数据集清洗方法、装置、电子设备和计算机可读介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及数据集清洗方法、装置、电子设备和计算机可读介质。


背景技术：

2.数据集清洗，是对数据集里的脏数据进行去脏或纠错，以提高数据集质量的一项技术。数据集的质量在很大程度上决定了图像分类模型进行图像分类的准确度。目前，在对含有脏数据的图像分类数据集进行清洗时，通常采用的方式为：通过人工审核去除或者纠正其中的脏数据。
3.然而，当采用上述方式进行数据集清洗时，经常会存在如下技术问题：
4.第一，数据集中的数据众多，人工审核会存在漏检、误检的情况，使得数据集中脏数据的比例较大，导致数据集质量较低；
5.第二，人工审核清洗脏数据的数据集清洗效率低；
6.第三，直接丢弃数据集中的脏数据，没有对数据集中的脏数据做进一步处理，导致部分虽然为脏数据、但可知其真实类别的数据流失；
7.第四，直接丢弃不确定的数据，没有对数据集中不确定是否为脏数据的数据做进一步处理，导致部分虽然目前不确定是否为脏数据、但在后续清洗过程中可能确定其真实类别的数据流失。


技术实现要素：

8.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
9.本公开的一些实施例提出了数据集清洗方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
10.第一方面，本公开的一些实施例提供了一种数据集清洗方法，该方法包括：获取训练图像样本初始集和验证图像样本集，其中，上述训练图像样本初始集中的训练图像样本包括训练图像和分类标签，上述验证图像样本集中的验证图像样本包括验证图像和分类标签；基于上述训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集；将上述初始图像分类模型确定为参照图像分类模型，以及将上述初始分类准确度的值确定为参照分类准确度的值，以及将上述训练图像样本初始集确定为训练图像样本参照集；利用训练图像样本集，执行以下训练步骤：利用训练图像样本集对原始图像分类模型进行训练，得到图像分类模型；确定图像分类模型对上述验证图像样本集的分类准确度；响应于确定分类准确度小于等于参照分类准确度，将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。
11.在一些实施例中，所述利用图像分类模型对训练图像样本集进行清洗，还包括：
12.响应于确定所述目标分类信息包括的分类标签与所述训练图像样本包括的分类标签不相同，且所述目标分类信息包括的分类概率大于等于设定的第一阈值，将所述训练图像样本包括的分类标签更新为所述目标分类信息包括的分类标签，以及将更新后的训练图像样本作为清洗训练图像样本加入清洗训练图像样本集，其中，所述第一阈值大于等于0.8。
13.在一些实施例中，所述利用图像分类模型对训练图像样本集进行清洗，还包括：
14.响应于确定所述目标分类信息包括的分类标签与所述训练图像样本包括的分类标签不相同，且所述目标分类信息包括的分类概率小于所述第一阈值，且所述训练图像样本包括的分类标签对应的分类概率大于等于设定的第二阈值，将所述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集，其中，所述第二阈值小于等于0.1。
15.第二方面，本公开的一些实施例提供了一种数据集清洗装置，装置包括：获取单元，被配置成获取训练图像样本初始集和验证图像样本集，其中，上述训练图像样本初始集中的训练图像样本包括训练图像和分类标签，上述验证图像样本集中的验证图像样本包括验证图像和分类标签；确定单元，被配置成基于上述训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集；转换单元，被配置成将上述初始图像分类模型确定为参照图像分类模型，以及将上述初始分类准确度的值确定为参照分类准确度的值，以及将上述训练图像样本初始集确定为训练图像样本参照集；训练单元，被配置成利用训练图像样本集，执行以下训练步骤：利用训练图像样本集对原始图像分类模型进行训练，得到图像分类模型；确定图像分类模型对上述验证图像样本集的分类准确度；响应于确定分类准确度小于等于参照分类准确度，将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。
16.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
17.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
