[发明专利]一种释义加强的图片训练方法及系统

说明书

本申请实施例公开了一种释义加强的图片训练方法及系统，涉及智能终端技术领域。所述方法包括：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。本申请的释义加强的图片训练方法及系统，通过释义拆解获取的第一标签为多个二级标签，根据二级标签的数据集训练第一标签，并生产第一标签的可泛化模型，加强图片训练效果，改善用户体验。

技术领域

本申请涉及智能终端技术领域，尤其涉及释义加强的图片训练方法及系统。

背景技术

随着通信技术的飞速发展，人们的生活、工作等与智能终端(例如，通信终端等)息息相关。目前，智能终端的功能逐渐多样化，例如，智能终端可以实现相册图片的自动分类整理等功能。其中，图片分类主要通过神经网络训练模型实现，具体包括输入有标签的训练集，经过神经网络的训练，输出最终模型，并利用训练得到的模型对其他图片进行分类。然而，很多标签的训练集非常少或难以获得，例如，由于异常场景、特殊标签的训练集难以获得，终端很难针对这些缺少训练集的标签进行训练。

因此，期望提供一种释义加强的图片训练方法及系统，通过释义拆解获取的第一标签为多个二级标签，根据二级标签的数据集训练第一标签，并生产第一标签的可泛化模型，加强图片训练效果，改善用户体验。

发明内容

根据本申请的一些实施例的第一方面，提供了一种释义加强的图片训练方法，应用于终端(例如，电子设备等)中，所述方法可以包括：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。

在一些实施例中，所述方法可以进一步包括：确定所述二级标签的权重。

在一些实施例中，所述方法可以进一步包括：改写神经网络模型的训练模块。

在一些实施例中，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。

在一些实施例中，所述图片分类模型包括VGGNet模型、ResNet模型、InceptionV3模型。

在一些实施例中，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。

在一些实施例中，所述改写训练模块包括在数据输出层增加权重层。

在一些实施例中，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。

在一些实施例中，所述方法可以进一步包括：根据所述模型分类无标签的数据集。

根据本申请的一些实施例的第二方面，提供了一个系统，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。

因此，根据本申请的一些实施例的释义加强的图片训练方法及系统，通过释义拆解获取的第一标签为多个二级标签，根据二级标签的数据集训练第一标签，并生产第一标签的可泛化模型，加强图片训练效果，改善用户体验。

附图说明

为更好地理解并阐述本申请的一些实施例，以下将结合附图参考实施例的描述，在这些附图中，同样的数字编号在附图中指示相应的部分。

图1是根据本申请的一些实施例提供的网络环境系统的示例性示意图。

图2是根据本申请的一些实施例提供的电子设备功能配置的示例性单元示意图。

图3是根据本申请的一些实施例提供的释义加强的图片训练方法的示例性流程图。