一种数据集生成方法、装置、训练方法、介质及设备与流程

1.本发明涉及图像分析及处理技术领域，特别是一种数据集生成方法、装置、数据模型训练方法、存储介质及设备。


背景技术：

2.在进行数据集的语义分割过程中，为降低数据集时的成本，提高效率，针对不同任务生成的数据集，可能会通过不同类别的标注进行数据集数据的表示。对于不同的数据集，如果数据集中标注的类别不同，且想要充分利用各个数据集的数据内容时，目前可进行以下训练方法，以两个不同的数据集为例进行说明。方法一：选择两个不同的数据集之间重合的标注类别进行训练得到一个训练模型，其中该训练模型的标注类别为两个数据集的标注类别的交集。方法二：对两个数据集分别训练一个模型，进而得到两个训练模型，两个训练模型的标注类别分别为各自数据集对应的标注类别。方法三：强行融合两个数据集得到一个新的数据集，再对该融合数据集进行训练得到一个训练模型，其中该训练模型的标注类别是两个数据集类别的并集。在上述方法中，通过方法一训练出来的训练模型虽然能够很好的融合利用两个数据集，且训练模型的效果比单独通过一个数据集得到的训练模型的泛化能力更好。因为只对数据集之间重合的标注类别进行训练，所以最终的训练模型往往满足不了需求标注类别的要求，特别是当两个数据集没有多少交集标注类别的情况下。方法二虽然可以满足标注类别需求，但是当某个任务产生的数据集的标注类别需求和其他任务有重叠时，无法做到充分利用两个数据集，而且多个数据集对应的训练模型对于实际任务使用时也会使相关的时间的翻倍，进而降低效率。在方法三中，将多个数据集融合，进而可实现多个数据集的所有标注类别以一个训练模型进行表示，但是在融合数据集的训练过程中，由于训练时会出现数据集中的内容属于某个标注类别但实际并没有标注的情况，最终导致获得的融合数据集的训练模型结果特别不理想。
3.在包括多个类别标注的的数据集中，将多个数据集直接训练成包括各个不同类别标注的语义分割模型较为困难。并且数据集中存在属于某一类别的数据内容但没有进行标注的情况。如果不对数据集中未进行标注的数据进行适当的处理而直接进行训练则会造成极大损害，使得最终得到的数据模型达不到模型的要求。


技术实现要素：

4.针对上述现有技术中，在进行数据集的融合等数据处理时，未标注的数据导致最终的数据融合结果不理想或者数据模型无法达到模型要求的技术问题，本技术提供一种数据集生成方法、装置、数据模型训练方法、存储介质及设备。
5.在本技术的一个技术方案中，提供一种数据集生成方法，其包括：通过第一数据集训练得到第一训练模型，第一训练模型包含第一数据集中数据的所有类别标注的第一类别标注信息；将第二数据集通过第一训练模型训练，得到第二数据集的预测类别标注；以及根据第二数据集和预测类别标注得到目标第二数据集。
6.在本技术的另一技术方案中，提供一种数据集生成装置，其包括：模型训练模块，其通过第一数据集训练得到第一训练模型，第一训练模型包含第一数据集的第一类别标注信息；以及将第二数据集通过第一训练模型训练，得到第二数据集的预测类别标注；以及目标数据集模块，其根据第二数据集的第二类别标注和预测类别标注得到目标第二数据集。
7.在本技术的另一技术方案中，提供一种数据模型训练方法，其中该数据模型训练方法包括：获取至少两个数据集样本，至少两个数据集样本中包含具有原始标注的数据；对至少两个数据集样本中的数据生成忽略类别标注，包括：根据用于对一个第一数据集中数据的所有类别标注或者多个第一数据集中数据的所有融合后的类别标注进行表示的第一类别标注，以及用于对第二数据集中数据的所有类别标注进行表示的第二类别标注，确定包含于第一类别标注中但不包含于第二类别标注中的区别类别标注；以及当第二类别标注表示的语义范围与区别类别标注表示的语义范围存在交集时，对第二数据集中交集对应的数据内容，生成忽略类别标注；将具有忽略类别标注的各个至少两个数据集样本进行融合得到目标数据样本，使得目标数据样本中的数据的标注包括各个至少两个数据集样本的原始标注以及各个至少两个数据集样本的忽略类别标注；以及采用目标数据样本中的不属于忽略类别标注的数据，对目标数据模型进行训练。
