[发明专利]训练分类模型的装置和方法、以及分类装置和方法

权利要求书

1.一种训练分类模型的装置，包括：

选取训练样本单元，被配置成在每轮训练中，从训练集中随机选取第一预定数量的类别，并且针对所选取的每个类别随机选取第二预定数量的样本图像；

选取支持样本单元，被配置成在所选取的每个类别的所选取的样本图像中，随机选取第三预定数量的样本图像作为支持样本图像，并且将除了所述支持样本图像之外的样本图像作为查询样本图像；

获得特征单元，被配置成分别获得每个支持样本图像和每个查询样本图像的特征；

获得原型表示单元，被配置成基于每个类别的所述支持样本图像的特征，获得该类别的原型表示；

校正单元，被配置成对每个查询样本图像的特征与每个原型表示之间的距离进行校正，使得每个查询样本图像的特征与该查询样本图像所属的类别的原型表示之间的校正后的距离在预定范围内，并且基于查询样本图像的特征与原型表示之间的校正后的距离计算表明不同类别的样本图像之间的分离程度的类间损失；以及

训练单元，被配置成基于所述类间损失来训练所述分类模型。

2.根据权利要求1所述的训练分类模型的装置，其中，所述校正单元还被配置成：

针对每个查询样本图像，设置该查询样本图像的特征与该查询样本图像所属的类的原型表示之间的在所述预定范围内的校正后的距离，使得表明该查询样本图像所属的类别与其他类别之间的分离程度的类间损失关于所述校正后的距离计算得到的梯度分布均匀。

3.根据权利要求2所述的训练分类模型的装置，其中，所述校正单元还被配置成：

在每个查询样本图像的特征与每个原型表示之间的校正前的距离小于预定阈值的情况下，使得校正后的距离等于所述校正前的距离，而在所述校正前的距离大于或等于所述预定阈值的情况下，相比于所述校正前的距离缩短所述校正后的距离，从而使得每个查询样本图像的特征与该查询样本图像所属的类别的原型表示之间的校正后的距离在所述预定范围内。

4.根据权利要求1所述的训练分类模型的装置，其中，所述校正单元还被配置成：

基于每个查询样本图像的特征与每个原型表示，利用softmax函数来计算所述类间损失。

5.根据权利要求1所述的训练分类模型的装置，其中，所述训练单元还被配置成：还基于表明所选取的每个类别的所有查询样本图像的特征与该类别的原型表示之间的距离的中心损失，训练所述分类模型。

6.根据权利要求1所述的训练分类模型的装置，其中，所述获得原型表示单元被配置成：计算每个类别的所有支持样本图像的特征的均值，作为该类别的原型表示。

7.一种训练分类模型的方法，包括：

选取训练样本步骤，在每轮训练中，从训练集中随机选取第一预定数量的类别，并且针对所选取的每个类别，随机选取第二预定数量的样本图像；

选取支持样本步骤，在所选取的每个类别的所选取的样本图像中，随机选取第三预定数量的样本图像作为支持样本图像，并且将除了所述支持样本图像之外的样本图像作为查询样本图像；

获得特征步骤，分别获得每个支持样本图像和每个查询样本图像的特征；

获得原型表示步骤，基于每个类别的所述支持样本图像的特征，获得该类别的原型表示；

校正步骤，对每个查询样本图像的特征与每个原型表示之间的距离进行校正，使得每个查询样本图像的特征与该查询样本图像所属的类别的原型表示之间的校正后的距离在预定范围内，并且基于查询样本图像的特征与原型表示之间的校正后的距离计算表明不同类别的样本图像之间的分离程度的类间损失；以及

训练步骤，基于所述类间损失来训练所述分类模型。

8.根据权利要求7所述的训练分类模型的方法，

其中，在所述校正步骤中，针对每个查询样本图像，设置该查询样本图像的特征与该查询样本图像所属的类的原型表示之间的在所述预定范围内的校正后的距离，使得表明该查询样本图像所属的类别与其他类别之间的分离程度的类间损失关于所述校正后的距离计算得到的梯度分布均匀。