本公开一般来说涉及图像分类，且特定来说涉及用于图像分类的自适应学习。
背景技术：
1、人工智能(ai)是用于不同计算系统中的许多任务的基本工具。ai通过机器、计算机系统、学习算法等等而模拟人类智能过程。智能过程可包括学习信息的获取及使用信息的规则、使用规则进行推理以实现近似或确定的结论以及自我校正。ai的特定应用包括专家系统、语音辨识、机器视觉、自主驾驶、内容递送网络中的智能路由、军事模拟等等。
2、在检验系统中、特定来说在旨在对物品或者物品、产品等等中的缺陷进行识别及分类的系统中，ai的使用已变得非常流行。ai技术已成为技术行业的重要部分，有助于解决制造过程中的许多挑战性问题。
技术实现思路
1、所公开标的物的一个示范性实施例是一种方法，其包括：获得一组分类模型，所述组分类模型中的每一者经配置以预测图像的标签，其中所述所预测标签指示所述图像的类别，其中所述组分类模型中的每一分类模型经配置以从同一组标签中预测标签；将所述组分类模型应用于图像的校准数据集上，借此为图像的所述校准数据集中的每一图像提供所预测标签的阵列，借此为所述校准数据集提供所预测标签的一组阵列；计算所述校准数据集上的所述组分类模型的不一致测量，其中所述不一致测量是基于所述校准数据集的所预测标签的所述组阵列而计算的，其中所述不一致测量受所述组分类模型中的分类模型的预测之间的差异影响；将所述组分类模型应用于图像的生产数据集上，借此为所述生产数据集提供所预测标签的一组阵列；计算所述组分类模型在所述生产数据集上的生产不一致测量；确定所述生产不一致测量与所述不一致测量之间的相似度测量；响应于所述相似度测量低于预定阈值，指示所述生产数据集中的数据漂移。
2、所公开标的物的另一示范性实施例是一种方法，其包括：获得图像数据集，其中所述图像数据集包括经排序多组图像，其中每一组图像包括在时间区间内获得的图像，其中所述组图像根据其相应时间区间进行排序；确定训练数据集，其中所述训练数据集包括来自所述图像数据集的图像，其中所述确定训练集包括：确定所述经排序多组图像的权重，其中每一组图像与权重相关联，其中至少两组图像与不同权重相关联；及从所述经排序多组图像中选择将由所述训练数据集包括的图像的子集，其中所述选择基于所述权重；以及使用所述训练数据集来训练分类模型。
3、所公开标的物的另一示范性实施例是一种具有处理器的计算机化设备，所述处理器适于执行以下步骤：获得一组分类模型，所述组分类模型中的每一者经配置以预测图像的标签，其中所述所预测标签指示所述图像的类别，其中所述组分类模型中的每一分类模型经配置以从同一组标签中预测标签；将所述组分类模型应用于图像的校准数据集上，借此为图像的所述校准数据集中的每一图像提供所预测标签的阵列，借此为所述校准数据集提供所预测标签的一组阵列；计算所述校准数据集上的所述组分类模型的不一致测量，其中所述不一致测量是基于所述校准数据集的所预测标签的所述组阵列而计算的，其中所述不一致测量受所述组分类模型中的分类模型的预测之间的差异影响；将所述组分类模型应用于图像的生产数据集上，借此为所述生产数据集提供所预测标签的一组阵列；计算所述组分类模型在所述生产数据集上的生产不一致测量；确定所述生产不一致测量与所述不一致测量之间的相似度测量；响应于所述相似度测量低于预定阈值，指示所述生产数据集中的数据漂移。
4、所公开标的物的另一示范性实施例是一种包括保持程序指令的非暂时性计算机可读存储媒体的计算机程序产品，所述程序指令在由处理器读取时致使所述处理器执行包括以下各项的方法：获得一组分类模型，所述组分类模型中的每一者经配置以预测图像的标签，其中所述所预测标签指示所述图像的类别，其中所述组分类模型中的每一分类模型经配置以从同一组标签中预测标签；将所述组分类模型应用于图像的校准数据集上，借此为图像的所述校准数据集中的每一图像提供所预测标签的阵列，借此为所述校准数据集提供所预测标签的一组阵列；计算所述校准数据集上的所述组分类模型的不一致测量，其中所述不一致测量是基于所述校准数据集的所预测标签的所述组阵列而计算的，其中所述不一致测量受所述组分类模型中的分类模型的预测之间的差异影响；将所述组分类模型应用于图像的生产数据集上，借此为所述生产数据集提供所预测标签的一组阵列；计算所述组分类模型在所述生产数据集上的生产不一致测量；确定所述生产不一致测量与所述不一致测量之间的相似度测量；响应于所述相似度测量低于预定阈值，指示所述生产数据集中的数据漂移。