8.在本技术的另一技术方案中，提供一种计算机可读存储介质，其存储有计算机指令，其中计算机指令被操作以执行方案一中的数据集生成方法。
9.在本技术的另一技术方案中，提供一种计算机设备，其包括处理器和存储器，存储器存储有计算机指令，处理器操作计算机指令以执行方案一中的数据集生成方法。
10.本技术技术方案可以达到的有益效果是：将数据集中未进行相关标注的数据进行适当标注，使该数据集的标注类别更加完整，进而在后续进行数据集的融合或者模型训练时，避免数据集中未进行标注的数据产生负面影响，优化数据集融合或者数据模型训练等数据处理的结果。
附图说明
11.图1是本技术数据集生成方法的一个具体实施方式的流程示意图；
12.图2是本技术数据集生成方法的一个具体实施例的流程示意图；
13.图3是本技术数据集生成方法的一个实例的流程示意图；
14.图4是本技术数据集生成方法的一个具体实例；
15.图5是本技术数据集生成方法的一个具体实例；
16.图6是本技术数据集生成装置的一个具体实施方式的示意图；
17.图7是本技术数据模型训练方法的一个具体实施方式的流程示意图。
具体实施方式
18.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第
四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
20.图1示出了本技术的数据集生成方法的一个具体实施方式。
21.在图1所示的具体实施方式中，本技术的数据集生成方法包括过程s101、过程s102以及过程s103。
22.在图1所示的具体实施方式中，s101为通过第一数据集训练得到第一训练模型，第一训练模型包含第一数据集中数据的所有类别标注的第一类别标注信息。
23.在该具体实施方式中，根据第一数据集对模型进行训练，得到第一数据集对应的第一训练模型。其中，第一数据集包含有第一数据集中数据的所有类别标注的第一类别标注，对应的，第一训练模型中包含第一数据集中数据的所有类别标注的第一类别标注信息。通过第一数据集训练得到第一训练模型，根据第一训练模型进行后续的数据集生成过程，提高处理的速度，提高效率。
24.在图1所示的具体实施方式中，s102为将第二数据集通过第一训练模型训练，得到第二数据集的预测类别标注，第二类别标注包含第二数据集中数据的所有类别标注。
25.在该具体实施方式中，将已标注有第二类别标注的第二数据集输入到第一训练模型中，根据第一训练模型中第一数据集的第一类别标注信息对第二数据集进行处理，得到第二数据集的预测类别标注。即使用第一类别标注对第二数据集中的数据进行相应标注，得到第二第二数据集的预测类别标注。
26.在本技术的一个具体实施例中，将第一类别标注和第二类别标注进行语义对比，确定区别类别标注。通过对第一类别标注和第二类别标注进行语义对比，将第一类别标注中与第二类别标注语义不同的标注确定为区别类别标注。
27.在本技术的一个实例中，例如存在第一数据集b和第二数据集a，其中，第一数据集b的第一类别标注包括标注
②
、标注
③
以及标注
④
，第二数据集a的第二类别标注包括标注
①
、标注
②
以及标注
③
。通过将第一类别标注中与第二类别标注语义不同的标注确定为忽略类别标注，其中，第一数据集b中的标注
②
、标注
③
与第二数据集a中的标注
②
以及标注
③
所表达的语义相同，为同种类别的标注；第一数据集b中的标注
④
在第二数据集a中的第二类别标注中，没有相同语义的标注，因此，将标注
④
确定为第一数据集b相对于第二数据集a的区别类别标注
28.在本技术的一个具体实施例中，将第二数据集通过第一训练模型训练，得到第二数据集的预测类别标注的过程包括：根据权重调整后的第一类别标注信息对第二数据集中的所有数据进行遍历，利用第一类别标注对遍历得到的数据进行标注，得到预测类别标注。
29.在该具体实施例中，第一数据集以及第二数据集中分别包括多个不同的数据标注，其中第一数据集中数据的所有类别标注标注表示为第一类别标注，用于对第二数据集中数据的所有类别标注表示为第二类别标注。利用第一类别标注对第二数据集进行遍历，将第二数据集中属于第一类别标注对应的数据类别的数据，利用相应的第一类别标注进行
