选择用于使用神经网络训练图像的注释的制作方法

技术特征：
1.一种处理器，包括：一个或更多个电路，其用于训练一个或更多个神经网络，以从可用于训练图像的一个或更多个标签中选择标签，其中所选标签和所述训练图像用于训练所述一个或更多个神经网络。2.根据权利要求1所述的处理器，其中训练所述一个或更多个神经网络进一步包括所述一个或更多个电路用于：获取一批数据，所述一批数据包括所述一个或更多个标签的一部分和多个训练图像；通过处理所述批，生成所述一个或更多个神经网络的权重集合；使用所述一个或更多个神经网络的所述权重集合计算一组特征，所述特征表示与所述一批数据的标签集合相对应的特性；级联所述特征，以生成特征集合；计算每个特征集合的权重；使用每个特征集合的所述权重，计算所述一个或更多个标签的所述部分的加权平均；以及基于所述一个或更多个标签的所述部分的所述加权平均，选择所述标签，以更新所述一个或更多个神经网络。3.根据权利要求2所述的处理器，其中每个特征集合的所述权重是通过一个或更多个全连接层和一个或更多个激活函数计算的。4.根据权利要求1所述的处理器，其中所述一个或更多个标签由基于不同算法的标记器生成。5.根据权利要求1所述的处理器，其中所述一个或更多个电路进一步用于：将使用标签训练的所述一个或更多个神经网络的输出与所述一个或更多个标签进行比较；以及至少部分地基于所述比较选择所述标签。6.根据权利要求5所述的处理器，其中通过一个或更多个二元交叉熵(bce)损失函数来比较所述输出。7.根据权利要求1所述的处理器，其中所述一个或更多个神经网络使用所述所选标签和所述训练图像来执行一个或更多个图像分类任务。8.一种系统，包括：一个或更多个计算机，其具有一个或更多个处理器，用于训练一个或更多个神经网络以选择在训练所述一个或更多个神经网络时要使用的标签。9.根据权利要求8所述的系统，其中训练所述一个或更多个神经网络进一步包括所述一个或更多个处理器用于：将与所述标签相关联的多个图像提供给所述一个或更多个神经网络；以及针对所述多个图像中的图像选择用于训练所述一个或更多个神经网络的标签。10.根据权利要求9所述的系统，其中针对所述多个图像中的图像选择用于训练所述一个或更多个神经网络的标签进一步包括所述一个或更多个处理器用于：接收训练数据的一部分，所述训练数据的一部分包括可用于所述图像的一个或更多个标签；
通过处理所述部分，生成所述一个或更多个神经网络的权重集合；使用所述权重集合计算特征，所述特征表示与所述标签相对应的特性；使用所述特征来计算所述标签的加权平均；以及基于所述加权平均，从所述标签中选择标签。11.根据权利要求10所述的系统，其中所述一个或更多个神经网络的所述权重集合是通过一个或更多个反向传播过程生成的。12.根据权利要求10所述的系统，其中对所述加权平均执行一个或更多个可微二值化过程。13.根据权利要求8所述的系统，其中所述标签由不同的自然语言处理(nlp)算法生成，所述自然语言处理(nlp)算法由不同计算资源执行。14.一种机器可读介质，其上存储有指令集，如果所述指令集由一个或更多个处理器执行，则使所述一个或更多个处理器训练一个或更多个神经网络以选择在训练所述一个或更多个神经网络时要使用的标签。15.根据权利要求14所述的机器可读介质，其中训练所述一个或更多个神经网络进一步使所述一个或更多个处理器用于：接收用于训练所述一个或更多个神经网络的数据作为输入；通过处理所述数据的一部分，生成所述一个或更多个神经网络的模型权重集合，其中所述数据的所述部分包括可用于训练图像的一个或更多个标签；基于所述模型权重集合，计算一组特征，所述一组特征表示与所述部分的标签集合相对应的特性；使用所述一组特征计算所述标签集合中的每个标签的权重；以及基于所述权重，从所述标签集合中选择标签，以更新所述一个或更多个神经网络的参数。16.根据权利要求15所述的机器可读介质，其中训练所述一个或更多个神经网络进一步使所述一个或更多个处理器用于：将所述一个或更多个神经网络的输出与所述标签集合进行比较；以及部分地基于所述比较来选择所述标签。17.根据权利要求16所述的机器可读介质，其中使用一个或更多个损失函数来执行所述比较。18.根据权利要求15所述的机器可读介质，其中所述一个或更多个标签由一个或更多个基于算法的标记器生成。19.根据权利要求15所述的机器可读介质，其中所述所选标签和所述训练图像训练所述一个或更多个神经网络以执行一个或更多个多标签分类任务。20.根据权利要求15所述的机器可读介质，其中所述模型权重集合是通过一个或更多个反向传播过程生成的。21.一种处理器，包括：一个或更多个电路，用于使用神经网络来推理信息，其中通过选择在训练所述神经网络时要使用的标签来训练所述神经网络。22.根据权利要求21所述的处理器，其中所述一个或更多个电路进一步用于：
