公开(公告)号：CN109508741B

公开(公告)日：2022-05-10

申请号：CN201811333884.7

申请日：2018-11-09

Applicant: 哈尔滨工业大学

Inventor： 林伟阳 ,  王哲伟 ,  任昕旸 ,  孙维超 ,  佟明斯 ,  李湛 ,  高会军

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 基于深度学习筛选训练集的方法，本发明涉及训练集筛选的方法。本发明的目的是为了解决现有训练集的大小直接影响深度学习的性能，训练集太小深度学习模型对于实际运行时采集到的新的图像不起作用，训练集太大，人工打标签耗费大量时间，影响训练效率的问题。过程为：一、采集初始数据集，将初始数据集分为训练集和测试集；二、搭建神经网络架构；三、将训练集输入神经网络进行训练，直至神经网络收敛，得到初始神经网络模型；四、将测试集输入目前得到的神经网络模型进行测试，得到满足要求的训练集和最终的神经网络模型；否则，对待识别区域重新采集图像，直至得到满足要求的训练集和最终的神经网络模型。本发明用于训练集筛选领域。

公开(公告)号：CN109508741A

公开(公告)日：2019-03-22

申请号：CN201811333884.7

申请日：2018-11-09

Applicant: 哈尔滨工业大学

Inventor： 林伟阳 ,  王哲伟 ,  任昕旸 ,  孙维超 ,  佟明斯 ,  李湛 ,  高会军

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 基于深度学习筛选训练集的方法，本发明涉及训练集筛选的方法。本发明的目的是为了解决现有训练集的大小直接影响深度学习的性能，训练集太小深度学习模型对于实际运行时采集到的新的图像不起作用，训练集太大，人工打标签耗费大量时间，影响训练效率的问题。过程为：一、采集初始数据集，将初始数据集分为训练集和测试集；二、搭建神经网络架构；三、将训练集输入神经网络进行训练，直至神经网络收敛，得到初始神经网络模型；四、将测试集输入目前得到的神经网络模型进行测试，得到满足要求的训练集和最终的神经网络模型；否则，对待识别区域重新采集图像，直至得到满足要求的训练集和最终的神经网络模型。本发明用于训练集筛选领域。