标注，得到第二数据集中具有第一类别标注的预测类别标注，其中第二数据集的预测类别标注与第一数据集的第一类别标注之间相互对应。
30.在本技术的一个具体实施例中，将第二数据集通过第一训练模型训练得到第二数据集的预测类别标注之前，还包括在第一训练模型中，提高属于第一类别标注但不属于第二数据集中第二类别标注的区别类别标注的权重。
31.在该具体实施例中，第一数据集包括多种不同标注的数据。其中，将第一数据集的第一类别标注与第二数据集的第二类别标注进行比较，确定包含于第一类别标注中但不包含于第二类别标注中的区别类别标注。例如，有第一数据集b和第二数据集a，其中，第一数据集b中数据的第一类别标注包括标注
②
、标注
③
以及标注
④
，第二数据集a中数据的第二类别标注包括标注
①
、标注
②
以及标注
③
。通过对第一数据集b中数据的第一类别标注和第二数据集a中数据的第二类别标注的比较，确定第二数据集a中不具有标注
④
，从而得到区别类别标注
④
。
32.在该具体实施例中，以第二数据集a和第一数据集b为例进行说明。第一数据集b对应训练模型b，第一数据集b的第一类别标注包括标注
②
、标注
③
以及标注
④
，对应的训练模型b中包含第一类别标注信息；第二数据集a的第二类别标注包括标注
①
、标注
②
以及标注
③
。其中，第二类别标注中的标注
①
、标注
②
以及标注
③
表示的语义范围与区别类别标注的标注
④
表示的语义范围存在交集。通过上述说明，第一数据集b相对于第二数据集a的区别类别标注为标注
④
。根据第一数据集b的第一类别标注对第二数据集a进行遍历得到第二数据集a的预测类别标注的过程中，提高区别类别标注
④
的权重，从而在根据第一类别标注对第二数据集a中的数据进行遍历操作过程时，提高第二数据集a中为区别类别标注
④
的数据的召回率，保证第二数据集a中属于区别类别标注
④
的数据均进行对应的标注。
33.在根据第一数据集对应的训练模型对第二数据集进行测试过程中，提高区别类别标注的权重，进而将第二数据集中属于区别类别标注的数据标注为对应的预测类别标注。从而保证在进行后续的数据集的融合过程时，避免第二数据集中的未标注的属于区别类别标注的数据产生负面影响，优化数据集融合或者数据模型训练等数据处理的结果，从而保证数据集在进行融合和训练模型时的精确性。
34.在图1所示的具体实施方式中，过程s103为根据第二数据集和预测类别标注得到目标第二数据集。
35.图2示出了本技术的数据集生成方法的一个具体实施例。
36.在图2所示的具体实施例中，本技术的过程s103，根据第二数据集和预测类别标注得到目标第二数据集包括过程s201，将预测类别标注中识别为区别类别标注记录为忽略类别标注；以及过程s202，将第二类别标注和带有忽略类别标注的预测类别标注进行融合，得到目标类别标注，将具有目标类别标注的第二数据集确定为目标第二数据集。
37.在图2所示的具体实施例中，过程s201，将预测类别标注中识别为区别类别标注记录为忽略类别标注。
38.在本技术的一个实例中，如上述，通过第一数据集b对应的第一训练模型b中包含的第一类别标注，包括标注
②
、标注
③
以及标注
④
对第二数据集a进行遍历，得到第二数据集a的预测类别标注。例如，得到的预测类别标注包括标注
②
'、标注
③
'以及标注
④
'。其中，第二数据集a的预测类别标注，标注
②
'、标注
③
'以及标注
④
'与第一数据集b的第一类别标
注，标注
②
、标注
③
以及标注
④
对应，是相同的标注类型。第二数据集a的第二类别标注包括标注
①
、标注
②
以及标注
③
，通过与第一数据集b中的标注进行对比得到标注
④
为区别类别标注。将第二数据集a的预测类别标注中的标注
②
'、标注
③
'以及标注
④
'中与区别类别标注
④
相同的标注记为忽略类别标注，即将第二数据集a的预测类别标注
④
'重新标注为第二数据集a的忽略标注类别
⑤
。
