[發(fā)明專利]模型訓練、對象分類方法和裝置、電子設備及存儲介質

有效

• 申請?zhí)枺?/td>: 202010500000.3
• 申請日: 2020-06-04
• 公開（公告）號: CN111652315B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設計）人: 黃穎;邱尚鋒;張文偉
• 申請（專利權）人: 廣州虎牙科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/084
• 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: 張欣欣

1.一種用于人臉識別的對象分類模型訓練方法，其特征在于，包括：

獲得每一個樣本對象對應的對象向量、每一個樣本標簽對應的標簽向量，其中，該樣本對象為多個，且與多個樣本標簽具有一一對應關系；

基于預設的分類算法計算每一個對象向量與每一個標簽向量之間的相似概率參數，其中，在該分類算法包括的至少部分函數中，函數的值與對象向量和標簽向量之間的向量夾角具有線性關系；

基于所述相似概率參數計算得到分類損失，并基于該分類損失對預設的神經網絡模型進行訓練，得到對象分類模型，其中，所述樣本對象為樣本圖像，所述對象分類模型用于對目標圖像的類型進行分類確定；所述目標圖像為人臉圖像；

所述分類算法包括指數函數，所述基于預設的分類算法計算每一個對象向量與每一個標簽向量之間的相似概率參數的步驟，包括：

針對每一個對象向量，基于第一指數函數計算該對象向量與目標標簽向量之間的第一相似參數，其中，該目標標簽向量對應的樣本標簽與該對象向量對應的樣本對象之間具有對應關系，且在該第一指數函數中，指數的值與對象向量和目標標簽向量之間的向量夾角具有線性關系；

針對每一個對象向量，基于第二指數函數計算該對象向量與每一個其它標簽向量之間的第二相似參數，其中，該其它標簽向量為全部標簽向量中所述目標標簽向量以外的標簽向量；

針對每一個對象向量，基于歸一化函數對該對象向量的第一相似參數和第二相似參數進行處理，得到相似概率參數。

2.根據權利要求1所述的對象分類模型訓練方法，其特征在于，所述第一指數函數中包括第一乘性懲罰因子、第二乘性懲罰因子和加性懲罰因子，所述方法還包括：

獲得響應用戶的第一參數配置操作生成的第一參數配置指令；

基于所述第一參數配置指令對所述第一乘性懲罰因子、所述第二乘性懲罰因子和所述加性懲罰因子，分別進行賦值處理；

其中，所述第一乘性懲罰因子的數值與分類的類間聚合度之間具有正相關關系，所述第二乘性懲罰因子與分類的類數量之間具有正相關關系，所述加性懲罰因子與分類的準確度之間具有正相關關系。

3.根據權利要求2所述的對象分類模型訓練方法，其特征在于，所述第一指數函數包括：

其中，χ為所述第一相似參數，a為所述第一乘性懲罰因子，s為所述第二乘性懲罰因子，b為所述加性懲罰因子，θ_yt為所述對象向量和所述目標標簽向量之間的向量夾角。

4.根據權利要求1-3任意一項所述的對象分類模型訓練方法，其特征在于，該方法還包括：

獲得響應用戶的第二參數配置操作生成的第二參數配置指令；

基于所述第二參數配置指令對指數函數進行配置處理，得到第二指數函數，其中，在該第二指數函數中，指數的值與對象向量和其它標簽向量之間的向量夾角具有非線性關系。

5.根據權利要求4所述的對象分類模型訓練方法，其特征在于，在所述第二指數函數中，指數的值與對象向量和其它標簽向量之間的向量夾角具有余弦的非線性關系，所述第二指數函數包括：

其中，φ為所述第二相似參數，s為第二乘性懲罰因子，且該第二乘性懲罰因子與分類的類數量之間具有正相關關系，θ_j為所述對象向量和所述其它標簽向量之間的向量夾角。

6.一種用于人臉識別的對象分類方法，其特征在于，包括：

將獲得的目標對象輸入至預設的對象分類模型，其中，該對象分類模型基于權利要求1-5任意一項所述的用于人臉識別的對象分類模型訓練方法進行訓練得到；

通過所述對象分類模型對所述目標對象進行類型識別處理，得到該目標對象的對象類型，其中，該目標對象為目標圖像；所述目標圖像為人臉圖像。