[發(fā)明專利]訓(xùn)練分類器的方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010109899.6
• 申請(qǐng)日: 2020-02-23
• 公開（公告）號(hào): CN111382782A
• 公開（公告）日: 2020-07-07
• 發(fā)明（設(shè)計(jì)）人: 王碩;岳俊;劉健莊;田奇
• 申請(qǐng)（專利權(quán)）人: 華為技術(shù)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京龍雙利達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11329
• 代理人: 時(shí)林;王君

1.一種訓(xùn)練分類器的方法，其特征在于，包括：

獲取第一訓(xùn)練樣本，所述第一訓(xùn)練樣本包括相應(yīng)的語義標(biāo)簽；

獲取多個(gè)第二訓(xùn)練樣本，每個(gè)所述第二訓(xùn)練樣本包括相應(yīng)的語義標(biāo)簽；

根據(jù)所述第一訓(xùn)練樣本和所述多個(gè)第二訓(xùn)練樣本的語義相似度從所述多個(gè)第二訓(xùn)練樣本中確定目標(biāo)樣本；

根據(jù)所述第一訓(xùn)練樣本、所述目標(biāo)樣本、所述第一訓(xùn)練樣本和所述目標(biāo)樣本的語義相似度訓(xùn)練分類器。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述第一訓(xùn)練樣本、所述目標(biāo)樣本、所述第一訓(xùn)練樣本和所述目標(biāo)樣本的語義相似度訓(xùn)練分類器，包括：

通過所述分類器確定所述第一訓(xùn)練樣本的預(yù)測(cè)得分；

根據(jù)所述預(yù)測(cè)得分、所述第一訓(xùn)練樣本與所述目標(biāo)樣本的語義相似度確定所述分類器的語義遷移損失函數(shù)L_semantic，所述目標(biāo)樣本與所述第一訓(xùn)練樣本的語義相似度用于確定所述預(yù)測(cè)得分對(duì)所述L_semantic的影響程度；

根據(jù)所述L_semantic訓(xùn)練所述分類器。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，

當(dāng)所述目標(biāo)樣本與所述第一訓(xùn)練樣本的語義相似度大于等于語義遷移強(qiáng)度時(shí)，所述預(yù)測(cè)得分對(duì)所述L_semantic的影響程度為100％；

當(dāng)所述目標(biāo)樣本與所述第一訓(xùn)練樣本的語義相似度小于所述語義遷移強(qiáng)度時(shí)，所述預(yù)測(cè)得分對(duì)所述L_semantic的影響程度為0。

4.根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述第一訓(xùn)練樣本、所述目標(biāo)樣本、所述第一訓(xùn)練樣本和所述目標(biāo)樣本的語義相似度訓(xùn)練分類器，包括：

通過所述分類器確定所述第一訓(xùn)練樣本的預(yù)測(cè)得分Sⁿ；

通過所述分類器確定所述目標(biāo)訓(xùn)練樣本的預(yù)測(cè)得分S^b；

根據(jù)所述Sⁿ、所述S^b和平衡性學(xué)習(xí)強(qiáng)度確定所述分類器的平衡性學(xué)習(xí)損失函數(shù)L_IC，所述平衡性學(xué)習(xí)強(qiáng)度用于調(diào)整所述Sⁿ和所述S^b對(duì)所述L_IC的影響程度；

根據(jù)所述L_IC訓(xùn)練所述分類器。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述平衡性學(xué)習(xí)強(qiáng)度用于調(diào)整所述Sⁿ和所述S^b對(duì)所述L_IC的影響程度，包括：

所述平衡性學(xué)習(xí)強(qiáng)度用于增大所述Sⁿ對(duì)所述L_IC的影響程度，以及減小所述S^b對(duì)所述L_IC的影響程度。

6.根據(jù)權(quán)利要求1至5中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述第一訓(xùn)練樣本、所述目標(biāo)樣本、所述第一訓(xùn)練樣本和所述目標(biāo)樣本的語義相似度訓(xùn)練分類器，包括：

獲取所述第一訓(xùn)練樣本和所述目標(biāo)樣本的多視角特征；

根據(jù)所述多視角特征訓(xùn)練所述分類器。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述獲取所述第一訓(xùn)練樣本和所述目標(biāo)樣本的多視角特征，包括：

從所述第一訓(xùn)練樣本和所述目標(biāo)樣本中的每個(gè)樣本中分離出多個(gè)圖像，所述每個(gè)樣本的多個(gè)圖像的視角互不相同；

根據(jù)所述每個(gè)樣本的多個(gè)圖像獲取所述每個(gè)樣本的多個(gè)特征；

拼接所述每個(gè)樣本的所述多個(gè)特征得到所述多視角特征。

8.根據(jù)權(quán)利要求1至7中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述第一訓(xùn)練樣本、所述目標(biāo)樣本、所述第一訓(xùn)練樣本和所述目標(biāo)樣本的語義相似度訓(xùn)練分類器，包括：

通過所述分類器確定所述第一訓(xùn)練樣本的預(yù)測(cè)得分；

根據(jù)所述預(yù)測(cè)得分確定所述分類器的分類損失函數(shù)L_CE；

根據(jù)所述L_CE訓(xùn)練所述分類器。