[发明专利]样本选择方法、装置、计算机设备及存储介质

权利要求书

1.一种样本选择方法，其特征在于，包括：

将多个待标注样本输入至预训练的深度神经网络模型中进行目标检测，以得到每一所述待标注样本中目标检测物对应的目标特征以及所述目标特征对应的所属类别；

对所述待标注样本中同一类别的目标特征进行聚类，得到每一所述类别对应的多个类簇；每一所述类簇对应一聚类中心；

计算同一所述待标注样本对应的所述目标特征与每一所述聚类中心的距离，将所述距离作为每一所述目标特征对应的特征距离；

基于同一所述待标注样本对应的多个所述特征距离，计算所述待标注样本的样本得分；

根据每一所述待标注样本的样本得分，确定目标标注样本。

2.如权利要求1所述样本选择方法，其特征在于，在所述基于多个所述特征距离，计算所述待标注样本的样本得分之后，所述样本选择方法还包括：

若所述待标注样本中存在所述目标特征的特征距离在对应的所述类簇内最小，则按照预设减分规则，在所述样本得分的基础上降低所述样本得分，得到更新后的样本得分；

所述根据每一所述待标注样本的样本得分，确定目标标注样本，包括：

根据更新后的每一所述待标注样本的样本得分，确定目标标注样本。

3.如权利要求1所述样本选择方法，其特征在于，所述基基于同一所述待标注样本对应的多个所述特征距离，计算所述待标注样本的样本得分，包括：

对同一所述待标注样本对应的多个特征距离进行取均值处理，将均值处理的结果作为所述待标注样本的样本得分。

4.如权利要求1所述样本选择方法，其特征在于，在所述对所述待标注样本中同一类别的目标特征进行聚类，得到每一所述类别对应的多个类簇之前，所述样本选择方法还包括：

获取每一所述类别对应的目标特征的特征数量以及计划标注样本的计划数量；

根据所述特征数量以及所述计划数量，确定所述类别对应的类簇数量；

所述对所述待标注样本中同一类别的目标特征进行聚类，得到每一所述类别对应的多个类簇，包括：采用K-means算法对所述待标注样本中同一类别的目标特征进行聚类，得到每一所述类别对应的所述类簇数量个类簇。

5.如权利要求1所述样本选择方法，其特征在于，所述根据每一所述待标注样本的样本得分，确定目标标注样本，包括：

按照从小到大的顺序对每一所述待标注样本的样本得分进行排序，并选取排在前N位的所述待标注样本作为所述目标标注样本。

6.如权利要求1所述样本选择方法，其特征在于，所述按照预设减分规则，在所述样本得分的基础上降低所述样本得分，得到更新后的样本得分，包括：按照预设减分公式，在所述样本得分的基础上降低所述样本得分，得到更新后的样本得分；其中，所述预设减分公式为：Z＝s*0.9^p；其中，Z表示所述更新后的样本得分，s表示未更新前的样本得分，P表示所述待标注样本中存在P个所述目标特征的特征距离在对应的所述类簇内最小。

7.如权利要求4所述样本选择方法，其特征在于，所述采用K-means算法对所述待标注样本中同一类别的目标特征进行聚类，得到每一所述类别对应的所述类簇数量个类簇，包括：

根据所述类簇数量初始化所述K-means算法的K值；

将所述同一类别的目标特征作为待聚类样本，从所述待聚类样本中随机选取K个所述目标特征作为聚类中心，并更新所述待聚类样本；

基于特征相似度，从更新后的待聚类样本中选取与所述聚类中心对应的多个目标特征；其中，所述特征相似度用于指示所述更新后的待聚类样本中的目标特征与所述聚类中心之间的相似度；

更新所述聚类中心，并重复执行所述基于特征相似度，从更新后的待聚类样本中选取与所述聚类中心对应的多个目标特征的步骤，直到满足预设算法终止条件，得到所述类别对应的K个类簇。