[发明专利]基于样本高斯不确定性建模的特征度量损失分类方法

权利要求书

1.一种基于样本高斯不确定性建模的特征度量损失分类方法，其特征在于，所述方法包括：

根据包括多个类别的训练样本的预设训练集确定包括多个训练样本的训练批次；

在所述训练批次中确定至少一个参考样本，对于所述至少一个参考样本中的目标参考样本，从所述训练批次中选定所述目标参考样本的同组样本，其中，所述目标参考样本的同组样本包括至少一个正样本和至少一个负样本，所述正样本为与所述目标参考样本类别相同的训练样本，所述负样本为与所述目标参考样本类别不同的训练样本；

根据当前的特征提取模型确定所述训练批次中每个训练样本的特征，根据所述训练批次中每个所述目标参考样本所属类别的训练样本的特征确定所述目标参考样本的概率密度分布；

根据每个所述目标参考样本的同组样本到所述目标参考样本的概率密度分布的距离对所述特征提取模型的参数进行更新。

2.根据权利要求1所述的基于样本高斯不确定性建模的特征度量损失分类方法，其特征在于，所述根据包括多个类别的训练样本的预设训练集确定包括多个训练样本的训练批次，包括：

在包括N个类别的训练样本的预设训练集中抽取K个类别作为选中类别；

在所述选中类别中每个类别采样P个训练样本作为所述训练批次中的训练样本；

其中，N、K、P均为正整数。

3.根据权利要求1所述的基于样本高斯不确定性建模的特征度量损失分类方法，其特征在于，所述根据每个所述目标参考样本所属类别的训练样本的特征确定所述目标参考样本的概率密度分布，包括：

获取所述目标参考样本所属类别的训练样本的特征均值；

根据所述特征均值和当前所述目标参考样本所属类别对应的协方差矩阵确定所述目标参考样本的概率密度分布。

4.根据权利要求3所述的基于样本高斯不确定性建模的特征度量损失分类方法，其特征在于，所述根据每个所述目标参考样本所属类别的训练样本的特征确定所述目标参考样本的概率密度分布之前，包括：

初始化所述预设训练集中所有类别对应的协方差矩阵。

5.根据权利要求3所述的基于样本高斯不确定性建模的特征度量损失分类方法，其特征在于，所述根据所述特征均值和当前所述目标参考样本所属类别对应的协方差矩阵确定所述目标参考样本的概率密度分布，包括：

根据所述特征均值和当前所述目标参考样本所述类别对应的协方差矩阵确定表示所述目标参考样本的不确定性的协方差矩阵；

根据预设函数公式确定所述目标参考样本的概率密度分布；

其中，所述预设函数公式为：A为表示所述目标参考样本的不确定性的协方差矩阵，x_i＝Φ(I_ai)，为通过所述特征提取模型提取额度所述目标参考样本的特征。

6.根据权利要求3所述的基于样本高斯不确定性建模的特征度量损失分类方法，其特征在于，所述根据每个所述目标参考样本的同组样本到所述目标参考样本的概率密度分布的距离对所述特征提取模型的参数进行更新，包括：

构建损失函数，所述损失函数中包括所述训练批次中每个所述目标参考样本的同组样本到所述目标参考样本的概率密度分布的距离积分；

根据所述损失函数计算损失，根据损失计算梯度，更新所述特征提取模型的参数和所述目标参考样本所属类别对应的协方差矩阵。

7.根据权利要求6所述的基于样本高斯不确定性建模的特征度量损失分类方法，其特征在于，所述损失函数为：

其中，Rⁿ表示n维特征空间，Φ(I_ni)表示目标参考样本的负样本的特征，Φ(I_pi)表示目标参考样本的正样本的特征，f_ai(x)为目标参考样本的概率密度分布函数，m为表示正负样本对间需要被推远的距离的超参数，m为常数。