18.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的数据集清洗方法，能够自动清洗数据集中的脏数据，提高清洗效率和数据集的质量，从而可以使用清洗后的数据集训练出可靠的图像分类模型。具体来说，造成数据集清洗效率低和脏数据含量较高的原因在于：数据集中的数据众多，人工审核速度慢且会存在漏检、误检的情况。基于此，本公开的一些实施例的数据集清洗方法，首先获取训练图像样本初始集和验证图像样本集，其中，上述训练图像样本初始集中的训练图像样本包括训练图像和分类标签，上述验证图像样本集中的验证图像样本包括验证图像和分类标签。然后，基于上述训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集。从而，确定了脏数据含量较高的原始数据集训练出的图像分类模型以及模型的分类准确度。接着，将上述初始图像分类模型确定为参照图像分类模型，以及将上述初始分类准确度的值确定为参照分类准确度的值，以及将上述训练图像样本初始集确定为训练图像样本参照集。从而，便于后续对比经过清洗后的数据集训练出的图像分类模型的准确度与原来的数据集训练出的图像分类模型的准确度。最后，利用训练图像样本集，执行以下训练步骤：利用训练图像样本
集对原始图像分类模型进行训练，得到图像分类模型；确定图像分类模型对上述验证图像样本集的分类准确度；响应于确定分类准确度小于等于参照分类准确度，将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。从而，经过对数据集的迭代清洗，可以快速选取出对图像的分类准确度最高的图像分类模型。由此，本公开的上述各个实施例可以快速地自动清洗图像分类数据集中的脏数据，提高清洗效率和数据集的质量，从而提高图像分类模型对图像的分类准确度。
附图说明
19.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
20.图1是本技术可以应用于其中的示例性系统架构图；
21.图2是根据本公开的数据集清洗方法的一些实施例的流程图；
22.图3是根据本公开的数据集清洗装置的一些实施例的结构示意图；
23.图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
24.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
25.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
26.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
27.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
28.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
29.下面将参考附图并结合实施例来详细说明本公开。
30.图1示出了可以应用本技术实施例的用于数据集清洗的方法和用于数据集清洗的装置的示例性系统架构100。
31.如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
32.用户106可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、网页浏览器和即时通讯工具等。
33.这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是
具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
34.当终端101、102为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户106可以利用终端101、102上的图像采集设备，来采集物品的图像。
35.数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有训练图像样本初始集和验证图像样本集。其中，上述训练图像样本初始集中的训练图像样本包括训练图像和分类标签，上述验证图像样本集中的验证图像样本包括验证图像和分类标签。这样，用户106也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。
36.服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的训练图像样本初始集中的训练图像样本，对初始图像分类模型进行迭代训练，并可以将训练结果(如输出的训练图像的类别标签)发送给终端101、102。这样，用户106可以应用输出的训练图像的类别标签。
37.这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
38.需要说明的是，本技术实施例所提供的用于数据集清洗的方法一般由服务器105执行。相应地，用于数据集清洗的装置一般也设置于服务器105中。
39.需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。
40.应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。
41.继续参考图2，示出了根据本公开的数据集清洗方法的一些实施例的流程200。该数据集清洗方法的流程200，可以包括以下步骤：
42.步骤201，获取训练图像样本初始集和验证图像样本集。
43.在一些实施例中，数据集清洗方法的执行主体(如图1所示的服务器105)可以通过多种方式来获取训练图像样本初始集和验证图像样本集。例如，上述执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的训练图像样本初始集和验证图像样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，上述执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成训练图像样本初始集和验证图像样本集。
