[发明专利]基于数理统计的反向传播优化方法、装置及电子设备

说明书

本申请实施例提供一种基于数理统计的反向传播优化方法、装置及电子设备，该方法包括：获取样本集，将样本集导入至建立的训练模型以对样本集进行训练；根据各样本图像的标签将多个样本图像划分为多个组别，并对各样本图像进行特征提取以计算各组别内的样本图像的类内距离以及各组别之间的类间距离；根据类内距离获得类内距离分布曲线，并根据类间距离获得类间距离分布曲线；根据设定的误识率、类内距离分布曲线以及类间距离分布曲线计算得到损失函数；根据损失函数对输入向量进行偏导计算，将得到的偏导数值作为反向传播量以调整训练模型的特征提取参数。该优化方案可在满足设定的误识率的基础上提高模型的识别率，实用性更强。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种基于数理统计的反向传播优化方法、装置及电子设备。

背景技术

目前，在人脸识别以及其他相关的分类应用中，往往采用深度学习技术以实现。但是，现有的识别方案中一般考虑的是尽可能地提高识别率，如此，学习模型的训练存在着与应用脱节的问题。因为在实际项目应用中往往对误识率有一定要求，需要限制在设定的误识率范围内。现有的识别方案无法实现对误识率、识别率的控制，难以在项目需求下进行模型训练。

发明内容

有鉴于此，本申请的目的在于，提供一种基于数理统计的反向传播优化方法、装置及电子设备以改善上述问题。

本申请实施例提供一种基于数理统计的反向传播优化方法，所述方法包括：

获取样本集，将所述样本集导入至建立的训练模型以对所述样本集中包含的多个样本图像进行训练，其中，各所述样本图像携带有标签；

根据各所述样本图像的标签将所述多个样本图像划分为多个组别，并对各所述样本图像进行特征提取以计算各所述组别内的样本图像的类内距离以及各所述组别之间的类间距离；

根据所述类内距离获得所述样本集的类内距离分布曲线，并根据所述类间距离获得所述样本集的类间距离分布曲线；

根据设定的误识率、所述类内距离分布曲线以及所述类间距离分布曲线计算得到损失函数；

根据所述损失函数对输入向量进行偏导计算，将得到的偏导数值作为反向传播量以调整所述训练模型的特征提取参数。

可选地，所述根据所述类内距离获得所述样本集的类内距离分布曲线，并根据所述类间距离获得所述样本集的类间距离分布曲线的步骤，包括：

根据所述类内距离以及统计到的类内距离的数目计算得到类内距离均值，并根据各所述类内距离以及所述类内距离均值计算得到类内方差值；

根据所述类内方差值得到所述样本集的类内距离分布曲线；

根据所述类间距离以及统计到的类间距离的数目计算得到类间距离均值，并根据各所述类间距离以及所述类间距离均值计算得到类间方差值；

根据所述类间方差值得到所述样本集的类间距离分布曲线。

可选地，所述根据所述类内方差值得到所述样本集的类内距离分布曲线的步骤，包括：

根据所述类内方差值以及所述类内距离均值并按以下公式计算得到所述样本集的类内距离分布曲线：

其中，f₁(d)为类内距离分布曲线，sigma₁为类内方差值，u₁为类内距离均值，d为所述类内距离分布曲线的横坐标值。

可选地，所述根据所述类内方差值得到所述样本集的类内距离分布曲线的步骤，包括：

根据所述类内方差值并按以下公式得到所述样本集的类内距离分布曲线：