[發(fā)明專利]分類模型的融合方法、裝置及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010113360.8
• 申請(qǐng)日: 2020-02-24
• 公開(kāi)（公告）號(hào): CN111275133B
• 公開(kāi)（公告）日: 2023-09-29
• 發(fā)明（設(shè)計(jì)）人: 路澤;肖萬(wàn)鵬;鞠奇
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06V10/80
• 分類號(hào): G06V10/80;G06V10/764;G06V10/82;G06N3/084
• 代理公司: 北京派特恩知識(shí)產(chǎn)權(quán)代理有限公司 11270
• 代理人: 王花麗;張穎玲

本發(fā)明提供了一種分類模型的融合方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)；方法包括：通過(guò)第一分類模型對(duì)第二訓(xùn)練樣本進(jìn)行第一類別的分類預(yù)測(cè)，得到對(duì)應(yīng)第二訓(xùn)練樣本的第一分類結(jié)果；通過(guò)第二分類模型對(duì)第一訓(xùn)練樣本進(jìn)行第二類別的分類預(yù)測(cè)，得到對(duì)應(yīng)第一訓(xùn)練樣本的第二分類結(jié)果；以第一分類結(jié)果作為第二訓(xùn)練樣本的第三標(biāo)簽，對(duì)第二訓(xùn)練樣本進(jìn)行標(biāo)注，并以第二分類結(jié)果作為第一訓(xùn)練樣本的第四標(biāo)簽，對(duì)第一訓(xùn)練樣本進(jìn)行標(biāo)注；基于標(biāo)注有第一標(biāo)簽及第四標(biāo)簽的第一訓(xùn)練樣本，及標(biāo)注有第二標(biāo)簽及第三標(biāo)簽的第二訓(xùn)練樣本，訓(xùn)練第一融合分類模型；通過(guò)本發(fā)明，能夠?qū)崿F(xiàn)不同任務(wù)類別的分類模型的快速融合，提高融合分類模型的分類精度及性能。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種分類模型的融合方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

人工智能技術(shù)是一門綜合學(xué)科，涉及領(lǐng)域廣泛，既有硬件層面的技術(shù)也有軟件層面的技術(shù)，人工智能軟件技術(shù)主要包括計(jì)算機(jī)視覺(jué)技術(shù)、語(yǔ)音處理技術(shù)、自然語(yǔ)言處理技術(shù)以及機(jī)器學(xué)習(xí)/深度學(xué)習(xí)等幾大方向。其中，機(jī)器學(xué)習(xí)(ML，Machine?Learning)是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)通常包括人工神經(jīng)網(wǎng)絡(luò)、置信網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)和歸納學(xué)習(xí)等技術(shù)。

在人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)的研究過(guò)程中，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的融合會(huì)帶來(lái)分類精度、性能等方面的巨大提升，相關(guān)技術(shù)中，典型的分類模型的融合方案可以分為兩類，測(cè)試階段融合和訓(xùn)練階段融合。對(duì)于第一類測(cè)試階段融合的方法，待測(cè)樣本通常需要經(jīng)過(guò)多個(gè)分類模型，且最終輸出是在多個(gè)分類模型的結(jié)果上求加權(quán)平均或者利用投票機(jī)制得到，從而導(dǎo)致機(jī)器內(nèi)存占用過(guò)高、推理耗時(shí)過(guò)長(zhǎng)。

對(duì)于第二類訓(xùn)練階段融合的方法，通常假設(shè)多個(gè)分類模型是針對(duì)同一分類任務(wù)進(jìn)行訓(xùn)練的，即不同分類模型所對(duì)應(yīng)的訓(xùn)練樣本均標(biāo)注有相同的分類標(biāo)簽。但是對(duì)于不同任務(wù)間的分類模型進(jìn)行融合時(shí)，每個(gè)分類模型是由標(biāo)注有不同分類標(biāo)簽的訓(xùn)練樣本訓(xùn)練所得到，因此該分類模型的融合方法是不適用的。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種分類模型的融合方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，能夠?qū)崿F(xiàn)不同任務(wù)類別的分類模型的快速融合，提高融合分類模型的分類精度及性能。

本發(fā)明實(shí)施例的技術(shù)方案是這樣實(shí)現(xiàn)的：

本發(fā)明實(shí)施例提供一種分類模型的融合方法，包括：

通過(guò)第一分類模型對(duì)第二訓(xùn)練樣本進(jìn)行第一類別的分類預(yù)測(cè)，得到對(duì)應(yīng)所述第二訓(xùn)練樣本的第一分類結(jié)果；其中，所述第一分類模型基于標(biāo)注有第一標(biāo)簽的第一訓(xùn)練樣本訓(xùn)練得到，所述第一標(biāo)簽對(duì)應(yīng)所述第一類別；

通過(guò)第二分類模型對(duì)所述第一訓(xùn)練樣本進(jìn)行第二類別的分類預(yù)測(cè)，得到對(duì)應(yīng)所述第一訓(xùn)練樣本的第二分類結(jié)果；其中，所述第二分類模型基于標(biāo)注有第二標(biāo)簽的第二訓(xùn)練樣本訓(xùn)練得到，所述第二標(biāo)簽對(duì)應(yīng)所述第二類別；

以所述第一分類結(jié)果作為所述第二訓(xùn)練樣本的第三標(biāo)簽，對(duì)所述第二訓(xùn)練樣本進(jìn)行標(biāo)注，并以所述第二分類結(jié)果作為所述第一訓(xùn)練樣本的第四標(biāo)簽，對(duì)所述第一訓(xùn)練樣本進(jìn)行標(biāo)注；

基于標(biāo)注有所述第一標(biāo)簽及所述第四標(biāo)簽的所述第一訓(xùn)練樣本，及標(biāo)注有所述第二標(biāo)簽及所述第三標(biāo)簽的所述第二訓(xùn)練樣本，訓(xùn)練第一融合分類模型，使得所述第一融合分類模型能夠基于輸入的待分類對(duì)象，進(jìn)行所述第一類別和所述第二類別的分類預(yù)測(cè)，得到相應(yīng)的分類結(jié)果。

本發(fā)明實(shí)施例還提供一種分類模型的融合裝置，包括：

第一分類預(yù)測(cè)模塊，用于通過(guò)第一分類模型對(duì)第二訓(xùn)練樣本進(jìn)行第一類別的分類預(yù)測(cè)，得到對(duì)應(yīng)所述第二訓(xùn)練樣本的第一分類結(jié)果；其中，所述第一分類模型基于標(biāo)注有第一標(biāo)簽的第一訓(xùn)練樣本訓(xùn)練得到，所述第一標(biāo)簽對(duì)應(yīng)所述第一類別；