[发明专利]模型生成方法、图像标注方法、装置以及电子设备

说明书

本申请实施例公开了一种模型生成方法、图像标注方法、装置以及电子设备。所述方法包括：在当次训练过程中，基于第一数据集以及第二数据集对当次训练过程对应的待训练图像标注模型进行训练，得到当次训练过程对应的训练完成的模型；若当次训练过程满足目标训练条件，将训练完成的模型作为目标图像标注模型，若当次训练过程不满足目标训练条件，将训练完成的模型作为下一次训练过程的待训练图像标注模型。通过上述方式使得，基于第一数据集以及第二数据集对待训练图像标注模型进行训练，得到目标图像标注模型，实现了目标图像标注模型对第二数据集所属域的自适应，提高了目标图像标注模型对与第二数据集所属域相同的未标注图像的标注准确性。

技术领域

本申请涉及计算机技术领域，更具体地，涉及一种模型生成方法、图像标注方法、装置以及电子设备。

背景技术

随着人工智能技术的不断发展，图像标注开始成为是计算机视觉领域的一项重要任务，可以应用于图像分类、关键点检测、行人重识别等领域中。在相关方式中，通常可以采用众包标注与预训练模型标注等方式对图像进行标注。但是，图像标注的准确率还有待提高。

发明内容

鉴于上述问题，本申请提出了一种模型生成方法、图像标注方法、装置以及电子设备，以实现改善上述问题。

第一方面，本申请提供了一种模型生成方法，应用于电子设备，所述方法包括：在当次训练过程中，基于第一数据集对当次训练过程对应的待训练图像标注模型进行训练，得到当次训练过程对应的第一图像标注模型，所述待训练图像标注模型包括特征提取网络和分类器网络，所述第一图像标注模型与所述待训练图像标注模型的网络结构相同；基于所述第一数据集以及第二数据集对所述第一图像标注模型的分类器网络进行训练，得到当次训练过程对应的第二图像标注模型，所述第二图像标注模型与所述第一图像标注模型的网络结构相同，所述第一数据集与所述第二数据集所属领域不相同；基于所述第二数据集对所述第二图像标注模型的特征提取网络进行训练，得到当次训练过程对应的训练完成的模型，所述训练完成的模型与所述第二图像标注模型的网络结构相同；若当次训练过程满足目标训练条件，将所述训练完成的模型作为目标图像标注模型，若当次训练过程不满足目标训练条件，进入下一次的训练过程，并将所述训练完成的模型作为下一次训练过程对应的待训练图像标注模型。

第二方面，本申请提供了一种图像标注方法，应用于电子设备，所述方法包括：获取待标注图像，所述待标注图像与所述第二数据集所属领域相同；将所述待标注图像输入基于上述方法得到的目标图像标注模型中，基于所述目标图像标注模型输出预测标签得到所述待标注图像的标签。

第三方面，本申请提供了一种模型生成装置，运行于电子设备，所述装置包括：第一图像标注模型生成单元，用于在当次训练过程中，基于第一数据集对当次训练过程对应的待训练图像标注模型进行训练，得到当次训练过程对应的第一图像标注模型，所述待训练图像标注模型包括特征提取网络和分类器网络，所述第一图像标注模型与所述待训练图像标注模型的网络结构相同；第二图像标注模型生成单元，用于基于所述第一数据集以及第二数据集对所述第一图像标注模型的分类器网络进行训练，得到当次训练过程对应的第二图像标注模型，所述第二图像标注模型与所述第一图像标注模型的网络结构相同，所述第一数据集与所述第二数据集所属领域不相同；目标图像标注模型生成单元，用于基于所述第二数据集对所述第二图像标注模型的特征提取网络进行训练，得到当次训练过程对应的训练完成的模型，所述训练完成的模型与所述第二图像标注模型的网络结构相同；若当次训练过程满足目标训练条件，将所述训练完成的模型作为目标图像标注模型，若当次训练过程不满足目标训练条件，进入下一次的训练过程，并将所述训练完成的模型作为下一次训练过程对应的待训练图像标注模型。

第四方面，本申请提供了一种电子设备，包括一个或多个处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述的方法。

第五方面，本申请提供的一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码运行时执行上述的方法。