[发明专利]一种图像样本的处理方法及装置、电子设备和存储介质

权利要求书

1.一种图像样本的处理方法，其特征在于，所述方法包括：

根据自适应调整的多个准则对未标注数据集中的数据进行排序，获得多个排序结果；

将所述多个排序结果进行融合处理，得到目标排序结果，其中，所述目标排序结果是按照所述未标注数据集中数据接近最可能标注类型的概率从大到小进行排序的；

将所述目标排序结果中的数据，按照排序靠前先发送的策略发送给目标对象进行数据标注，以根据数据标注结果进行主动学习的模型训练；

其中，所述方法还包括：对所述多个准则进行自适应调整；所述对所述多个准则进行自适应调整包括：

根据所述排序结果的优化规则，自适应调整所述多个准则中的权重；

所述排序结果的优化规则，根据用于训练分类模型精度的主动学习需求得到。

2.根据权利要求1所述的方法，其特征在于，所述根据自适应调整的多个准则对未标注数据集中的数据进行排序，获得多个排序结果，包括：

在每次迭代中，将所述多个准则中的每个准则分别应用于未标注数据集中的数据，直至达到每次迭代需要标注的数据样本数量，结束本次迭代；

根据迭代处理结果，得到对应每个准则的分数序列，其中，所述分数序列用于表征所述未标注数据集中数据接近最可能标注类型的评分顺序，评分越高用于指示所述未标注数据集中数据越接近最可能标注类型；

根据所述分数序列，得到对应每个准则的排名序列，将所述排名序列作为所述排序结果。

3.根据权利要求2所述的方法，其特征在于，所述根据所述分数序列，得到对应每个准则的排名序列，包括：

将所述未标注数据集在所述分数序列中数据的值，按照从小到大的顺序进行提取，得到所述排名序列。

4.根据权利要求1所述的方法，其特征在于，所述根据所述排序结果的优化规则，自适应调整所述多个准则中的权重，包括：

在每次迭代中，将对应每个准则的分数序列进行归一化处理，并以升序形式进行重排序处理，得到重构后的分数序列；

根据所述重构后的分数序列，自适应调整所述多个准则中的权重，直至达到每次迭代需要标注的数据样本数量，结束本次迭代。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述将所述多个排序结果进行融合处理，得到目标排序结果，包括：

将所述对应每个准则的排名序列进行多个排名序列的加权整合，得到一个目标排名序列；

将所述目标排名序列，作为所述目标排序结果。

6.根据权利要求5所述的方法，其特征在于，所述将所述对应每个准则的排名序列进行多个排名序列的加权整合，得到一个目标排名序列，包括：

在每次迭代中，将所述对应每个准则的排名序列，根据新增参与整合样本数目进行加权整合，得到整合后对应每个准则的排名序列；

对所述整合后对应每个准则的排名序列中的转移矩阵进行修正，直至修正后的转移矩阵达到平稳状态，结束本次迭代；

根据迭代处理得到的排名序列中，存在最高马尔可夫链得分的前N个数据样本，其中，所述N为大于1的正整数；

将所述前N个数据样本构成的序列，作为所述目标排名序列。

7.一种图像 样本的处理装置，其特征在于，所述装置包括：

排序单元，用于根据自适应调整的多个准则对未标注数据集中的数据进行排序，获得多个排序结果；

融合处理单元，用于将所述多个排序结果进行融合处理，得到目标排序结果，其中，所述目标排序结果是按照未标注数据接近最可能标注类型的概率从大到小进行排序的；

发送单元，用于将所述目标排序结果中的数据，按照排序靠前先发送的策略发送给目标对象进行数据标注，以根据数据标注结果进行主动学习的模型训练；

其中，所述排序单元，进一步用于：

根据所述排序结果的优化规则，自适应调整所述多个准则中的权重；

所述排序结果的优化规则，根据用于训练分类模型精度的主动学习需求得到。