[发明专利]卷积神经网络的训练方法及装置

权利要求书

1.一种卷积神经网络的训练方法，其特征在于，包括：

在接收到向所述卷积神经网络输入的图片样本时，获取所述卷积神经网络对所述图片样本的当前识别结果；所述图片样本包括N个三元组，其中，N为正整数；所述各三元组图片样本包括：三张图片样本，其中，所述三张图片样本中有两张图片样本属于同类图片样本，剩余的一张图片样本属于异类图片样本；

根据各三元组图片样本中异类图片样本的预设识别结果与所述同类图片样本的预设识别结果之间的预设识别差值，确定所述三元组损失函数中所述各三元组图片样本对应的识别间隔参数；所述当前识别结果包括当前识别的人体特征，人体特征包括年龄或颜值，所述预设识别结果包括预设人体特征，所述同类图片样本中的两张图片样本各自的预设人体特征的人体特征差不大于第一预设人体特征差，所述异类图片样本与所述同类图片样本中较小人体特征/平均人体特征的人体特征差大于第二预设人体特征差，其中，所述第二预设人体特征差大于所述第一预设人体特征差；

根据所述当前识别结果和所述识别间隔参数，确定所述图片样本的目标识别损失值；

根据所述图片样本的目标识别损失值，调整所述卷积神经网络的网络参数；

所述各三元组图片样本的预设识别差值越大，所述各三元组图片样本对应的识别间隔参数越大。

2.根据权利要求1所述的方法，其特征在于，

所述根据所述各三元组图片样本中异类图片样本的预设识别结果与所述同类图片样本的预设识别结果之间的预设识别差值，确定三元组损失函数中所述各三元组图片样本对应的识别间隔参数，包括：

根据预设损失阈值函数，确定所述各三元组图片样本对应的识别间隔参数，其中，所述预设损失阈值函数包括：

α＝β*D+b

其中，α代表所述各三元组图片样本对应的识别间隔参数，D代表所述各三元组图片样本的预设识别差值，β为预设系数，b为预设偏置值。

3.一种卷积神经网络的训练装置，其特征在于，包括：

获取模块，用于在接收到向所述卷积神经网络输入的图片样本时，获取所述卷积神经网络对所述图片样本的当前识别结果；

第一确定模块，用于根据所述图片样本的预设识别结果，确定所述图片样本的识别间隔参数；

第二确定模块，用于根据所述当前识别结果和所述识别间隔参数，确定所述图片样本的目标识别损失值；

调整模块，用于根据所述图片样本的目标识别损失值，调整所述卷积神经网络的网络参数；

所述图片样本包括N个三元组，其中，N为正整数；

所述第一确定模块包括：

确定子模块，用于根据各三元组图片样本的预设识别结果，确定三元组损失函数中所述各三元组图片样本对应的识别间隔参数；

所述各三元组图片样本包括：三张图片样本，其中，所述三张图片样本中有两张图片样本属于同类图片样本，剩余的一张图片样本属于异类图片样本；

所述确定子模块包括：

确定单元，用于根据所述各三元组图片样本中异类图片样本的预设识别结果与所述同类图片样本的预设识别结果之间的预设识别差值，确定所述三元组损失函数中所述各三元组图片样本对应的识别间隔参数；

所述当前识别结果包括当前识别的人体特征，人体特征包括年龄或颜值，所述预设识别结果包括预设人体特征，所述同类图片样本中的两张图片样本各自的预设人体特征的人体特征差不大于第一预设人体特征差，所述异类图片样本与所述同类图片样本中较小人体特征/平均人体特征的人体特征差大于第二预设人体特征差，其中，所述第二预设人体特征差大于所述第一预设人体特征差；

所述各三元组图片样本的预设识别差值越大，所述各三元组图片样本对应的识别间隔参数越大。

4.根据权利要求3所述的装置，其特征在于，

所述确定单元包括：

确定子单元，用于根据预设损失阈值函数，确定所述各三元组图片样本对应的识别间隔参数，其中，所述预设损失阈值函数包括：

α＝β*D+b

其中，α代表所述各三元组图片样本对应的识别间隔参数，D代表所述各三元组图片样本的预设识别差值，β为预设系数，b为预设偏置值。