44.其中，上述训练图像样本初始集中可以包括至少一个训练图像样本。上述训练图像样本可以包括训练图像和分类标签。上述训练图像中可以显示物品，上述分类标签可以
是上述物品的类别。例如，上述训练图像中的物品可以显示苹果，上述分类标签可以是苹果。验证图像样本集可以包含所有的分类标签，每个分类标签下可以包括至少一个验证图像。上述验证图像样本集中的验证图像样本包括验证图像和分类标签。上述验证图像中可以显示物品，上述分类标签可以是上述物品的类别。例如，上述验证图像中的物品可以显示梨，上述分类标签可以是梨。
45.步骤202，基于训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集。
46.在一些实施例中，上述执行主体基于训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集，可以包括以下步骤：
47.第一步，利用上述训练图像样本初始集对原始图像分类模型进行训练，得到初始图像分类模型。
48.其中，上述原始图像分类模型可以是多种结构的模型。例如，resnet(residual neural network，残差神经网络)和mobilenet(efficient convolutional neural networks for mobile vision applications，用于移动视觉应用的高效卷积神经网络)等。对此，本技术不做具体限定。
49.在一些实施例中，利用上述训练图像样本初始集对原始图像分类模型进行训练的方法可以有很多种。例如sgd(stochastic gradient descent，随机梯度下降)和adam(adaptive momentum estimation，适应性矩估计)等。对此，本技术不做具体限定。
50.第二步，确定上述初始图像分类模型对上述验证图像样本集的分类准确度，得到初始分类准确度。
51.在一些实施例中，可以将上述验证图像样本集中验证图像样本的验证图像输入上述初始图像分类模型，根据图像分类模型的输出结果来确定上述初始图像分类模型对上述验证图像样本集的分类准确度。例如，上述初始图像分类模型的输出结果共有m个，其中，上述输出结果中正确的有n(n≤m)个，则上述初始图像分类模型对上述验证图像样本集的分类准确度为
52.作为示例，上述初始图像分类模型的输出结果共有50个，其中，上述输出结果中正确的有38个，则上述初始图像分类模型对上述验证图像样本集的分类准确度为76％。
53.第三步，利用上述初始图像分类模型对上述训练图像样本初始集进行清洗，得到训练图像样本集。
54.在一些实施例中，利用初始图像分类模型对上述训练图像样本初始集进行清洗，得到训练图像样本集，可以包括以下步骤：
55.第一步，对训练图像样本初始集中的每个训练图像样本执行以下清洗步骤：
56.第一子步骤，将上述训练图像样本中的训练图像输入上述初始图像分类模型，得到分类信息组。
57.其中，上述分类信息组中的分类信息可以包括分类标签和分类概率。上述分类信息组中各个分类信息包括的分类概率之和为1。
58.作为示例，上述分类信息组中的分类信息可以是“苹果：0.81、梨：0.09、橙子：0.07和柿子：0.03”。
59.第二子步骤，从上述分类信息组中选择满足预设条件的分类信息作为目标分类信息。
60.其中，上述预设条件可以是分类信息包括的分类概率是上述分类信息组包括的分类概率中最大的分类概率。
61.作为示例，可以从分类信息组“苹果：0.81、梨：0.09、橙子：0.07和柿子：0.03”中选择分类信息“苹果：0.81”作为目标分类信息。
62.第三子步骤，响应于确定上述目标分类信息包括的分类标签与上述训练图像样本包括的分类标签相同，将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
63.作为示例，目标分类信息包括的分类标签为苹果，训练图像样本包括的分类标签也为苹果，则上述训练图像样本为干净的数据。将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
64.第四子步骤，响应于确定上述目标分类信息包括的分类标签与上述训练图像样本包括的分类标签不相同，且上述目标分类信息包括的分类概率大于等于设定的第一阈值，将上述训练图像样本包括的分类标签更新为上述目标分类信息包括的分类标签，以及将更新后的训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
65.其中，上述第一阈值越大，将上述训练图像样本包括的分类标签更新为上述目标分类信息包括的分类标签是正确的可能性越大，一般可以设置第一阈值为大于等于0.8的数值。
66.作为示例，目标分类信息为“苹果：0.81”。其中，目标分类信息包括的分类标签为苹果，目标分类信息包括的分类概率为0.81。训练图像样本包括的分类标签为梨。设定的第一阈值为0.8。则上述训练图像样本为脏数据，且真实分类标签为苹果。将上述训练图像样本包括的分类标签更新为苹果，以及将更新后的训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
