[发明专利]一种训练模型的方法及装置有效

专利信息
申请号: 201911116503.4 申请日: 2019-11-15
公开(公告)号: CN110991496B 公开(公告)日: 2023-05-30
发明(设计)人: 朱理;王博;谢存煌 申请(专利权)人: 北京三快在线科技有限公司
主分类号: G06V10/778 分类号: G06V10/778;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/09
代理公司: 北京曼威知识产权代理有限公司 11709 代理人: 方志炜
地址: 100080 北京市海*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 训练 模型 方法 装置
【权利要求书】:

1.一种训练模型的方法,其特征在于,所述方法包括:从包含多个图像的样本集中选择若干样本图像,确定由选择的所述若干样本图像构成的样本子集;针对预设的各标签,确定具有该标签的样本图像在所述样本子集中的占比;根据具有该标签的样本图像在所述样本子集中的占比,确定待训练图像分类模型的交叉熵;根据针对各标签分别确定的交叉熵,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练;

所述方法还包括:根据预设的分类规则,确定该标签所属的子类;确定所述子类的父类的数量;根据所述数量,确定所述待训练图像分类模型的子类参数;根据针对各标签分别确定的交叉熵,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练,具体包括:根据针对各标签分别确定的交叉熵以及子类参数,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练。

2.如权利要求1所述的方法,其特征在于,根据具有该标签的样本图像在所述样本子集中的占比,确定待训练图像分类模型的交叉熵,具体包括:根据具有该标签的样本图像在所述样本子集中的占比,确定该标签对应的交叉熵权重;针对具有该标签的每个样本图像,确定所述待训练图像分类模型输出的该样本图像具有该标签的预估概率;根据该标签对应的交叉熵权重、该样本图像具有该标签的真实概率以及所述预估概率,确定所述待训练图像分类模型的交叉熵。

3.如权利要求1所述的方法,其特征在于,所述方法还包括:根据具有该标签的样本图像在所述样本子集中的占比、以及不具有该标签的样本图像在所述样本子集中的占比,确定具有该标签的样本图像在所述样本子集中的均衡度;根据所述均衡度,确定所述待训练图像分类模型的均衡参数;根据针对各标签分别确定的交叉熵,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练,具体包括:根据针对各标签分别确定的交叉熵以及均衡参数,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练。

4.如权利要求1所述的方法,其特征在于,所述方法还包括:确定所述样本子集中具有该标签的样本图像的数量,作为第一数量;确定上一次对所述待训练图像分类模型进行训练时所采用的样本子集中具有该标签的样本图像的数量,作为第二数量;确定所述第一数量与所述第二数量的差值,作为具有该标签的样本图像在不同样本子集中的变化程度;根据具有该标签的样本图像在不同样本子集中的变化程度,确定所述待训练图像分类模型的变化度参数;根据针对各标签分别确定的交叉熵,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练,具体包括:根据针对各标签分别确定的交叉熵以及变化度参数,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练。

5.如权利要求1所述的方法,其特征在于,根据针对各标签分别确定的交叉熵,采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练,具体包括:将所述样本子集中的样本图像输入所述待训练图像分类模型,得到所述待训练图像分类模型输出的所述样本子集中的样本图像具有各标签的预估概率;根据针对各标签分别确定的交叉熵、所述预估概率、所述样本子集中的样本图像具有各标签的真实概率,确定所述待训练图像分类模型的损失;以最小化损失为训练目标,对所述待训练图像分类模型进行训练。

6.如权利要求1所述的方法,其特征在于,在采用所述样本子集中的样本图像对所述待训练图像分类模型进行训练之后,所述方法还包括:获取待分类图像;将所述待分类图像输入训练后的图像分类模型,得到所述训练后的图像分类模型输出的所述待分类图像具有各标签的预估概率;根据得到的所述待分类图像具有各标签的预估概率,确定所述待分类图像的标签。

7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一所述的方法。

8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-6任一所述的方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京三快在线科技有限公司,未经北京三快在线科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911116503.4/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top