

6.根据权利要求4或5所述的方法，其特征在于，所述多维度数据还包括属性数据，所述属性数据为待预测样本中的图像数据中的对象的属性信息，所述属性数据包括至少一个类型的属性信息，

所述根据待预测样本中的多维度数据得到样本间的至少一个相似度矩阵还包括：

根据所述属性数据得到样本间的属性相似度矩阵，其中，每一类型的属性信息对应一个属性相似度矩阵。

7.根据权利要求4-6中任一项所述的方法，其特征在于，所述根据所述至少一个相似度矩阵得到待预测样本的超图，包括：

根据所述至少一个相似度矩阵中的每一矩阵，得到每个矩阵对应的超图；

合并每个矩阵对应的超图中的超边缘，以合并后的超边缘作为待预测样本的超图的超边缘，得到待预测样本的超图。

8.根据权利要求1-7中任一项所述的方法，其特征在于，所述根据所述超图对待预测样本的标签进行修正，得到修正后的标签，包括：

将待预测样本分类为可信样本和不可信样本；

根据待预测样本的标签得到可信样本的分类误差和第0次的不可信样本的分类误差；

根据所述超图以及第t-1次的不可信样本的分类误差，得到第t次的不可信样本的分类误差，其中1＜t≤T且为整数，T是大于1的整数；

根据可信样本的分类误差和第T次的不可信样本的分类误差、待预测样本的标签以及所述超图，得到所述修正后的标签。