[发明专利]除噪方法、装置、计算机设备、存储介质及模型训练方法

权利要求书

1.一种噪声样本的除噪方法，其特征在于，所述方法包括：

获取噪声样本序列及所述噪声样本序列所对应的第一标签数据；

通过转移矩阵对所述第一标签数据进行修正，得到修正后的第二标签数据；

根据所述噪声样本序列、所述第一标签数据以及所述第二标签数据，通过条件变分自编码器模型生成标签正确的样本序列。

2.根据权利要求1所述的方法，其特征在于，所述条件变分自编码器模型包括第一神经网络和与所述第一神经网络连接的第二神经网络；所述根据所述噪声样本序列、所述第一标签数据以及所述第二标签数据，通过条件变分自编码器模型生成标签正确的样本序列，包括：

将所述噪声样本序列及所述第一标签数据输入至所述第一神经网络；

通过所述第一神经网络对所述噪声样本序列及所述标签数据进行编码，得到第一隐变量；

将所述第一隐变量以及所述第二标签数据输入至所述第二神经网络，通过所述第二神经网络生成所述标签正确的样本序列。

3.根据权利要求2所述的方法，其特征在于，在所述将所述第一隐变量以及所述第二标签数据输入至第二神经网络之前，所述方法还包括：

对所述第一隐变量进行上采样处理，得到第二隐变量；

所述将所述第一隐变量以及所述第二标签数据输入至第二神经网络，包括：

将所述第二隐变量以及所述第二标签数据输入至第二神经网络。

4.根据权利要求3所述的方法，其特征在于，所述对所述第一隐变量进行上采样处理，得到第二隐变量，包括：

从噪声分布中进行随机取样，通过随机选取的数值对所述第一隐变量进行上采样处理，得到所述第二隐变量。

5.根据权利要求4所述的方法，其特征在于，所述第一隐变量服从高斯分布；所述通过随机选取的数值对所述第一隐变量进行上采样处理，得到所述第二隐变量，包括：

计算所述随机选取的数值与所述第一隐变量的方差之间的乘积；

根据所述乘积与所述第一隐变量的均值确定所述第二隐变量。

6.根据权利要求2所述的方法，其特征在于，按照以下公式确定所述条件变分自编码器模型的损失函数值：

其中，为所述损失函数值，为信息散度值，为所述第二神经网络的最大似然函数，z为所述第一隐变量，x为所述噪声样本序列，y为所述第一标签数据，T为所述转移矩阵，是所述第一神经网络的概率分布，是所述第一神经网络的参数，p_θ是所述第二神经网络的概率分布，θ是所述第二神经网络的参数。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述转移矩阵的生成步骤，包括：

对所述噪声样本序列进行分类，对分类结果进行统计；

根据统计的结果确定所述转移矩阵的各矩阵元。

8.根据权利要求1至6任一项所述的方法，其特征在于，所述噪声样本序列为图片样本序列。

9.一种模型训练方法，其特征在于，所述方法包括：

利用权利要求1至8任一项所述方法得到的所述标签正确的样本序列构建所述模型的训练集；

根据构建的训练集以及所述训练集中各样本所对应的分类类别，训练所述模型。

10.一种噪声样本的除噪装置，其特征在于，所述装置包括：

获取模块，用于获取噪声样本序列及所述噪声样本序列所对应的第一标签数据；

修正模块，用于通过转移矩阵对所述第一标签数据进行修正，得到修正后的第二标签数据；

生成模块，用于根据所述噪声样本序列、所述第一标签数据以及所述第二标签数据，通过条件变分自编码器模型生成标签正确的样本序列。

11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至9中任一项所述的方法的步骤。