[发明专利]分类器训练方法、装置、设备以及存储介质

权利要求书

1.一种分类器训练方法，其特征在于，所述方法包括以下步骤：

获取训练样本，所述训练样本包括多个示例；

对所述多个示例进行聚类，获得簇中心集；

根据所述簇中心集，获得所述簇中心集的边集；

根据所述边集和所述簇中心集构建图结构；

利用所述图结构训练获得分类器；

利用所述分类器对待分类图像数据集进行分类，获得图像分类结果；

所述利用所述分类器对待分类图像数据集进行分类，获得图像分类结果包括：

获取至少一个多示例训练样本与至少一个真实图像数据集；其中所述至少一个真实图像数据集包含至少一类COREL图像；

根据所述至少一个多示例训练样本与至少一个真实图像数据集，获得所述分类图像数据集；

将所述分类图像数据集分为至少十组；其中至少九组作为训练集，一组作为测试集；

根据所述分类图像数据集以及公式6，获得图像分类准确率，其中，所述公式6包括：

其中，N为分类图像数据集分组数量，表示第q次结果中所有被正确分类的总数，表示第q次结果中样本总数；其中，为一个训练样本的特征向量；

根据所述分类准确率，获得图像分类结果；

所述利用所述图结构训练获得分类器的步骤包括：

将所述图结构输入图卷积神经网络中进行训练，获得分类器；

所述将所述图结构输入图卷积神经网络中进行训练，获得分类器的步骤包括：

根据所述边集，建立邻接矩阵；

将所述簇中心集和所述邻接矩阵输入图卷积神经网络进行训练，获得所述簇中心集中各簇中心的重要度分数值；

将所述簇中心集中各簇中心按照所述重要度分数值从高到低进行排序，并获取重要度分数值排序前K的K个簇中心以及所述K个簇中心的子边集，K为不大于所述簇中心集中的簇中心数量的正整数；

根据所述K个簇中心以及所述子边集，对所述邻接矩阵和所述簇中心集进行更新，以获得更新后的图结构；

判断所述重要度分数值的维度是否等于预设类别数量；

若是，对所述更新后的图结构进行一次性融合，获得分类器。

2.如权利要求1所述的分类器训练方法，其特征在于，所述根据所述簇中心集，获得所述簇中心集的边集的步骤包括：

将所述簇中心集中满足预设条件的两个簇中心之间建立一条边，获得所述簇中心集的边集，所述预设条件为所述两个簇中心间的距离小于预设阈值。

3.如权利要求1所述的分类器训练方法，其特征在于，所述判断所述重要度分数值的维度是否等于预设类别数量的步骤之后，所述方法还包括：

若否，则返回执行将所述簇中心集和所述邻接矩阵输入图卷积神经网络进行训练，获得所述簇中心集中各簇中心的重要度分数值的步骤，循环至所述重要度分数值的维度等于预设类别数量。

4.如权利要求1所述的分类器训练方法，其特征在于，所述根据所述边集，建立邻接矩阵的步骤包括：

所述根据所述边集和公式一，建立邻接矩阵；

所述公式一为：

其中，为所述邻接矩阵；分别为所述簇中心任意2个簇中心，，为所述边集。

5.如权利要求1所述的分类器训练方法，其特征在于，所述若是，对所述更新后的图结构进行一次性融合，获得分类器的步骤包括；

若是，利用全局最大池化与全局平均池化的拼接方式，对所述更新后的图结构进行一次性融合，获得分类器。