67.上述第四子步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“直接丢弃数据集中的脏数据，没有对数据集中的脏数据做进一步处理，导致部分虽然为脏数据、但可知其真实类别的数据流失”。进一步导致部分虽然为脏数据、但可知其真实类别的数据流失的因素如下：没有对这部分数据做进一步处理。如果解决了上述因素，就能达到减少数据流失的效果。为了达到这一效果，本公开将确定为脏数据、且知其真实分类标签的训练图像样本包括的分类标签更新为目标分类信息包括的分类标签，从而可以将脏数据的类别更改为真实的类别。因此，可以减少数据的流失。
68.第五子步骤，响应于确定上述目标分类信息包括的分类标签与上述训练图像样本包括的分类标签不相同，且上述目标分类信息包括的分类概率小于上述第一阈值，且上述训练图像样本包括的分类标签对应的分类概率大于等于设定的第二阈值，将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
69.其中，上述第二阈值越小，剔除的训练图像样本是真正的脏数据的可能性越大，一般可以设置第二阈值为小于等于0.1。
70.作为示例，目标分类信息为“西红柿：0.56”。其中，目标分类信息包括的分类标签为西红柿，目标分类信息包括的分类概率为0.56。训练图像样本包括的分类标签为梨，分类
概率为0.61。设定的第一阈值为0.8。设定的第二阈值为0.1。则不能确定上述训练图像样本是否为脏数据。将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
71.上述第五子步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题四“直接丢弃不确定的数据，没有对数据集中不确定是否为脏数据的数据做进一步处理，导致部分虽然目前不确定是否为脏数据、但在后续清洗过程中可能确定其真实类别的数据流失”。进一步导致部分虽然目前不确定是否为脏数据、但在后续清洗过程中可能确定其真实类别的数据流失的因素如下：没有对这部分数据做进一步处理。如果解决了上述因素，就能达到减少数据流失的效果。为了达到这一效果，本公开将不确定是否为脏数据的数据加入清洗训练图像样本集，从而可以在下一次的清洗中进一步确定。因此，可以减少数据的流失。
72.第二步，确定清洗训练图像样本集为训练图像样本集。
73.其中，上述训练图像样本集中可以包括干净的数据、将错误的分类标签更新为真实分类标签的训练图像样本和不确定的训练图像样本。
74.步骤203，将初始图像分类模型确定为参照图像分类模型，以及将初始分类准确度的值确定为参照分类准确度的值，以及将训练图像样本初始集确定为训练图像样本参照集。
75.在一些实施例中，上述执行主体可以将上述初始图像分类模型确定为参照图像分类模型，以及将上述初始分类准确度的值确定为参照分类准确度的值，以及将上述训练图像样本初始集确定为训练图像样本参照集。
76.步骤204，利用训练图像样本集，执行训练步骤。
77.在一些实施例中，上述执行主体可以利用训练图像样本集，执行以下训练步骤：
78.步骤2041，上述执行主体可以利用训练图像样本集对原始图像分类模型进行训练，得到图像分类模型。
79.其中，上述原始图像分类模型可以是多种结构的模型。例如，resnet(residual neural network，残差神经网络)和mobilenet(efficient convolutional neural networks for mobile vision applications，用于移动视觉应用的高效卷积神经网络)等。对此，本技术不做具体限定。
80.在一些实施例中，利用训练图像样本集对原始图像分类模型进行训练的方法可以有很多种。例如sgd和adam。对此，本技术不做具体限定。
81.步骤2042，确定图像分类模型对验证图像样本集的分类准确度。
82.在一些实施例中，上述执行主体可以确定图像分类模型对验证图像样本集的分类准确度。
83.在一些实施例中，可以将上述验证图像样本集中验证图像样本的验证图像输入上述初始图像分类模型，根据图像分类模型的输出结果来确定上述初始图像分类模型对上述验证图像样本集的分类准确度。例如，上述初始图像分类模型的输出结果共有m个，其中，上述输出结果中正确的有n(n≤m)个，则上述初始图像分类模型对上述验证图像样本集的分类准确度为
84.作为示例，上述初始图像分类模型的输出结果共有50个，其中，上述输出结果中正
确的有43个，则上述初始图像分类模型对上述验证图像样本集的分类准确度为86％。
85.步骤2043，响应于确定分类准确度小于等于参照分类准确度，将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。
86.在一些实施例中，响应于确定分类准确度小于等于参照分类准确度，上述执行主体可以将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。
87.作为示例，分类准确度的值为0.83，参照分类准确度的值为0.85，可以确定分类准确度小于等于参照分类准确度。
