[發明專利]一種基于深度學習的機器學習識別方法

有效

• 申請號: 201810128005.0
• 申請日: 2018-02-08
• 公開（公告）號: CN108229588B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 張楊;徐傳運;許洲
• 申請（專利權）人: 重慶師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 黃河

1.一種基于深度學習的機器學習識別方法，其特征在于，包括如下步驟：

步驟一：獲取圖像數據作為訓練的多媒體數據，在多個不同已知類別的多媒體數據之中選取目標識別樣本和對比樣本，作為一個機器學習模型f₁的輸入，對機器學習模型f₁進行學習訓練；所述機器學習模型f₁為卷積神經網絡模型或全連接神經網絡模型，所選取的對比樣本包含兩個以上的不同類別的多個多媒體數據，且設置對比樣本輸入至機器學習模型f₁的輸入排列順序，并根據所述對比樣本輸入排列順序，將目標識別樣本與對比樣本以預設定的組合規則進行組合，由此形成保留有對比樣本輸入排列順序規則的多個數據樣本組合，再將各數據樣本組合按照所述對比樣本輸入排列順序規則排序構成一個數據向量，作為所述機器學習模型f₁的輸入向量，使得所述機器學習模型f₁輸出一個相應的結果向量；由此通過訓練學習，使得學習訓練所得的機器學習模型f₁輸出的結果向量中的每一個結果向量元素用以表征目標識別樣本與相應排列順序位置上的一個對比樣本所屬類別之間的相關性，從而能夠利用已知類別的多媒體數據樣本采用不同的對比樣本輸入排列順序對所述機器學習模型f₁進行多次的學習訓練；

步驟二：將圖像數據作為待識別的多媒體數據，利用學習訓練后的機器學習模型f₁對待識別多媒體數據進行類別識別，進而實現對圖像的分類識別。

2.根據權利要求1所述基于深度學習的機器學習識別方法，其特征在于，作為機器學習模型f₁輸入的目標識別樣本為一個或多個，且均屬于同一類別；

若作為機器學習模型f₁輸入的目標識別樣本為一個，在將目標識別樣本與對比樣本以預設定的組合規則進行組合時，所述預設定的組合規則為如下方式之中的一種：

組合規則方式①：將所述目標識別樣本分別與每一個對比樣本之間建立配對組合關系，分別進行配對組合；

組合規則方式②：先將各個對比樣本進行按類別劃分，然后將所述目標識別樣本分別與每一個類別的對比樣本之間建立組合關系，分別進行組合；

若作為機器學習模型f₁輸入的目標識別樣本為多個，在將目標識別樣本與對比樣本以預設定的組合規則進行組合時，所述預設定的組合規則為如下方式之中的一種：

組合規則方式a：將每一個目標識別樣本分別與每一個對比樣本之間建立配對組合關系，分別進行配對組合；

組合規則方式b：先將各個對比樣本進行按類別劃分，然后將每一個目標識別樣本分別與每一個類別的對比樣本之間建立組合關系，分別進行組合；

組合規則方式c：將全部目標識別樣本作為整體分別與每一個對比樣本之間建立配對組合關系，分別進行配對組合；

組合規則方式d：先將各個對比樣本進行按類別劃分，然后將全部目標識別樣本作為整體分別與每一個類別的對比樣本之間建立組合關系，分別進行組合。

3.根據權利要求1所述基于深度學習的機器學習識別方法，其特征在于，在對機器學習模型f₁進行學習訓練的過程中，所述目標識別樣本和對比樣本從預設的多媒體數據樣本庫中進行選取，每次選取所述多媒體數據樣本庫中所包含的一部分已知類別的多媒體數據作為目標識別樣本和對比樣本對機器學習模型f₁進行學習訓練，并分多次從所述多媒體數據樣本庫中選取目標識別樣本和對比樣本對機器學習模型f₁進行學習訓練，以保證目標識別樣本和對比樣本的選取遍歷所述多媒體數據樣本庫中所包含的各個多媒體數據類別，且針對多媒體數據樣本庫中的每個多媒體數據類別均執行了至少H次的對比樣本選取操作，H為與設定的訓練選取次數閾值。