[發明專利]一種基于反正切損失函數的目標分類方法

在審

• 申請號: 202310052143.6
• 申請日: 2023-02-02
• 公開（公告）號: CN116028866A
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 趙振兵;陳浩天;聶禮強;戴永東;翟永杰;趙文清
• 申請（專利權）人: 華北電力大學（保定）;山東大學;國網江蘇省電力有限公司泰州供電分公司
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06N3/045;G06N3/08
• 代理公司: 北京鑫瑞森知識產權代理有限公司 11961
• 代理人: 王前明

本發明提供了一種基于反正切損失函數的目標分類方法，該方法包括：選擇數據集，并定義數據集的標簽，對孿生網絡的損失函數進行調整，用于減小同類樣本特征的距離，增大不同類別樣本特征的距離，得到調整后的孿生網絡，通過數據集對孿生網絡進行訓練，直至孿生網絡收斂，并對訓練后的孿生網絡進行測試。本發明提供的基于反正切損失函數的目標分類方法，能夠減少網絡訓練周期，能夠加速網絡收斂。

技術領域

本發明涉及孿生網絡目標分類技術領域，特別是涉及一種基于反正切損失函數的目標分類方法。

背景技術

深度學習已經在各個領域取得了非常優異的表現。傳統的基于深度學習的方法需要大量的樣本進行訓練，當樣本不充分時，模型性能將嚴重下降。現實中，并不都能獲得大量的樣本，且樣本往往呈現出類別多、樣本少的特點。為了解決上述問題，針對少樣本、多類別的分類方法研究逐漸深入，孿生網絡便是其中之一。

孿生網絡以兩個樣本為輸入，輸出其高維空間的特征，用來比較兩個樣本的相似程度，簡單來說，可以最小化同類樣本的距離，最大化不同類之間的距離。在使用基于孿生網絡進行目標分類任務時，由于其經典損失函數的不合理性，導致網絡訓練周期長、難以收斂。為解決該問題，提出一種基于反正切損失函數的目標分類方法是十分有必要的。

發明內容

本發明的目的是提供一種基于反正切損失函數的目標分類方法，能夠減少網絡訓練周期，能夠加速網絡收斂。

為實現上述目的，本發明提供了如下方案：

一種基于反正切損失函數的目標分類方法，包括如下步驟：

步驟1：選擇數據集，并定義數據集的標簽；

步驟2：對孿生網絡的損失函數進行調整，用于減小同類樣本特征的距離，增大不同類別樣本特征的距離，得到調整后的孿生網絡；

步驟3：通過數據集對孿生網絡進行訓練，直至孿生網絡收斂，并對訓練后的孿生網絡進行測試。

可選的，步驟1中，選擇數據集，并定義數據集的標簽，具體為：

選擇公共無標注數據集Omniglot，將其劃分為訓練集及測試集，并定義樣本標簽。

可選的，步驟2中，對孿生網絡的損失函數進行調整，用于減小同類樣本特征的距離，增大不同類別樣本特征的距離，得到調整后的孿生網絡，具體為：

結合二分類交叉熵損失函數及反正切函數，設計反正切損失函數為：

式中，y_n為樣本標簽，用0表示同類樣本，1表示不同類的樣本，x_n表示經過孿生網絡輸出的特征距離，通過將特征做差得到；

當孿生網絡輸入同類樣本時，此時標簽為0，反正切損失函數的表達式變為：

當孿生網絡輸入不同類別的樣本時，此時標簽為1，反正切損失函數的表達式變為：

根據反正切損失函數對孿生網絡的損失函數進行調整，得到調整后的孿生網絡。

可選的，步驟3中，通過數據集對孿生網絡進行訓練，直至孿生網絡收斂，并對訓練后的孿生網絡進行測試，具體為：

通過訓練集及測試集對調整后的孿生網絡進行訓練，直至孿生網絡收斂，繪制訓練集和測試集上的損失函數曲線及準確率曲線，對訓練后的孿生網絡進行測試，驗證反正切損失函數是否準確度量樣本的距離。