从接收作为所述神经网络的输入的训练数据中确定一批，所述批包括可用于训练图像的一个或更多个标签；通过处理所述批，生成所述神经网络的模型权重；使用所述模型权重计算特征，所述特征表示所述一个或更多个标签的特性；使用所述特征来计算所述一个或更多个标签的加权平均；以及基于所述加权平均，从所述一个或更多个标签中选择所述标签。23.根据权利要求22所述的处理器，其中所述一个或更多个电路进一步用于使用所述所选标签来更新所述神经网络的参数以执行图像分割任务。24.根据权利要求22所述的处理器，其中训练数据包括多个训练图像，其中所述多个训练图像中的每一个都附有文本报告。25.根据权利要求24所述的处理器，其中所述一个或更多个电路进一步用于：基于所述文本报告生成文本嵌入；以及使用所述文本嵌入来识别所述一个或更多个标签。26.根据权利要求21所述的处理器，其中通过选择在训练所述神经网络以对训练图像和相关联的标签进行分类的同时要使用的标签，来训练所述神经网络。27.一种系统，包括：一个或更多个计算机，其具有一个或更多个处理器，用于使用神经网络来推理信息，其中通过选择在训练所述神经网络时要使用的标签来训练所述神经网络。28.根据权利要求27所述的系统，还包括一个或更多个计算机，其具有一个或更多个处理器，用于训练所述神经网络，以在训练所述神经网络以对训练图像进行分类的同时选择标签。29.根据权利要求28所述的系统，其中训练所述神经网络以选择标签还包括所述一个或更多个处理器用于：接收数据作为所述神经网络的输入；通过处理所述数据的子集为所述神经网络生成权重集合，其中所述数据的子集包括可用于训练图像的一个或更多个标签；基于所述权重集合计算一组特征，所述一组特征表示与所述子集的标签集合相对应的特性；使用所述一组特征计算来自所述子集的每个标签的权重；以及基于所计算的每个标签的权重，使用来自所述标签集合的所述标签的部分来更新所述神经网络的组件。30.根据权利要求29所述的系统，其中所述一个或更多个标签由不同处理器执行的一种或更多种自然语言处理(nlp)算法生成。31.根据权利要求30所述的系统，其中所述神经网络使用所述标签的所述部分和所述训练图像来执行一个或更多个图像分类任务。32.一种机器可读介质，其上存储有指令集，如果所述指令集由一个或更多个处理器执行，则使所述一个或更多个处理器使用神经网络来推理信息，其中通过在训练所述神经网络时选择要使用的标签来训练所述神经网络。33.根据权利要求32所述的机器可读介质，其中训练所述神经网络进一步使所述一个
或更多个处理器用于：使用接收作为所述神经网络的输入的训练数据来确定训练图像的标签，所述训练数据包括可用于多个训练图像的多个标签；以及使用所述训练图像的所述标签来更新所述神经网络的参数。34.根据权利要求33所述的机器可读介质，其中基于将所述标签与所述神经网络的输出进行比较的结果，更新所述神经网络的参数。35.根据权利要求33所述的机器可读介质，其中从伴随所述多个图像中的每个训练图像的文本报告中提取包括用于多个图像的多个标签的所述训练数据。36.根据权利要求35所述的机器可读介质，其中伴随所述多个图像中的每个训练图像的文本报告由一种或更多种自然语言处理(nlp)算法生成，所述一种或更多种自然语言处理(nlp)算法由不同的计算资源执行。

技术总结
选择训练图像的标签以训练网络的装置、系统和技术。在至少一个实施例中，选择训练图像的一个或更多个标签来训练网络。的一个或更多个标签来训练网络。的一个或更多个标签来训练网络。


技术研发人员：王潚崧 徐子乐 杨栋 L
受保护的技术使用者：辉达公司
技术研发日：2021.05.26
技术公布日：2022/6/7