88.可选地，响应于确定分类准确度大于参照分类准确度，将训练图像样本集作为训练图像样本参照集，利用图像分类模型对训练图像样本集进行清洗，将清洗后的训练图像样本集作为训练图像样本集，将图像分类模型作为参照图像分类模型，以及将参照分类准确度的值更新为分类准确度的值，继续执行上述训练步骤204。
89.作为示例，分类准确度的值为0.87，参照分类准确度的值为0.85，可以确定分类准确度大于初始分类准确度。
90.在一些实施例中，利用图像分类模型对训练图像样本集进行清洗，可以包括以下步骤：
91.第一步，对训练图像样本集中的每个训练图像样本执行以下清洗步骤：
92.第一子步骤，将上述训练图像样本中的训练图像输入上述图像分类模型，得到分类信息组。
93.其中，上述分类信息组中的分类信息可以包括分类标签和分类概率。上述分类信息组中各个分类信息包括的分类概率之和为1。
94.作为示例，上述分类信息组中的分类信息可以是“苹果：0.81、梨：0.09、橙子：0.07和柿子：0.03”。
95.第二子步骤，从上述分类信息组中选择满足预设条件的分类信息作为目标分类信息。
96.其中，上述预设条件可以是分类信息包括的分类概率是上述分类信息组包括的分类概率中最大的分类概率。
97.作为示例，从分类信息组“苹果：0.81、梨：0.09、橙子：0.07和柿子：0.03”中选择分类信息“苹果：0.81”作为目标分类信息。
98.第三子步骤，响应于确定上述目标分类信息包括的分类标签与上述训练图像样本包括的分类标签相同，将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
99.作为示例，目标分类信息包括的分类标签为苹果，训练图像样本包括的分类标签也为苹果，则上述训练图像样本为干净的数据。将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
100.第四子步骤，响应于确定上述目标分类信息包括的分类标签与上述训练图像样本包括的分类标签不相同，且上述目标分类信息包括的分类概率大于等于设定的第一阈值，将上述训练图像样本包括的分类标签更新为上述目标分类信息包括的分类标签，以及将更新后的训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
101.其中，上述第一阈值越大，将上述训练图像样本包括的分类标签更新为上述目标分类信息包括的分类标签是正确的可能性越大，一般可以设置第一阈值为大于等于0.8。
102.作为示例，目标分类信息为“苹果：0.81”。其中，目标分类信息包括的分类标签为苹果，目标分类信息包括的分类概率为0.81。训练图像样本包括的分类标签为梨。设定的第一阈值为0.8。则上述训练图像样本为脏数据，且真实分类标签为苹果。将上述训练图像样本包括的分类标签更新为苹果，以及将更新后的训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
103.第五子步骤，响应于确定上述目标分类信息包括的分类标签与上述训练图像样本包括的分类标签不相同，且上述目标分类信息包括的分类概率小于上述第一阈值，且上述训练图像样本包括的分类标签对应的分类概率大于等于设定的第二阈值，将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
104.其中，上述第二阈值越小，剔除的脏数据是真正的脏数据的可能性越大，一般可以设置第二阈值为小于等于0.1。
105.作为示例，目标分类信息为“西红柿：0.56”。其中，目标分类信息包括的分类标签为西红柿，目标分类信息包括的分类概率为0.56。训练图像样本包括的分类标签为梨，分类概率为0.61。设定的第一阈值为0.8。设定的第二阈值为0.1。则不能确定上述训练图像样本是否为脏数据。将上述训练图像样本作为清洗训练图像样本加入清洗训练图像样本集。
106.第二步，确定清洗训练图像样本集为清洗后的训练图像样本集。
107.其中，上述训练图像样本集中可以包括干净的数据、将错误的分类标签更新为真实分类标签的训练图像样本和不确定的训练图像样本。
108.由此，这些实施例描述的方案可以自动清洗原始图像分类数据集中的脏数据，提高清洗效率和数据集的质量，从而提升图像分类模型的分类准确度。
109.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的数据集清洗方法，能够自动清洗数据集中的脏数据，提高清洗效率和数据集的质量，从而可以使用清洗后的数据集训练出可靠的图像分类模型。具体来说，造成数据集清洗效率低和脏数据含量较高的原因在于：数据集中的数据众多，人工审核速度慢且会存在漏检、误检的情况。基于此，本公开的一些实施例的数据集清洗方法，首先获取训练图像样本初始集和验证图像样本集，其中，上述训练图像样本初始集中的训练图像样本包括训练图像和分类标签，上述验证图像样本集中的验证图像样本包括验证图像和分类标签。然后，基于上述训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集。从而，确定了脏数据含量较高的原始数据集训练出的图像分类模型以及模型的分类准确度。接着，将上述初始图像分类模型确定为参照图像分类模型，以及将上述初始分类准确度的值确定为参照分类准确度的值，以及将上述训练图像样本初始集确定为训练图像样本参照集。从而，便于后续对比经过清洗后的数据集训练出的图像分类模型的准确度与原来的数据集训练出的图像分类模型的准确度。最后，利用训练图像样本集，执行以下训练步骤：利用训练图像样本集对原始图像分类模型进行训练，得到图像分类模型；确定图像分类模型对上述验证图像样本集的分类准确度；响应于确定分类准确度小于等于参照分类准确度，将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。从而，经过对数据集的迭代清洗，可以快速选取出对图像的分类准确度最高的图像分类模
