[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

公開了一種訓練分類模型的方法和裝置及分類方法。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分類模型進行訓練，以計算分類模型的分類損失；提取第一樣本集和第二樣本集中的每個樣本的權重向量和特征向量；計算第一樣本集中的所有樣本的權重向量的平均權重向量和第一樣本集中的所有樣本的特征向量的平均特征向量；基于第二樣本集中的每個樣本的權重向量與平均權重向量之間的差來計算權重損失，并且基于第二樣本集中的每個樣本的特征向量與平均特征向量之間的差來計算特征損失；基于特征損失和權重損失中的至少一個和分類損失來計算分類模型的總損失；以及基于總損失來調整分類模型的參數，直到滿足預定條件，以獲得經訓練的分類模型。

技術領域

本公開涉及信息處理領域，具體涉及一種訓練分類模型的方法和裝置以及分類方法。

背景技術

近年來，深度卷積神經網絡的快速發展極大地改善了圖像識別尤其是人臉識別的技術水平。除了不斷發展的架構外，大規模的訓練樣本集的收集在人臉識別中也起著至關重要的作用。然而，在現實世界中，人臉數據樣本通常呈現長尾分布。也就是說，只有一小部分人具有足夠的樣本，而對于其他大部分人來說，只有很少的樣本可用。使用這樣的呈現長尾分布的訓練樣本集對人臉識別模型進行訓練難以獲得識別性能好的模型，從而導致使用這樣的模型對人臉進行識別時不能取得較高的準確度。

發明內容

在下文中給出了關于本公開的簡要概述，以便提供關于本公開的某些方面的基本理解。但是，應當理解，這個概述并不是關于本公開的窮舉性概述。它并不是意圖用來確定本公開的關鍵性部分或重要部分，也不是意圖用來限定本公開的范圍。其目的僅僅是以簡化的形式給出關于本公開的某些概念，以此作為稍后給出的更詳細描述的前序。

鑒于以上問題，本公開的目的是提供能夠解決現有技術中的一個或多個缺點的訓練分類模型的方法和裝置以及分類方法。

根據本公開的一方面，提供了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。

根據本公開的另一方面，提供了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。

根據本公開的又一方面，提供了一種使用根據上述方法或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。

根據本公開的其它方面，還提供了用于實現上述根據本公開的方法的計算機程序代碼和計算機程序產品，以及其上記錄有該用于實現上述根據本公開的方法的計算機程序代碼的計算機可讀存儲介質。