[发明专利]图片神经网络模型的训练方法以及装置

权利要求书

1.一种图片神经网络模型的训练方法，其特征在于，包括：

获取第一样本图片集合；

通过所述第一样本图片集合对第一图片神经网络模型进行训练，得到所述第一样本图片集合中每个样本图片的第一预测类型和第二图片神经网络模型；

在所述每个样本图片的标注类型和所述第一预测类型之间的损失值不满足目标预设条件的情况下，获取第二样本图片集合，其中，所述第二样本图片集合中的部分样本图片是根据所述第一预测类型获取到的图片；

将所述第一样本图片集合和所述第二样本图片集合合并，得到第三样本图片集合；

通过所述第三样本图片集合对所述第二图片神经网络模型进行训练，得到所述第三样本图片集合中每个样本图片的第二预测类型和第三图片神经网络；

在所述第三样本图片集合中每个样本图片的标注类型和所述第二预测类型之间的损失值满足所述目标预设条件的情况下，将所述第三图片神经网络模型确定为目标图片神经网络。

2.根据权利要求1所述的方法，其特征在于，所述获取所述第二样本图片集合，包括：

根据所述第一样本图片集合中的所述每个样本图片的标注类型以及所述第一预测类型，在所述第一样本图片集合中确定待重新进行类型标注的第一样本图片子集，其中，所述第一样本图片子集中的样本图片的所述标注类型和所述预测类型不同；

将所述第一样本图片子集确定为所述第二样本图片集合或所述第二样本图片集合的子集。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本图片集合中的所述每个样本图片的标注类型以及所述第一预测类型，在所述第一样本图片集合中确定待重新进行类型标注的第一样本图片子集，包括：

在所述第一样本图片集合中获取所述标注类型与所述第一预测类型不同的样本图片；

将所述第一样本图片子集确定为包括所述标注类型与所述第一预测类型不同的样本图片中的全部或部分样本图片。

4.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本图片集合中的所述每个样本图片的标注类型以及所述第一预测类型，在所述第一样本图片集合中确定待重新进行类型标注的第一样本图片子集，包括：

在所述第一样本图片集合中的样本图片的标注类型共包括多个标注类型的情况下，在所述多个标注类型中确定目标标注类型，其中，在所述第一样本图片集合中的所述目标标注类型的样本图片中，所述标注类型与所述第一预测类型不同的样本图片的占比大于第一阈值，或，所述标注类型与所述第一预测类型不同的样本图片的数量大于第二阈值；

在所述第一样本图片集合中获取标注类型为所述目标标注类型、且所述标注类型与所述第一预测类型不同的样本图片；

将所述第一样本图片子集确定为包括所述标注类型为所述目标标注类型、且所述标注类型与所述第一预测类型不同的样本图片中的全部或部分样本图片。

5.根据权利要求2所述的方法，其特征在于，所述获取所述第二样本图片集合中的每个样本图片的标注类型，包括：

获取对所述第一样本图片子集中的每个样本图片进行重新标注所得到的标注类型。

6.根据权利要求5所述的方法，其特征在于，所述获取对所述第一样本图片子集中的每个样本图片进行重新标注所得到的标注类型，包括：

响应于重新标注指令，获取对所述第一样本图片子集中的每个样本图片进行重新标注所得到的标注类型，其中，所述重新标注指令中指示了所述第一样本图片子集中的每个样本图片的重新标注的标注类型；或者

根据所述第一图片神经网络模型确定的所述第一样本图片子集中的每个样本图片的各个预测类型的概率，获取对所述第一样本图片子集中的每个样本图片进行重新标注所得到的标注类型。