一种基于迭代采样和一对多标签修正的Web图像训练卷积神经网络方法

摘要

本发明公开了一种基于迭代采样和一对多标签修正的Web图像训练卷积神经网络方法。该方法的目的是通过在训练集中逐步地加入Web图像来解决使用深度学进行计算机视觉任务时数据不足的问题。这种新的方法可以作为计算机视觉各种任务的辅助处理步骤，其关键在于随着模型的训练，更新的模型将能更准确地对Web图像的标签置信度进行预测，然后通过对比把高质量的数据加入到训练数据中继续提升模型的性能，最终可以有效地减少Web数据中的噪声数据并提升卷积神经网络的性能。同时考虑到Web图像内容的复杂性和多样性，本方法在迭代过程采用了一对多的标签修正策略来减少硬标注对模型训练带来的影响。基于以上的步骤，整个模型迭代训练直到网络的性能趋于稳定。