[发明专利]一种持续自学习的图像识别方法及系统

说明书

本发明涉及持续自学习的图像识别技术领域，尤其为一种持续自学习的图像识别方法及系统，包括持续自学习图像识别图像服务器，所述持续自学习图像识别图像服务器包括图像采集模块、图片初次标记模块、图像识别模型训练模块、新图片标记模块、自动/人工图片核验模块和最优模型生成模块，本发明通过以自动化地利用由初始训练图片集训练好的模型对新的图片进行预测，并且将新的图片的分类结果采用自动或人工核验，最后将核验后的图片作为新的训练集，与旧的训练集进行合并后再次用于模型训练，迭代地训练模型，使得模型得到不断优化。

技术领域

本发明涉及持续自学习的图像识别技术领域，具体为一种持续自学习的图像识别方法及系统。

背景技术

当前的主流图像识别方法还主要停留在大量人工标记图片阶段，即需要专门的图片标记人员从海量的图片中对图片进行选择标记，挑选出能够用于训练图像识别模型的图片。用这些标记出的图片组成训练集，并用于模型训练，在上述描述的方法中，存在一些不容忽视的缺陷：（1）由于标记图片需要专门的人员进行大量（百万张级）标注，造成极高的人工成本；（2）人工标记图片的效率十分低下，平均一小时标记1000张之内，无法在短时间内标记大量的训练图片；（3）由于标记时涉及人为操作，存在很多潜在的不可控人为错误风险点，从而引起图片标记错误；（4）训练图像识别模型只支持一次性训练，无法自动迭代优化模型。

综上所述，本实用发明提出一种持续自学习的图像识别方法及系统来解决存在的问题。

发明内容

本发明的目的在于提供一种持续自学习的图像识别方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种持续自学习的图像识别方法及系统，包括持续自学习图像识别图像服务器，所述持续自学习图像识别图像服务器包括图像采集模块、图片初次标记模块、图像识别模型训练模块、新图片标记模块、自动/人工图片核验模块和最优模型生成模块。

优选的，所述图像采集模块为交通专用高倍监控摄像头。

优选的，包括以下步骤：

S1,首先通过图像采集模块，交通专用高倍监控摄像头对人员的图像进行采集；

S2,将S1采集的图像传送至图片初次标记模块中，并且通过图片初次标记模块完成从不同图片标记人员处获取人工标记的图片，并按照图像识别模型训练所需要的结构进行整理，作为初始的图像识别模型的训练集；

S3,使用图片初次标记模块产生的图像识别模型所使用的训练集进行深度学习模型训练，得到具备复杂图片分类能力的高容量模型；

S4,使用图像识别模型训练模块生成的模型对业务中新产生的图片进行分类，同时得到作为上层业务系统需要的图像标记数据以及进一步优化模型的新的训练集；

S5,在新图片标记模块得到的标记好的新图片的基础上，通过自动/人工图片核验模块采用自动方法/人工方法对经过模型标记的图片进行核验，核验通过的图片将被加入新的训练集，在获得了新的训练集之后，将新旧训练集合并，再次执行S4，由图像识别模型训练模块再次进行模型训练，完成模型的迭代优化；

S6,完成模型的迭代优化通过最优模型生成模块使用模型评价准则对由图像识别模型训练模块生成的模型性能进行量化评估，若模型评价准则的结果超过设定阈值，则停止模型迭代优化，输出最优模型，否则继续模型迭代优化训练回路。

与现有技术相比，本发明的有益效果是：

1、本发明中，通过使用自学习图像识别系统，可以在短时间之内获得大量的标记好的新图片，提升了训练集的扩充效率，节省了大量的时间成本。

2、本发明中，通过设计在模型迭代优化阶段，依靠训练好的模型提供的先验知识，不需要使用大量的图片标记人员对图片进行人工标记的方法来获得新的模型训练集，在很大程度上降低人力成本。