[发明专利]跨DIKW模态的混合特征机器学习建模与标记方法

说明书

本发明提供一种跨DIKW模态的混合特征机器学习建模与标记方法，该方法包括：获取应用于机器学习的训练集图片，所述训练集图片为经过标注的图片并至少包含一个识别目标，建立训练集图片的DIKW模型；对训练集图片进行裁剪处理，将其切分为多张训练集子图片；建立训练集子图片的DIKW模型，将训练集图片和训练集子图片输入到机器学习模型中对机器学习模型进行训练，令机器学习模型学习训练集子图片识别目标与训练集图片识别目标之间的整体与局部关系；将待标记图片输入到机器学习模型中，机器学习模型为待标记图片中的识别目标进行识别并添加标注框，为标注框中的识别目标添加标记。本发明能够提高机器学习所需的训练样本的标注效率。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种跨DIKW模态的混合特征机器学习建模与标记方法。

背景技术

机器学习的原理是用大量的数据去对模型进行堆砌训练，数据的质量对生成模型的质量会产生很大的影响，在机器学习模型的开发过程中，人们总是希望训练好的模型能够在新的、未见过的数据上表现良好，这对训练机器学习模型所用的数据质量提出了高要求，例如，当通过机器学习模型去识别包含有数字6的图片时，人们需要通过各种带有数字6和非数字6的图片对机器学习模型进行训练，当输入带有数字6的图片时，人们需要令机器学习模型认识到“这是6的概率为100％，不是6的概率为0”，反之亦然，即需要使用大量经过标注的数据对机器学习模型进行训练，特别是在图像识别领域，然而，目前对数据进行标注大多是人工进行，特别是在一些细分领域，例如医疗影像，所需的专业知识门槛较高，需要专职医生进行。对于一些被破坏的物体，机器学习模型也难以识别，因为在对其进行训练时所使用的图片中物体是完好的，但被破坏后物体形状可能会发生各种改变，导致机器学习模型对其识别率低。以上种种导致目前的数据标注难以摆脱人工方式，难以在兼顾效率的情况下产出高质量的标注数据。

发明内容

鉴于此，本发明的目的在于提供一种跨DIKW模态的混合特征机器学习建模与标记方法，以克服或至少部分解决现有技术所存在的上述问题。

为实现上述发明目的，本发明提供一种跨DIKW模态的混合特征机器学习建模与标记方法，所述方法包括以下步骤：

获取应用于机器学习的训练集图片，所述训练集图片为经过标注的图片并至少包含一个识别目标，建立训练集图片的DIKW模型；

对训练集图片进行裁剪处理，将其切分为多张训练集子图片；

建立训练集子图片的DIKW模型，将训练集图片和训练集子图片输入到机器学习模型中对机器学习模型进行训练，令机器学习模型学习训练集子图片识别目标与训练集图片识别目标之间的整体与局部关系；

将待标记图片输入到机器学习模型中，机器学习模型为待标记图片中的识别目标进行识别并添加标注框，为标注框中的识别目标添加标记。

进一步的，所述令机器学习模型学习训练集子图片与训练集图片之间的整体与局部关系，具体为：遍历训练集子图片DIKW模型节点，查找训练集图片DIKW模型中与其相匹配的节点，根据与其相匹配的节点在训练集图片DIKW模型中的位置及其内容判断训练集子图片与训练集图片的整体与局部关系。

进一步的，还将训练集子图片的位置组合进行调整，将训练集图片和经过位置调整的训练集子图片输入到机器学习模型中对机器学习模型进行训练，令机器学习模型学习训练集子图片识别目标与训练集图片识别目标之间的结构关系。

进一步的，所述令机器学习模型学习训练集子图片与训练集图片之间的结构关系，具体包括以下步骤：

识别经过位置调整的训练集子图片，查询其对应的DIKW模型；

基于训练集子图片的DIKW模型查找与训练集子图片中的识别目标相关的类型资源，所述与训练集子图片中的识别目标相关的类型资源称为相关类型资源；

在训练集图片的DIKW模型中查找与相关类型资源内容相同的对应类型资源；