[發明專利]一種分類訓練方法、裝置及存儲介質

有效

• 申請號: 201711322612.2
• 申請日: 2017-12-12
• 公開（公告）號: CN108090508B
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 黃飛;馬林;劉威
• 申請（專利權）人: 騰訊科技(深圳)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 44300 深圳翼盛智成知識產權事務所(普通合伙)
• 代理人: 黃威

1.一種分類訓練方法，其特征在于，包括：

確定草圖分類模型，所述草圖分類模型中包括第一特征提取模塊和第一分類模塊；及確定對第二特征提取模塊的輸出結果進行分析的第二特征分析模型，所述第二特征提取模塊屬于真實圖分類模型；

選定訓練集，所述訓練集包括多個類別的草圖；

根據所述草圖分類模型確定所述訓練集中草圖的類別得到第一類別處理結果；根據所述第二特征分析模型，對第一特征提取模塊提取的所述草圖的特征進行分析得到第二草圖特征分析結果；

根據所述第一類別處理結果及第二草圖特征分析結果，計算所述草圖分類模型的第一損失函數的函數值；

根據所述第一損失函數的函數值調整所述草圖分類模型中的第一固定參數值。

2.如權利要求1所述的方法，其特征在于，所述訓練集中還包括相應類別的真實圖，所述方法還包括：

確定真實圖分類模型，所述真實圖分類模型包括第二特征提取模塊和第二分類模塊；

在所述真實圖分類模型確定所述真實圖的類別時，根據所述第二特征分析模型，對所述第二特征提取模塊提取的所述真實圖的特征進行分析得到第一真實圖特征分析結果；

根據所述第一真實圖特征分析結果和第二草圖特征分析結果，計算所述第二特征分析模型的第二對抗損失函數的函數值；

根據所述第二對抗損失函數的函數值調整所述第二特征分析模型的固定參數值。

3.如權利要求2所述的方法，其特征在于，所述確定草圖分類模型和真實圖分類模型，具體包括：

確定草圖分類的初始模型和真實圖分類的初始模型，及確定已標記類別的草圖和已標記類別的真實圖；

根據所述草圖分類的初始模型確定所述已標記類別的草圖的類別，根據所述真實圖分類的初始模型確定所述已標記類別的真實圖的類別，得到初始分類結果；

根據所述初始分類結果計算與所述草圖分類的初始模型相關的第三損失函數的函數值，及與所述真實圖分類的初始模型相關的第四損失函數的函數值，并根據所述第三損失函數的函數值調整所述草圖分類的初始模型，根據所述第四損失函數的函數值調整所述真實圖分類的初始模型中的固定參數值，以得到所述草圖分類模型和真實圖分類模型。

4.如權利要求2所述的方法，其特征在于，所述方法還包括：

確定對所述第一特征提取模塊的輸出結果進行分析的第一特征分析模型；

根據所述真實圖分類模型確定所述訓練集中的真實圖的類別得到第二類別處理結果；根據所述第一特征分析模型，對第二特征提取模塊提取的所述真實圖的特征進行分析得到第二真實圖特征分析結果；

根據所述第二類別處理結果及第二真實圖特征分析結果，計算所述真實圖分類模型的第二損失函數的函數值；

根據所述第二損失函數的函數值調整所述真實圖分類模型中的第二固定參數值。

5.如權利要求4所述的方法，其特征在于，所述方法還包括：

根據所述第一特征分析模型，對所述第一特征提取模塊提取的所述草圖的特征進行分析得到第一草圖特征分析結果；

根據所述第一草圖特征分析結果和第二真實圖特征分析結果，計算所述第一特征分析模型的第一對抗損失函數的函數值；

根據所述第一對抗損失函數的函數值調整所述第一特征分析模型的固定參數值。

6.如權利要求2至5任一項所述的方法，其特征在于，所述方法還包括：

如果對所述第一固定參數值的調整不滿足預置的停止條件時，針對調整所述第一固定參數值后的草圖分類模型，執行得到所述第一類別處理結果和第二草圖特征分析結果，計算所述草圖分類模型的第一損失函數的函數值及調整所述第一固定參數值的。

7.如權利要求6所述的方法，其特征在于，所述預置的停止條件包括如下條件中的任何一個：

當前調整的第一固定參數值與上一次調整的第一固定參數值的第一差值小于第一閾值；對所述第一固定參數值的調整次數達到預置次數。