5、所公开标的物的另一示范性实施例是一种具有处理器的计算机化设备，所述处理器适于执行以下步骤：获得图像数据集，其中所述图像数据集包括经排序多组图像，其中每一组图像包括在时间区间内获得的图像，其中所述组图像根据其相应时间区间进行排序；确定训练数据集，其中所述训练数据集包括来自所述图像数据集的图像，其中所述确定训练集包括：确定所述经排序多组图像的权重，其中每一组图像与权重相关联，其中至少两组图像与不同权重相关联；及从所述经排序多组图像中选择将由所述训练数据集包括的图像的子集，其中所述选择基于所述权重；以及使用所述训练数据集来训练分类模型。
6、所公开标的物的另一示范性实施例是一种包括保持程序指令的非暂时性计算机可读存储媒体的计算机程序产品，所述程序指令在由处理器读取时致使所述处理器执行包括以下各项的方法：获得图像数据集，其中所述图像数据集包括经排序多组图像，其中每一组图像包括在时间区间内获得的图像，其中所述组图像根据其相应时间区间进行排序；确定训练数据集，其中所述训练数据集包括来自所述图像数据集的图像，其中所述确定训练集包括：确定所述经排序多组图像的权重，其中每一组图像与权重相关联，其中至少两组图像与不同权重相关联；及从所述经排序多组图像中选择将由所述训练数据集包括的图像的子集，其中所述选择基于所述权重；以及使用所述训练数据集来训练分类模型。
1.一种方法，其包括：
2.根据权利要求1所述的方法，其中根据所述经排序多组图像的最后一组图像是生产数据集，其中在于生产中对未经标记图像应用所述分类模型期间获得所述生产数据集。
3.根据权利要求1所述的方法，其中所述权重是百分比，借此每一组图像与百分比相关联，其中通过根据由与每一组图像相关联的所述百分比定义的比率从所述每一组中选择所述组图像的部分而执行所述选择图像的所述子集。
4.根据权利要求1所述的方法，其中所述确定每一所选择组图像中将由所述训练数据集包括的图像的百分比包括：
5.根据权利要求1所述的方法，其中所述确定所述经排序多组图像的所述权重包括根据单调函数而确定所述权重。
6.根据权利要求5所述的方法，其中所述单调函数是从以下各项选择的非单值函数：
7.根据权利要求1所述的方法，其中所述确定所述经排序多组图像的所述权重包括：
8.根据权利要求7所述的方法，其中所述第二分类器的所述准确度测量与所述第一分类器的所述准确度测量相比的所述差异指示改进，其中所述第二组图像的所述权重与所述改进的测量相关。
9.根据权利要求7所述的方法，其中所述第二分类器的所述准确度测量与所述第一分类器的所述准确度测量相比的所述差异指示准确度的降低，其中所述第二组图像的所述权重是最低权重值，其中所述选择图像的所述子集包括避免从被指派有所述最低权重值的一组图像选择任何图像，借此丢弃所述第二组图像。
10.根据权利要求1所述的方法，其中基于函数f(x)而执行所述确定所述经排序多组图像的所述权重，其中所述方法进一步包括：
11.根据权利要求1所述的方法，其进一步包括：
12.根据权利要求11所述的方法，其中所述确定所述经排序多组图像的权重包括：基于所述准确度测量高于阈值而对所述第二子系列的所述组指派最低权重值，其中所述选择图像的所述子集包括：避免从被指派有所述最低权重值的一组图像选择任何图像，借此丢弃所述第二子系列。
13.根据权利要求11所述的方法，其中所述确定所述经排序多组图像的权重包括：对图像组的多个序列指派最低权重值，其中所述多个序列中的每一序列具有所述数目个组。
14.一种包括保持程序指令的非暂时性计算机可读存储媒体的计算机程序产品，所述计算机程序产品经配置以执行根据权利要求1所述的方法。
15.一种具有处理器的计算机化设备，所述处理器适于执行以下步骤：
