[发明专利]一种释义加强的图片训练方法及系统在审
| 申请号： | 201810395008.0 | 申请日： | 2018-04-27 |
| 公开（公告）号： | CN108664998A | 公开（公告）日： | 2018-10-16 |
| 发明（设计）人： | 陶然;孟凡靖;李明静 | 申请（专利权）人： | 上海爱优威软件开发有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 201203 上海市浦东新区中国（上*** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 释义 标签 二级标签 数据集 拆解 图片 第一数据 训练效果 用户体验 智能终端 申请 生产 | ||
1.一种释义加强的图片训练方法，其特征在于，包括：
获取第一数据集的第一标签；
根据释义拆解所述第一标签为多个二级标签；
根据所述二级标签的第二数据集，训练所述第一标签；
生成可泛化模型。
2.根据权利要求1所述的释义加强的图片训练方法，其特征在于，进一步包括：
确定所述二级标签的权重。
3.根据权利要求2所述的释义加强的图片训练方法，其特征在于，进一步包括：
改写神经网络模型的训练模块。
4.根据权利要求3所述的释义加强的图片训练方法，其特征在于，所述神经网络模型包括通过代码实现的开源模型，所述模型包括图片分类模型。
5.根据权利要求4所述的释义加强的图片训练方法，其特征在于，所述图片分类模型包括VGGNet模型、ResNet模型、Inception V3模型。
6.根据权利要求4所述的释义加强的图片训练方法，其特征在于，所述神经网络模型包括数据输入层、卷积计算层、ReLU激励层、池化层、全连接层、数据输出层。
7.根据权利要求6所述的释义加强的图片训练方法，其特征在于，所述改写训练模块包括在数据输出层增加权重层。
8.根据权利要求1所述的释义加强的图片训练方法，其特征在于，所述训练所述第一标签包括根据训练算法训练所述第一标签，所述训练算法包括梯度下降、随机梯度下降。
9.根据权利要求1所述的释义加强的图片训练方法，其特征在于，进一步包括：
根据所述模型分类无标签的数据集。
10.一个系统，其特征在于，包括：
一个存储器，被配置为存储数据及指令；
一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：
获取第一数据集的第一标签；
根据释义拆解所述第一标签为多个二级标签；
根据所述二级标签的第二数据集，训练所述第一标签；
生成可泛化模型。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于上海爱优威软件开发有限公司，未经上海爱优威软件开发有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810395008.0/1.html，转载请声明来源钻瓜专利网。
