[发明专利]孪生网络的测试样本类别确定方法、装置及终端设备

说明书

本申请实施例公开了一种孪生网络的测试样本类别确定方法、装置及终端设备，适用于数字医疗领域。该方法包括：通过孪生网络获取训练样本中任一类别的任一样本的向量表示，并获取该任一样本在上述任一类别中所占的权重；根据上述任一类别中各样本的向量表示和各样本的上述权重确定该任一类别的类别表示；通过上述孪生网络获取测试样本的样本向量表示，根据该样本向量表示和上述训练样本中所有类别的类别表示构建样本对；将各样本对输入上述孪生网络，通过该孪生网络确定各类别表示与上述样本向量表示的相似度，基于各类别表示与上述样本向量表示的相似度确定上述测试样本的类别。采用本申请实施例，可以提高孪生网络中测试样本类别的分类精度。

技术领域

本申请涉及深度学习领域，尤其是一种孪生网络的测试样本类别确定方法、装置及终端设备。

背景技术

孪生网络是一种通过构建样本对来实现分类任务的深度学习算法。具体实现中，是将测试样本与所有的训练样本构建样本对，输入至孪生网络中，得分最高的样本对中的训练样本与测试样本是最接近的样本，则该训练样本的类别即为测试样本的类别。但是，当测试样本的数量庞大时，若要与所有训练样本一一构建样本对，耗时会很长并且计算效率低，造成大量计算资源的浪费。

现有技术中采用召回的方法，即从大量的训练样本中例如n个训练样本，利用快速计算的方法，得到最有可能的k个训练样本，将该k个训练样本与测试样本一一构建样本对，k小于n。然而，现有技术会带来召回率低的问题，即通过快速计算的方法得到的最有可能的k个训练样本中是测试样本的真实类别的可能性低，使得孪生网络的分类精度低，适用性差。

发明内容

本申请提供了一种基于孪生网络的类别标签确定方法、装置及设备，可以提高孪生网络中测试样本类别的分类精度，操作简单，适用性高。

第一方面，本申请实施例提供了一种孪生网络的测试样本类别确定方法，该方法包括：

通过孪生网络获取训练样本中任一类别的任一样本的向量表示，并获取该任一样本在上述任一类别中所占的权重；

根据上述任一类别中各样本的向量表示和各样本的上述权重确定该任一类别的类别表示；其中各样本的上述权重为各样本在上述任一类别中所占的权重；

通过上述孪生网络获取测试样本的样本向量表示，根据该样本向量表示和上述训练样本中所有类别的类别表示构建样本对，其中，该样本向量表示与一个类别的类别表示构建一个样本对；

将各样本对输入上述孪生网络，通过该孪生网络确定各类别表示与上述样本向量表示的相似度，基于各类别表示与上述样本向量表示的相似度确定上述测试样本的类别。

结合第一方面，在第一种可能的实现方式中，上述获取该任一样本在上述任一类别中所占的权重具体包括：

获取该任一样本在上述任一类别中所占的初始权重，根据该任一类别中各样本的向量表示和各样本的上述初始权重确定该任一类别的初始类别表示；其中各样本的上述初始权重为各样本在上述任一类别中所占的初始权重；

根据该任一类别的初始类别表示与上述任一样本的向量表示的相似度，对该任一样本的上述初始权重进行更新以得到该任一样本的目标权重；其中该任一样本的上述初始权重为该任一样本在上述任一类别中所占的初始权重；

若该任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度不小于预设相似度阈值，则将该目标权重确定为该任一样本在上述任一类别中所占用的权重。

结合第一方面第一种可能的实现方式，在第二种可能的实现方式中，若上述任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度小于上述预设相似度阈值，则将该目标权重作为上述任一样本的初始权重并执行上述结合第一方面第一种可能的实现方式中的方法步骤。