[发明专利]数据分类方法、装置、电子设备及存储介质

说明书

本申请是关于一种数据分类方法、装置、电子设备及存储介质。首先，获取待处理数据，并输入预先训练好的数据分类模型；利用数据分类模型，对待处理数据进行特征提取，分别采用第一映射算法和第二映射算法，将提取的特征映射为第一logits向量和第二logits向量；然后，根据第一logits向量计算待处理数据属于各个类别的预测置信度，并用预测置信度对第二logits向量进行调整；最后，根据调整后的第二logits向量，确定分类结果。由于数据分类模型利用预测置信度对第二logits向量进行调整，再将调整后的第二logits向量输入Softmax层计算预测概率，因此能够提高计算出待处理数据属于各个类别的预测概率的可靠性，从而减少误判、提高数据分类的准确性。

技术领域

本公开涉及数据处理技术领域，特别是涉及一种数据分类方法、装置、电子设备及存储介质。

背景技术

在视频图像、语音识别或自然语言处理等相关领域中，都需要进行数据分类。目前，卷积神经网络(CNN)作为深度学习的一个重要分支，具有超强的拟合能力和全局优化能力，因而在上述技术领域中，通常利用CNN模型进行数据的分类。

具体的，如图1所示，相关技术中卷积神经网络包括：卷积层110、池化层120、全连接层130、Softmax层140和输出层150，利用卷积神经网络进行数据分类的过程主要包括如下步骤：

以视频数据的分类为例，首先将待处理的视频数据输入预先训练好的卷积神经网络模型，依次经过卷积神经网络模型的卷积层110、池化层120，进行样本特征的提取及降采样；然后通过全连接层130按预先训练的参数值，采用预设映射算法，对提取到的特征进行映射，得到维度与类别数对应的logits向量，并将logits向量输入至Softmax层140，得到输出向量，输出向量中的各个数值分别表示样本数据属于各个类别的预测概率；最后，由输出层输150根据预测概率和预先设置的概率阈值，得到视频数据的分类结果。

在上述分类过程中，全连接层130按预先训练的参数对提取到的特征进行映射，得到维度与类别数对应的logits向量的步骤，对分类结果是否准确起关键作用。但全连接层130的参数值是训练获得的，其参数值会由选择的训练样本的不同而不同，因此会影响分类结果的稳定性。

发明内容

为克服相关技术中存在的问题，本公开提供一种数据分类方法、装置、电子设备及存储介质。

根据本公开实施例的第一方面，提供一种数据分类方法，所述方法包括：

获取待处理数据；

将所述待处理数据输入预先训练好的数据分类模型；

利用所述数据分类模型，对所述待处理数据进行特征提取；分别采用第一映射算法和第二映射算法对提取的特征进行映射，获得第一logits向量和第二logits向量；根据所述第一logits向量计算所述待处理数据属于各个类别的预测置信度；用所述预测置信度对所述第二logits向量进行调整；根据调整后的所述第二logits向量，确定分类结果；

获得所述数据分类模型输出的分类结果。

可选的，所述数据分类模型为预先训练好的卷积神经网络模型；

所述预先训练好的卷积神经网络模型，包括：卷积层、池化层、第一全连接层、第二全连接层、Sigmoid层、附加层、Softmax层和输出层；

所述利用所述数据分类模型，对所述待处理数据进行特征提取；分别采用第一映射算法和第二映射算法对提取的特征进行映射，获得第一logits向量和第二logits向量；根据所述第一logits向量计算所述待处理数据属于各个类别的预测置信度；用所述预测置信度对所述第二logits向量进行调整；根据调整后的所述第二logits向量，确定分类结果的步骤，包括：