[發明專利]訓練分類模型的方法和裝置及分類方法

在審

• 申請號: 201911119156.0
• 申請日: 2019-11-15
• 公開（公告）號: CN112819020A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 張夢;李斐;劉汝杰
• 申請（專利權）人: 富士通株式會社
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 康建峰;陳煒

1.一種訓練分類模型的方法，包括：

使用第一樣本集和第二樣本集對所述分類模型進行訓練，以計算所述分類模型的分類損失；

提取所述第一樣本集和所述第二樣本集中的每個樣本的權重向量和特征向量；

計算所述第一樣本集中的所有樣本的權重向量的平均權重向量以及所述第一樣本集中的所有樣本的特征向量的平均特征向量；

基于所述第二樣本集中的每個樣本的權重向量與所述平均權重向量之間的差來計算權重損失，并且基于所述第二樣本集中的每個樣本的特征向量與所述平均特征向量之間的差來計算特征損失；

基于所述特征損失和所述權重損失中的至少一個以及所述分類損失來計算所述分類模型的總損失；以及

基于所述總損失來調整所述分類模型的參數，直到滿足預定條件，以獲得經訓練的分類模型。

2.根據權利要求1所述的方法，其中，所述權重損失和所述平均權重向量分別基于下式來計算：

其中，L_{W_up}表示所述權重損失，C_l表示所述第二樣本集，w_i表示所述第二樣本集中的第i個樣本的權重向量，w_mean表示所述平均權重向量，C_h表示所述第一樣本集，m表示所述第一樣本集中的第一樣本的數目，w_j表示所述第一樣本集中的第j個樣本的權重向量。

3.根據權利要求1所述的方法，其中，所述特征損失和所述平均特征向量分別基于下式來計算：

其中，L_{F_up}表示所述特征損失，C_l表示所述第二樣本集，f_i表示所述第二樣本集中的第i個樣本的特征向量，f_mean表示所述平均特征向量，C_h表示所述第一樣本集，m表示所述第一樣本集中的第一樣本的數目，f_j表示所述第一樣本集中的第j個樣本的特征向量。

4.根據權利要求1所述的方法，其中，所述第一樣本集包括頭部數據樣本集，以及所述第二樣本集包括長尾數據樣本集。

5.根據權利要求1所述的方法，其中，所述分類損失包括Softmax損失。

6.根據權利要求1所述的方法，其中，所述預定條件包括所述總損失達到預定值或所述訓練的次數達到預定次數。

7.根據權利要求1所述的方法，其中，所述分類模型包括基于神經網絡的模型。

8.一種訓練分類模型的裝置，包括：

訓練單元，被配置成使用第一樣本集和第二樣本集對所述分類模型進行訓練，以計算所述分類模型的分類損失；

向量提取單元，被配置成提取所述第一樣本集和所述第二樣本集中的每個樣本的權重向量和特征向量；

平均向量計算單元，被配置成計算所述第一樣本集中的所有樣本的權重向量的平均權重向量以及所述第一樣本集中的所有樣本的特征向量的平均特征向量；

損失計算單元，被配置成基于所述第二樣本集中的每個樣本的權重向量與所述平均權重向量之間的差來計算權重損失，并且基于所述第二樣本集中的每個樣本的特征向量與所述平均特征向量之間的差來計算特征損失；

總損失計算單元，被配置成基于所述特征損失和所述權重損失中的至少一個以及所述分類損失來計算所述分類模型的總損失；以及

調整單元，被配置成基于所述總損失來調整所述分類模型的參數，直到滿足預定條件，以獲得經訓練的分類模型。

9.根據權利要求8所述的裝置，其中，所述第一樣本集包括頭部數據樣本集，以及所述第二樣本集包括長尾數據樣本集。

10.一種使用根據權利要求1至7中任一項所述的方法或根據權利要求8至9中任一項所述的裝置進行訓練所獲得的分類模型對待分類對象進行分類的分類方法，包括：

將所述待分類對象輸入到所述分類模型中，并且基于所述分類模型的特征提取層中至少之一的輸出對所述待分類對象進行分類。