[發明專利]一種分類模型訓練方法、裝置及設備

有效

• 申請號: 202310095677.7
• 申請日: 2023-02-10
• 公開（公告）號: CN115795355B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 王博;張鈺;李兵;胡衛明
• 申請（專利權）人: 中國科學院自動化研究所;人民中科(濟南)智能技術有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/214;G06F18/22
• 代理公司: 北京墨丘知識產權代理事務所(普通合伙) 11878
• 代理人: 魏梳芳

1.一種分類模型訓練方法，其特征在于，所述方法包括：

獲取待訓練樣本集，所述待訓練樣本集包括：至少一個待訓練樣本以及至少一個類別信息，所述待訓練樣本為圖像訓練樣本，所述樣本集的獲取方式包括：選用數據豐富的圖像數據集作為源數據域，利用源數據域生成訓練片段集合；

對所述待訓練樣本集中的每個待訓練樣本進行特征提取，得到第一特征向量，所述第一特征向量用于表征所述待訓練樣本對應的特征，每個所述第一特征向量對應一個類別信息；

基于每個待訓練樣本對應的第一特征向量進行計算，得到每個類別信息對應的原型特征向量；

調用待訓練的分類模型，基于所述原型特征向量針對至少一個查詢樣本進行相似度比對，得到至少一個第一比對結果，所述比對結果包括每個查詢樣本與每個原型特征向量的相似度與所述每個查詢樣本對應類別信息的預測概率；

基于每個第一比對結果，調用預設的損失調節器針對所述待訓練的分類模型對應的損失函數進行參數調整，以使全部損失函數的結果小于或等于預設閾值，得到目標分類模型；

所述基于每個待訓練樣本對應的第一特征向量進行計算，得到每個類別信息對應的原型特征向量，包括：

獲取每個類別信息對應的全部所述第一特征向量；

對所述每個類別信息對應的全部所述第一特征向量進行求平均值計算，計算結果作為所述原型特征向量；

所述調用預設的損失調節器針對所述待訓練的分類模型對應的損失函數進行參數調整，包括：

針對每個第二特征向量與每個所述原型特征向量進行相似度比對，得到至少一個相似度比對結果；

篩選得到相似度比對結果的第一最大值以及第二最大值；

基于所述第一最大值以及所述第二最大值得到概率調節函數，所述概率調節函數用于調整預測概率的輸出值；

若所述概率調節函數的值域分布小于1，調用所述損失調節器針對損失函數進行第一模式調整；

若所述概率調節函數的值域分布大于1，調用所述損失調節器針對損失函數進行第二模式調整；

所述概率調節函數表示如下：

其中，表示縮放因子，表示查詢圖像特征向量x與類別原型特征向量c之間的相似度，?表示查詢圖像和所有類別原型之間地相似度集合中的第一最大值，表示查詢圖像和所有類別原型之間地相似度集合中的第二最大值；

所述損失調節器對函數損失值的調整為：

其中，Loss表示計算得到的損失值，表示損失調節器，表示正類預測；

針對損失調節器，是受所述概率調節函數值域影響的分段函數，表示為：

其中，表示聚焦因子，小于1時，定義=為第一模式調整，大于1時，定義=為第二模式調整。

2.如權利要求1所述的方法，其特征在于，所述基于所述原型特征向量針對至少一個查詢樣本進行相似度比對，包括：

針對所述至少一個查詢樣本進行特征提取，得到至少一個第二特征向量，每個第二特征向量用于表征對應每個查詢樣本的特征；

分別調用所述至少一個第二特征向量與所述每個類別信息對應的原型特征向量一一進行相似度比對，得到至少一個所述第一比對結果。

3.如權利要求1所述的方法，其特征在于，在所述獲取待訓練樣本集之后，對所述待訓練樣本集中的每個待訓練樣本進行特征提取之前，還包括：

對所述待訓練樣本集進行數據增強，包括：隨機剪裁、隨機擦除以及樣本標準化調整。

4.如權利要求2所述的方法，其特征在于，所述至少一個查詢樣本中的每個查詢樣本，對應一個類別信息。

5.如權利要求1所述的方法，其特征在于，所述待訓練的分類模型對應的損失函數為交叉熵損失函數。