[發明專利]分類器訓練方法

在審

• 申請號: 201711482401.5
• 申請日: 2017-08-08
• 公開（公告）號: CN109389142A
• 公開（公告）日: 2019-02-26
• 發明（設計）人: 胡振程;王艷明;孫皓
• 申請（專利權）人: 上海為森車載傳感技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京謹誠君睿知識產權代理事務所(特殊普通合伙) 11538
• 代理人: 陸鑫;延慧

1.一種分類器訓練方法，其特征在于，所述分類器訓練方法包括以下步驟：

通過計算機圖形模型生成數據集，所述數據集包括多種場景類別的樣本；

按照預定比例將所述數據集中的樣本隨機分配到訓練集、驗證集和測試集中；

使用深度神經網絡訓練所述訓練集來得到多個初始模型；以及

利用所述驗證集對所述多個初始模型進行驗證，得到具有最優參數的訓練模型。

2.根據權利要求1所述的分類器訓練方法，其特征在于，在得到所述訓練模型之后，還包括：利用所述測試集測試所述訓練模型，分別得到各個場景類別的測試結果。

3.根據權利要求2所述的分類器訓練方法，其特征在于，在得到所述測試結果之后，所述分類器訓練方法還包括以下步驟：

將所述測試結果中最低正確率對應的場景類別的信息反饋給所述計算機圖形模型；

所述計算機圖形模型修改與該場景類別對應的參數，生成關于該場景類別的新樣本；以及

將所述新樣本添加到所述訓練集中。

4.根據權利要求3所述的分類器訓練方法，其特征在于，在將所述新樣本添加到所述訓練集中之后，重復深度神經網絡的訓練、所述驗證集的驗證、所述測試集的測試、最低正確率的反饋以及生成新樣本的處理，直到各個場景類別的測試結果的正確率都大于預定閾值為止。

5.根據權利要求3所述的分類器訓練方法，其特征在于，所述新樣本在所述訓練集中的比例為20％。

6.根據權利要求4所述的分類器訓練方法，其特征在于，重復所述深度神經網絡的訓練包括以下兩種方式中的任一種：

利用所述深度神經網絡重新訓練添加有所述新樣本的所述訓練集來得到新的訓練模型；

在所述深度神經網絡中，利用添加有所述新樣本的訓練集對先前訓練得到的訓練模型的模型參數進行微調來得到新的訓練模型。

7.根據權利要求1至6中任一項所述的分類器訓練方法，其特征在于，所述訓練集中的各場景類別樣本的初始比例相同。

8.根據權利要求1至6中任一項所述的分類器訓練方法，其特征在于，

所述訓練集和所述驗證集中還包括真實樣本。

9.根據權利要求1至6中任一項所述的分類器訓練方法，其特征在于，

所述訓練集、所述驗證集和所述測試集中還包括真實樣本。

10.根據權利要求1至6中任一項所述的分類器訓練方法，其特征在于，所述訓練集、所述驗證集和所述測試集中包括訓練目標的標定文件。

11.根據權利要求1至6中任一項所述的分類器訓練方法，其特征在于，所述多種場景類別包括晴天、陰天、雪天、雨天、白天、夜晚、強光等。