39.在图2所示的具体实施例中，过程s202，将第二类别标注和带有忽略类别标注的预测类别标注进行融合，得到目标类别标注，将具有目标类别标注的第二数据集确定为目标第二数据集。
40.在本技术的一个实例中，第一数据集b的第一类别标注包括标注
②
、标注
③
以及标注
④
，第二数据集a的第二类别标注包括标注
①
、标注
②
以及标注
③
。通过上述说明，第二数据集a的预测类别标注为标注
②
'、标注
③
'以及标注
④
'，其中标注
④
'与区别类别标注
④
相同的标注记为忽略类别标注
⑤
。在第二数据集a中，第二类别标注，标注
①
、标注
②
以及标注
③
和带有忽略类别标注的预测类别标注，标注
⑤
进行融合，得到目标类别标注，表示为标注
①
、标注
②
、标注
③
以及标注
⑤
。将具有目标类别标注的第二数据集确定为目标第二数据集。其中，目标第二数据集与第二数据集相比，数据集的数据内容没有变化，但是数据内容的标注进行改变。将第二数据集中未进行标注的数据进行标注，根据上述说明，生成忽略类别标注，从而使具有忽略类别标注的数据不参与后续的模型训练过程，降低此类数据对训练模型的负面影响，优化数据集融合或者数据模型训练等数据处理的结果，提高训练出的数据模型的准确性以及鲁棒性。
41.在本技术的一个具体实施例中，本技术的数据集生成方法还包括：对第二数据集中忽略类别标注对应的数据进行膨胀操作，使得扩大忽略类别标注对应的数据范围。。
42.在本技术的一个实例中，以第一数据集b和第二数据集a为例进行该说明。如上述，第一数据集b的第一类别标注包括标注
②
、标注
③
以及标注
④
，第二数据集a的第二类别标注包括标注
①
、标注
②
以及标注
③
，其中通过对数据集间的对比得到区别标注类别为标注
④
，且第二类别标注，标注
①
、标注
②
以及标注
③
表示的语义范围与区别类别标注，标注
④
表示的语义范围存在交集。通过上述过程最终得到第二数据a的忽略类别标注
⑤
。在第二数据集a中，对忽略类别标注
⑤
对应的数据进行膨胀操作，扩大忽略类别标注
⑤
所对应的数据内容。
43.通过对第二数据集中的忽略标注类别对应的数据进行膨胀操作，扩大忽略标注类别对应的数据内容，使得属于忽略标注类别的内容的边缘数据对最终数据融合及模型训练时的影响进一步减小。在语义分割模型训练过程中，将属于忽略标注类别的像素内容范围进一步扩大，从而避免边缘处参与训练的像素值获取的忽略标注类别的一些特征错误判断为该像素值的目标，避免对最终数据模型训练时的影响，提高数据模型的准确性。
44.图3示出了本技术数据集生成方法的一个实例。
45.如图3所示，第二数据集a和第一数据集b为语音分割过程中的相关数据的集合，其中在第二数据集a和第一数据集b中包含多张图片信息，且第二数据集a与第一数据集b内分别包括多种标注类别。下面结合图3对本技术数据集融合方法的具体过程进行说明。
46.如图3所示，根据现有的模型训练方法进行训练，得到数据集b对应的训练模型b。对第二数据集a的第二类别标注与第一数据集b的第一类别标注进行比较，确定第一数据集
b相对于第二数据集a的区别类别标注。其中，区别类别包含于第一类别标注中但不包含于第二类别标注中。
47.数据集a内包括多张图片，首先对数据集a中选择一张图片ia，以及该图片的相关标注la。根据第一数据集b对应的训练模型b对数据集a中选择的图片ia进行测试，得到该图片ia的预测类别标注la。其中在根据模型b对图片ia进行测试过程中，提高训练模型b中区别类别标注的权重，从而使得该图片ia中符合区别类别标注的数据内容最大化提取出来。在得到图片ia的预测类别标注la，与第二数据集a和第一数据集b的区别类别标注进行比较，将图片ia的预测类别标注la中与区别类别标注相同的标注记为忽略类别标注。例如在语义分割过程中，图片ia的标注类别可通过像素值表示，例如[0-255]。在进行忽略类别标注的表示时，可将忽略类别标注的相关内容的像素值设为255。此时，图片ia的预测类别标注la中便包含忽略类别标注。随后将图片ia的标注la和图片ia的包含忽略类别标注的预测类别标注la进行融合，得到图片ia的新的标注。再将图片ia中标注为忽略类别标注的数据内容进行膨胀操作，扩大忽略类别标注所表示的数据范围，从而完成对图片ia的处理。