[發(fā)明專利]分類模型訓(xùn)練方法、裝置及分類方法及裝置

有效

• 申請?zhí)枺?/td>: 201810098964.2
• 申請日: 2018-01-31
• 公開（公告）號: CN108304876B
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 孫源良;樊雨茂;劉萌
• 申請（專利權(quán)）人: 國信優(yōu)易數(shù)據(jù)股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02
• 代理公司: 北京超凡志成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 王術(shù)蘭

1.一種分類模型訓(xùn)練方法，其特征在于，該方法包括：

獲取攜帶標(biāo)簽的源域數(shù)據(jù)以及未攜帶標(biāo)簽的目標(biāo)域數(shù)據(jù)，其中，所述源域數(shù)據(jù)包括樣本人臉圖像、樣本視頻以及樣本語言詞匯中的至少一種，當(dāng)所述源域數(shù)據(jù)為樣本人臉圖像時(shí)，所述目標(biāo)域數(shù)據(jù)為目標(biāo)人臉圖像，當(dāng)所述源域數(shù)據(jù)為樣本視頻時(shí)，所述目標(biāo)域數(shù)據(jù)為目標(biāo)視頻，當(dāng)所述源域數(shù)據(jù)為樣本語言詞匯時(shí)，所述目標(biāo)域數(shù)據(jù)為目標(biāo)語言詞匯；

將所述源域數(shù)據(jù)以及所述目標(biāo)域數(shù)據(jù)輸入第一神經(jīng)網(wǎng)絡(luò)，提取所述源域數(shù)據(jù)的第一源域特征向量，以及提取所述目標(biāo)域數(shù)據(jù)的第一目標(biāo)域特征向量；并

對所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)進(jìn)行共有特征捕捉，使所述第一目標(biāo)域特征向量學(xué)習(xí)所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)的共有特征；并

將所述第一源域特征向量輸入第一分類器得到第一分類結(jié)果；

將所述源域數(shù)據(jù)以及所述目標(biāo)域數(shù)據(jù)輸入第二神經(jīng)網(wǎng)絡(luò)，提取所述目標(biāo)域數(shù)據(jù)的第二目標(biāo)域特征向量；并

對所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)進(jìn)行差異性特征捕捉，使所述第二目標(biāo)域特征向量學(xué)習(xí)所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)的差異特征；

分別對所述第一目標(biāo)域特征向量以及所述第二目標(biāo)域特征向量進(jìn)行聚類；

根據(jù)聚類的結(jié)果，以及所述第一分類結(jié)果，對所述第一神經(jīng)網(wǎng)絡(luò)以及所述第一分類器進(jìn)行本輪訓(xùn)練；

經(jīng)過對所述第一神經(jīng)網(wǎng)絡(luò)和所述第一分類器進(jìn)行多輪訓(xùn)練，得到分類模型；

采用如下方式對所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)進(jìn)行共有特征捕捉：

提取所述源域數(shù)據(jù)提取的第一源域特征向量，并在提取所述目標(biāo)域數(shù)據(jù)提取的第一目標(biāo)域特征向量之后，將所述第一源域特征向量和所述第一目標(biāo)域特征向量進(jìn)行梯度反向處理；

將進(jìn)行梯度反向處理的第一源域特征向量和第一目標(biāo)域特征向量輸入第一域分類器；

根據(jù)所述第一域分類器對第一源域特征向量以及第一目標(biāo)域特征向量分別表征的所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)的域分類結(jié)果，對所述第一神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)整；

在所述將所述源域數(shù)據(jù)以及所述目標(biāo)域數(shù)據(jù)輸入第二神經(jīng)網(wǎng)絡(luò)，對所述源域數(shù)據(jù)以及所述目標(biāo)域數(shù)據(jù)進(jìn)行特征學(xué)習(xí)后，還包括：

為所述源域數(shù)據(jù)提取第二源域特征向量；

采用如下方式對所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)進(jìn)行差異性特征捕捉：

將所述第二源域特征向量和第二目標(biāo)域特征向量輸入第二域分類器；

根據(jù)所述第二域分類器的對第二源域特征向量以及第二目標(biāo)域特征向量分別表征的所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)的域分類結(jié)果，對所述第二神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)整；

其中，所述根據(jù)聚類的結(jié)果，以及所述的第一分類結(jié)果，對所述第一神經(jīng)網(wǎng)絡(luò)以及所述第一分類器進(jìn)行本輪訓(xùn)練，具體包括：

根據(jù)對所述第一目標(biāo)域特征向量進(jìn)行聚類的結(jié)果，生成第一鄰接矩陣；

根據(jù)對所述第二目標(biāo)域特征向量進(jìn)行聚類的結(jié)果，生成第二鄰接矩陣；

根據(jù)所述第一鄰接矩陣以及第二鄰接矩陣之間的相似度，以及所述的第一分類結(jié)果，對所述第一神經(jīng)網(wǎng)絡(luò)以及所述第一分類器進(jìn)行本輪訓(xùn)練；

所述根據(jù)所述第一鄰接矩陣以及第二鄰接矩陣之間的相似度，以及所述的第一分類結(jié)果，對所述第一神經(jīng)網(wǎng)絡(luò)以及所述第一分類器進(jìn)行本輪訓(xùn)練，具體包括：

執(zhí)行如下相似度計(jì)算操作以及分類操作，直至第一鄰接矩陣和第二鄰接矩陣之間的相似度小于預(yù)設(shè)的相似度閾值，以及得到的第一分類結(jié)果正確，則完成基于第二神經(jīng)網(wǎng)絡(luò)對所述第一神經(jīng)網(wǎng)絡(luò)和所述第一分類器的本輪訓(xùn)練；

所述相似度計(jì)算操作包括：

計(jì)算當(dāng)前得到的第一鄰接矩陣和第二鄰接矩陣之間的相似度；

針對相似度不小于預(yù)設(shè)的相似度閾值的情況，生成第一反饋信息，并基于所述第一反饋信息對所述第一神經(jīng)網(wǎng)絡(luò)和所述第二神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)整；

基于調(diào)整后的參數(shù)，使用第一神經(jīng)網(wǎng)絡(luò)提取所述目標(biāo)域數(shù)提取對應(yīng)的新的第一目標(biāo)域特征向量，以及使用第二神經(jīng)網(wǎng)絡(luò)提取所述目標(biāo)域數(shù)據(jù)對應(yīng)的新的第二目標(biāo)域特征向量；

對新的第一目標(biāo)域特征向量進(jìn)行聚類，生成新的第一鄰接矩陣，以及，對新的第二目標(biāo)域特征向量進(jìn)行聚類，生成新的第二鄰接矩陣，并再次執(zhí)行所述相似度計(jì)算操作；

所述分類操作包括：

使用所述第一分類器對當(dāng)前提取的所述第一源域特征向量進(jìn)行分類；

針對分類結(jié)果錯(cuò)誤的情況，生成第二反饋信息，并將于所述第二反饋信息，對所述第一神經(jīng)網(wǎng)絡(luò)以及所述第一分類器的參數(shù)進(jìn)行調(diào)整；

基于調(diào)整后的參數(shù)，使用第一神經(jīng)網(wǎng)絡(luò)為所述源域數(shù)據(jù)提取新的第一源域特征向量，并再次執(zhí)行所述分類操作；

獲取待分類數(shù)據(jù)；

將所述待分類數(shù)據(jù)輸入至所述分類模型中，得到所述待分類數(shù)據(jù)的分類結(jié)果。