[发明专利]分类模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种分类模型的训练方法，其特征在于，包括以下步骤：

获取不同类别的训练数据对分类模型进行训练，所述训练数据包括不同类别的样本，所述分类模型为行人识别模型、车辆识别模型、物体检测模型、文章分类模型、音乐分类模型、视频分类模型、场景图像分类模型中的任意一个，所述训练数据为行人图像数据、车辆图像数据、物体图像数据、文本数据、音频数据、视频数据、场景图像数据中与所述分类模型对应的一项；

在当前迭代训练过程中，计算当前样本在对应类别的第一中心距；

获取在上一迭代训练过程中的所述分类模型的第一损失函数，所述第一损失函数包括在上一迭代训练过程所确定的第一类别框参数；

根据所述第一中心距、第一类别框参数，对所述第一损失函数中的第一类别框参数进行更新，得到第二类别框参数，并基于所述第二类别框参数确定当前样本对应的类别的第二损失函数，所述第二类别框参数与所述第一中心距为正相关；

通过各个类别的第二损失函数，确定各个类别对应的动态损失函数；

根据所述动态损失函数，对所述分类模型进行训练。

2.如权利要求1所述的方法，其特征在于，所述分类模型包括分类层参数，所述当前迭代为第n次迭代，所述在当前迭代训练过程中，计算当前样本在对应类别的第一中心距，包括：

获取第n次迭代时分类层参数以及各个类别的样本特征；

根据所述第n次迭代时的分类层参数以及各个类别的样本特征，计算第n次迭代时的各个类别的样本对应的第一中心距。

3.如权利要求2所述的方法，其特征在于，所述根据所述第一中心距、第一类别框参数，对所述第一损失函数中的第一类别框参数进行更新，得到第二类别框参数，包括：

对所述第一类别框参数进行扩容，得到扩容后的第一类别框参数；

计算所述扩容后的第一类别框参数与所述第一中心距的差值；

根据所述差值，对所述第一损失函数中的第一类别框参数进行更新，得到第二类别框参数。

4.如权利要求3所述的方法，其特征在于，所述根据所述差值，对所述第一损失函数中的第一类别框参数进行更新，得到第二类别框参数，包括：

计算所述差值的倒数，得到类别框系数；

根据所述类别框系数，对所述第一损失函数中的第一类别框参数进行更新，得到第二类别框参数。

5.如权利要求4所述的方法，其特征在于，在所述在当前迭代训练过程中，计算当前样本在对应类别的第一中心距之前，所述方法还包括：

对所述分类模型进行初始化，得到初始化分类模型，所述初始化分类模型中的损失函数为固定损失函数；

通过所述训练数据，结合使用所述固定损失函数对所述初始化分类模型进行预设次数的预训练，以更新初始化分类模型中的分类层参数。

6.如权利要求5所述的方法，其特征在于，在所述根据所述动态损失函数，对所述分类模型进行训练之前，所述方法还包括：

计算上一迭代训练过程中，各个类别的误差损失占比；

若存在至少一个类别的误差损失占比超过预设的占比阈值，则根据所述动态损失函数，对所述分类模型进行训练；

若不存任何一个类别的误差损失占比超过预设的占比阈值，则根据所述第一损失函数，对所述分类模型进行训练。