型。由此，本公开的上述各个实施例可以快速地自动清洗图像分类数据集中的脏数据，提高清洗效率和数据集的质量，从而提高图像分类模型对图像的分类准确度。
110.进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种数据集清洗装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
111.如图3所示，一些实施例的数据集清洗装置300包括：获取单元301、确定单元302、转换单元303和训练单元304。其中，获取单元301，被配置成获取训练图像样本初始集和验证图像样本集，其中，上述训练图像样本初始集中的训练图像样本包括训练图像和分类标签，上述验证图像样本集中的验证图像样本包括验证图像和分类标签；确定单元302，被配置成基于上述训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集；转换单元303，被配置成将上述初始图像分类模型确定为参照图像分类模型，以及将上述初始分类准确度的值确定为参照分类准确度的值，以及将上述训练图像样本初始集确定为训练图像样本参照集；训练单元304，被配置成利用上述训练图像样本集，执行以下训练步骤：利用训练图像样本集对原始图像分类模型进行训练，得到图像分类模型；确定图像分类模型对上述验证图像样本集的分类准确度；响应于确定分类准确度小于等于参照分类准确度，将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。
112.可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
113.下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备400(例如图1中的电子设备)的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
114.如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、rom 402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
115.通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
116.特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从
存储装置408被安装，或者从rom 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
117.需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
118.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
119.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练图像样本初始集和验证图像样本集，其中，上述训练图像样本初始集中的训练图像样本包括训练图像和分类标签，上述验证图像样本集中的验证图像样本包括验证图像和分类标签；利用上述训练图像样本初始集确定初始图像分类模型、初始分类准确度和训练图像样本集；将初始图像分类模型确定为参照图像分类模型，以及将初始分类准确度的值确定为参照分类准确度的值，以及将训练图像样本初始集确定为训练图像样本参照集；利用上述训练图像样本集，执行以下训练步骤：利用训练图像样本集对原始图像分类模型进行训练，得到图像分类模型；确定图像分类模型对上述验证图像样本集的分类准确度；响应于确定分类准确度小于等于参照分类准确度，将参照图像分类模型确定为目标图像分类模型，以及将训练图像样本参照集确定为目标训练图像样本集。
120.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或
服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
121.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
122.描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元、转换单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取训练图像样本初始集和验证图像样本集的单元”。
123.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。