[發明專利]深度學習任務處理方法、圖像識別任務處理方法和裝置

在審

• 申請號: 202010155364.2
• 申請日: 2020-03-07
• 公開（公告）號: CN111382791A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 朱禹軻;柏炎
• 申請（專利權）人: 北京邁格威科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 何少巖

1.一種深度學習任務處理方法，其特征在于，所述方法包括：

獲取待處理對象，將所述待處理對象輸入至預先訓練完成的網絡模型中，輸出所述待處理對象對應的特征數據；

基于所述特征數據，完成預設的深度學習任務；

其中，所述網絡模型根據第一樣本特征和第二樣本特征訓練得到；預設的訓練樣本輸入至所述網絡模型后，所述網絡模型輸出所述第一樣本特征；所述第一樣本特征經預設的映射矩陣映射后，得到所述第二樣本特征；所述映射矩陣根據所述第一樣本特征對應的訓練樣本的類別標簽和預設的目標類別確定。

2.根據權利要求1所述的方法，其特征在于，所述網絡模型具體通過下述方式訓練得到：

將預設的多個訓練樣本輸入至所述網絡模型中，輸出每個所述訓練樣本對應的第一樣本特征；其中，每個所述訓練樣本攜帶有該訓練樣本的類別標簽；

針對每個所述訓練樣本，從預設的備選類別中確定目標類別；根據所述目標類別和該訓練樣本的類別標簽，確定映射矩陣；根據所述映射矩陣和該訓練樣本對應的第一樣本特征，確定該訓練樣本的第二樣本特征；

根據每個所述訓練樣本的第一樣本特征和第二樣本特征，確定損失值，根據所述損失值訓練所述網絡模型。

3.根據權利要求2所述的方法，其特征在于，根據所述目標類別和該訓練樣本的類別標簽，確定映射矩陣的步驟，包括：

所述映射矩陣

其中，A為所述映射矩陣；I為預設的單位矩陣；n_i＝μ_i；μ_i為該訓練樣本的類別標簽的特征向量幾何中心；為所述n_i的轉置；μ_j為所述目標類別的特征向量幾何中心；為所述μ_j的轉置；|| ||₂代表二次范數；α為該訓練樣本的類別標簽的特征向量幾何中心與所述目標類別的特征向量幾何中心之間的旋轉角；

4.根據權利要求2所述的方法，其特征在于，根據所述映射矩陣和該訓練樣本對應的第一樣本特征，確定該訓練樣本的第二樣本特征的步驟，包括：

該訓練樣本的第二樣本特征

其中，為該訓練樣本的第二樣本特征；x_i為該訓練樣本對應的第一樣本特征；A為所述映射矩陣。

5.根據權利要求2所述的方法，其特征在于，根據每個所述訓練樣本的第一樣本特征和第二樣本特征，確定損失值的步驟，包括：

所述損失值loss＝L(X，Y)+λL(X_gen，Y_gen)；

其中，loss為所述損失值；L()為預設的損失函數；X為每個所述訓練樣本的第一樣本特征，Y為每個所述訓練樣本的類別標簽；λ為預設的權重系數；X_gen為每個所述訓練樣本的第二樣本特征；Y_gen為每個所述訓練樣本對應的目標類別。

6.根據權利要求2所述的方法，其特征在于，所述備選類別包括多種；每個所述訓練樣本對應的類別標簽，屬于所述備選類別中的一種；

所述根據所述映射矩陣和該訓練樣本對應的第一樣本特征，確定該訓練樣本的第二樣本特征的步驟之后，所述方法還包括：根據每個所述訓練樣本對應的第一樣本特征，更新每種所述備選類別的特征向量幾何中心。