[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

说明书

本发明公开了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，本发明提供的基于样本高斯不确定性建模的特征度量损失分类方法中，首先根据当前的特征提取模型对训练批次中每个训练样本进行特征提取，对于训练批次中的参考样本，根据参考样本所在的类别的特征的平均值确定该参考样本的概率密度分布，再根据每个参考样本的正样本和负样本到参考样本的概率密度分布的距离对特征提取模型的参数进行更新，这样，在模型训练过程中考虑了样本分布的不确定性，从而使得样本的分布信息可以在模型训练过程中同时被学习得到，对于简单样本而言可以对模型提供额外的梯度信息，从而使得数据的利用率显著提高，训练效率提升。

技术领域

本发明涉及分类技术领域，特别涉及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。

背景技术

分类任务在生活中十分常见，精准且高效的分类算法一直为研究热点，现有的分类算法中SVM(支持向量机)算法应用广泛，基于SVM的分类算法通过一个特征提取模型提取分类对象的特征并输入至SVM分类器中进行分类。

在现有的分类任务的基于样本高斯不确定性建模的特征度量损失分类过程中,对于样本数据的利用率低，模型训练效率低。

因此，现有技术还有待改进和提高。

发明内容

针对现有技术的上述缺陷，本发明提供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，旨在解决现有技术分类任务中的基于样本高斯不确定性建模的特征度量损失分类效率低的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

本发明的第一方面，提供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，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。

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，其中，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。

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，其中，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。

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，其中，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。