[发明专利]媒体分类

说明书

相关申请的交叉引用

本申请要求于2015年7月31日提交的题为“MEDIA CLASSIFICATION(媒体分类)”的美国临时专利申请No.62/199,865的权益，其公开内容通过援引全部明确纳入于此。

背景

领域

本公开的某些方面一般涉及机器学习，尤其涉及改进用于媒体分类且具体而言用于标记媒体文件(包括图片文件)的系统和方法。

背景技术

可包括一群互连的人工神经元(例如，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。

卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每一个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(CNN)具有众多应用。具体而言，CNN已被广泛使用于模式识别和分类领域。

深度学习架构(诸如深度置信网络和深度卷积网络)是分层神经网络架构，其中第一层神经元的输出变成第二层神经元的输入，第二层神经元的输出变成第三层神经元的输入，依此类推。深度神经网络可被训练以识别特征阶层并且因此它们已被越来越多地用于对象识别应用。类似于卷积神经网络，这些深度学习架构中的计算可分布在处理节点群体上，其可被配置在一个或多个计算链中。这些多层架构可每次训练一层并可使用反向传播微调。

其他模型也可用于对象识别。例如，支持向量机(SVM)是可被应用于分类的学习工具。支持向量机包括对数据进行归类的分离超平面(例如，决策边界)。该超平面由监督式学习来定义。期望的超平面增加训练数据的裕量。换言之，超平面应该具有到训练示例的最大的最小距离。

尽管这些解决方案在数个分类基准上达到了优异的结果，但它们的计算复杂度可能极其高。另外，模型的训练可能是有挑战性的。

概述

在一个方面，公开了一种选择用于多标记分类的阈值的方法。该方法包括：对与第一标记相关联的一组标记得分进行排序以创建经排序列表。该方法还包括：从多个得分值计算出对应于一组候选阈值的精确率值和召回率值。该方法还包括：至少部分地基于目标精确率值或目标召回率值来从这些候选阈值中为第一标记选择阈值。

另一方面公开了一种为用于多标记分类的激活函数选择缩放因子的方法。该方法包括：计算一范围内的得分度量；以及在得分度量不在该范围内时该调节该缩放因子。

在另一方面，公开了一种用于在无线通信中选择用于多标记分类的阈值的设备。该设备包括：用于对与第一标记相关联的一组标记得分进行排序以创建经排序列表的装置。该设备还包括：用于从多个得分值计算出对应于一组候选阈值的精确率值和召回率值的装置。该设备还包括：用于至少部分地基于目标精确率值或目标召回率值来从这些候选阈值中为第一标记选择阈值的装置。

另一方面公开了一种用于为用于多标记分类的激活函数选择缩放因子的设备。该设备包括：用于计算一范围内的得分度量的装置；以及用于在得分度量不在该范围内时调节该缩放因子的装置。

在另一方面，公开了一种用于在无线通信中选择用于多标记分类的阈值的装置。该装置具有存储器以及耦合到该存储器的至少一个处理器。该(些)处理器被配置成：对与第一标记相关联的一组标记得分进行排序以创建经排序列表。该(些)处理器还被配置成：从多个得分值计算出对应于一组候选阈值的精确率值和召回率值。该(些)处理器还被配置成：至少部分地基于目标精确率值或目标召回率值来从这些候选阈值中为第一标记选择阈值。

另一方面公开了一种用于在无线通信中为激活函数选择缩放因子的装置。该装置具有存储器以及耦合到该存储器的至少一个处理器。该(些)处理器被配置成：计算一范围内的得分度量；以及在得分度量不在该范围内时调节该缩放因子。

在另一方面，公开了一种用于选择用于多标记分类的阈值的非瞬态计算机可读介质。该非瞬态计算机可读介质在其上记录有非瞬态程序代码，这些程序代码在由(诸)处理器执行时使该(些)处理器执行对与第一标记相关联的一组标记得分进行排序以创建经排序列表的操作。该程序代码还使该(些)处理器从多个得分值计算出对应于一组候选阈值的精确率值和召回率值。该程序代码还使该(些)处理器至少部分地基于目标精确率值或目标召回率值来从这些候选阈值中为第一标记选择阈值。

另一方面公开了一种用于为激活函数选择缩放因子的非瞬态计算机可读介质。该计算机可读介质在其上记录有非瞬态程序代码，这些程序代码在由(诸)处理器执行时使该(些)处理器执行计算一范围内的得分度量并在得分度量不在该范围内时调节该缩放因子。