对第二数据集a中的其他图片做相同处理，最终得到第二数据集a对应的新的数据集a。将多个数据集融合起来进行最大化利用，避免最终得到的数据集模型类别按最小化获取，提高最终数据集模型的鲁棒性。通过对数据集进行处理生成新的数据集，再进行数据集的融合，避免数据集中未标注类别的内容对数据集融合结果的影响，提高最终生成的数据模型的准确性。另外通过数据集之间的对比，获取数据集的区别标注类别，进而将数据集中未进行标注但属于区别标注类别的数据内容最终标注为忽略标注类别。从而在后续的数据集融合和数据模型的训练过程中，避免该类数据的负面影响，从而在进行数据集融合和生成最终的数据模型的准确性。另外在生成新数据集的过程中，提高区别标注类别的权重，使得最终的忽略标注类别将数据集中的数据内容尽可能包括在内。并且对属于区别标注类别的数据内容进行膨胀操作，进一步降低数据集中，忽略标注类别中边缘数据的影响，进一步提高数据集融合和最终生成的数据模型的准确性。
[0048]
图4及图5是本技术数据集融合方法的一个具体实例。
[0049]
如图4所示，对于包含标注类别a,b,c的数据集a和包含标注b,c,d,e的数据集b，要训直接训练包含a、b、c、d以及e的五类标注的语义分割模型是困难的。如图6中(1)是数据集a中的一张图的实际标注情况，其中数据集a中的标注包括a、b以及c三类。然而在实际情况中，数据集a的b、c两类数据中可能包含标注类别为d、e的数据，如图5中(2)所示，即标注类别d、e为数据集a的区别类别标注。如果不对数据集a进行处理而直接将数据集a和数据集b进行融合并对融合得到的新数据集进行训练，则会对最终的训练结果造成极大的损害，降低训练结果的准确性。因此将图5中(2)的属于标注d、e的区域设置成忽略类别标注，再进行数据集的融合及后续的训练过程。例如，在进行语义分割训练的时候，将标注d、e的区域设置成忽略类别标注，则该区域的数据不参与网络的训练，对模型的结果就不会造成负面的影响。
[0050]
在本技术的数据集生成方法中，可根据数据集b，训练一个基础分割模型b，再用该模型预测数据集a中的标注，得到数据集a的预测类别标注，进而得到数据集a中的忽略类别标注d、e。在得到数据集a的预测类别标注过程中，可将忽略类别标注d、e的预测权重调大以达到保证预测的准确率的效果。在实际的过程中，即使会造成一些误识别也没有影响，因为
误识别部分不会参与后续的数据集的融合和训练过程。同时将数据集a中的忽略类别标注d、e所表示的数据内容进行膨胀操作，扩大忽略类别标注d、e的数据范围，让d、e目标边缘处的目标也不参与训练，其中膨胀操作结果如图5中(3)所示。通过膨胀操作，避免忽略类别标注d、e边缘的数据在训练过程中产生的负面影响。如图5中(2)及(3)所示，经过膨胀操作后，图5(3)表示的忽略类别标注d、e区域会比图5(2)表示的实际的忽略类别标注d、e区域大一些。
[0051]
在本技术的一个实例中，在本技术的数据集标注生成方法中，第一数据集中第一类别标注可以为一个数据集的标注，也可以为多个数据集进行标注融合后的数据集的标注。
[0052]
图6示出了本技术数据集生成装置的一个具体实施方式。
[0053]
在该具体实施方式中，本技术的数据集生成装置包括：区别类别标注确定模块，其根据用于对一个第一数据集中数据的所有类别标注或者多个第一数据集中数据的所有融合后的类别标注进行表示的第一类别标注，以及用于对第二数据集中数据的所有类别标注进行表示的第二类别标注，确定包含于第一类别标注中但不包含于第二类别标注中的区别类别标注；以及忽略类别标注确定模块，当第二类别标注表示的语义范围与区别类别标注表示的语义范围存在交集时，对第二数据集中交集对应的数据内容，生成忽略类别标注。
[0054]
在本技术的一个具体实施方式中，本技术的数据集生成装置中的模块601和模块602可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。
[0055]
软件模块可驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可装卸盘、cd-rom或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器，使得处理器可从存储介质读取信息和向存储介质写入信息。
[0056]
处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)、现场可编程门阵列(英文：field programmable gate array，简称：fpga)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器，但在替代方案中，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如dsp与微处理器的组合、多个微处理器、结合dsp核心的一个或一个以上微处理器或任何其它此类配置。在替代方案中，存储介质可与处理器成一体式。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替代方案中，处理器和存储介质可作为离散组件驻留在用户终端中。
[0057]
图7示出了本技术的数据模型训练方法的一个具体实施方式。
[0058]
在图7所示的具体实施方式中，本技术的数据模型训练方法包括过程s701，获取第一数据集的目标第一数据集和第二数据集的目标第二数据集，包括：通过第一数据集和第二数据集分别训练得到第一训练模型和第二训练模型；将第一数据集通过第二训练模型训练和将第二数据集通过第一训练模型训练分别得到第一数据集的第一预测类别标注和第二数据集的第二预测类别标注，以及根据第一数据集的第一类别标注和第一预测类别标注和第二数据集的第二类别标注和第二预测类别标注分别得到目标第一数据集和目标第二数据集。
[0059]
在该具体实施方式中，根据本技术的数据集生成方法生成第一数据集对应的目标第一数据集和第二数据集对应的目标第二数据集。其中目标第一数据集中包括第一数据集中数据的所有类别标注的第一类别标注，以及根据第二数据集确定的忽略类别标注；目标第二数据集中包括第二数据集中数据的所有类别标注的第二类别标注，以及根据第一数据集确定的忽略类别标注。
[0060]
在图7所示的具体实施方式中，本技术的数据模型训练方法包括过程s702，将目标第一数据集和目标第二数据集进行融合得到第三数据集，通过第三数据集训练得到第三数据模型。
[0061]
在该具体实施方式中，将目标第一数据集和目标第二数据集进行融合，得到第三数据集，其中，第三数据集中包括目标第一数据集中的第一类别备注和忽略类别标注以及目标第二数据集中的第二类别标注和忽略类别标注。在对第三数据集训练得到第三数据模型时，采用第三数据集中不属于忽略类别标注的数据对数据模型进行训练得到第三数据模型。其中，将标注为忽略类别标注的数据排除在外，避免此类数据在模型训练过程中产生负面影响，提高目标数据模型的准确性。
[0062]
通过将各个数据集进行融合，在进行模型的训练，提高数据模型的泛化能力，避免了数据的丢失。另外，在各个数据集中行生成忽略类别标注，使具有忽略类别标注的数据不参与后续的模型训练过程，降低此类数据对训练模型的负面影响，提高训练出的数据模型的准确性以及鲁棒性。
[0063]
在本技术的一个具体实施方式中，一种计算机可读存储介质，其存储有计算机指令，计算机指令被操作以执行任一实施例描述的数据集生成方法。
[0064]
在本技术的一个具体实施方式中，一种计算机设备，其包括处理器和存储器，存储器存储有计算机指令，其中：处理器操作计算机指令以执行任一实施例描述的数据集生成方法。
[0065]
在本技术所提供的实施方式中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0066]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0067]
以上仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。