[发明专利]用于训练混合模型的方法和设备

权利要求书

1.一种训练用于图像压缩的混合模型的方法，所述混合模型包括多个子压缩模型，所述方法包括：

响应于接收到包括多幅图像的第一图像数据集，确定所述第一图像数据集相对于所述多个子压缩模型的第一分布；以及

迭代执行以下操作至少一次，直至收敛条件被满足：

基于所述第一分布，降低所述多个子压缩模型中的第一子压缩模型的第一子空间维度；

基于降低后的所述第一子空间维度，更新所述第一分布；

响应于对所述混合模型的调用，确定所述混合模型中是否包含不活跃子压缩模型，所述不活跃子压缩模型上分布的数据量小于阈值量；以及

响应于确定所述混合模型中包括所述不活跃子压缩模型，通过移除所述不活跃子压缩模型来收缩所述混合模型。

2.根据权利要求1所述的方法，其中所述收敛条件包括以下至少一个：

所述迭代的次数达到预定次数，以及

所述第一分布和所述第一子空间维度中至少一个的变化量低于预定阈值。

3.根据权利要求1或2所述的方法，其中所述第一图像数据集来自流数据中，所述方法还包括：

响应于接收到所述流数据中在所述第一图像数据集之后的第二图像数据集，确定所述第二图像数据集相对于所述多个子压缩模型的第二分布；以及

迭代执行以下操作至少一次，直至收敛条件被满足：

基于所述第二分布，降低所述多个子压缩模型中的第二子压缩模型的第二子空间维度；以及

基于降低后的所述第二子空间维度，更新所述第二分布。

4.根据权利要求1所述的方法，其中所述第一分布由所述第一图像数据集的隐变量的变分分布表示，并且确定所述第一分布包括：

随机地初始化所述隐变量的变分分布。

5.根据权利要求1所述的方法，其中所述混合模型包括主成分分析(PCA)模型、线性判别分析(LDA)模型、局部线性嵌入(LLE)模型或者拉普拉斯特征映射模型。

6.一种训练用于图像压缩的混合模型的设备，所述混合模型包括多个子压缩模型，所述设备包括：

至少一个处理单元，被配置为：

响应于接收到包括多幅图像的第一图像数据集，确定所述第一图像数据集相对于所述多个子压缩模型的第一分布；以及

迭代执行以下操作至少一次，直至收敛条件被满足：

基于所述第一分布，降低所述多个子压缩模型中的第一子压缩模型的第一子空间维度；

基于降低后的所述第一子空间维度，更新所述第一分布；

响应于对所述混合模型的调用，确定所述混合模型中是否包含不活跃子压缩模型，所述不活跃子压缩模型上分布的数据量小于阈值量；以及

响应于确定所述混合模型中包括所述不活跃子压缩模型，通过移除所述不活跃子压缩模型来收缩所述混合模型。

7.根据权利要求6所述的设备，其中所述收敛条件包括以下至少一个：

所述迭代的次数达到预定次数，以及

所述第一分布和所述第一子空间维度中至少一个的变化量低于预定阈值。

8.根据权利要求6或7所述的设备，其中所述第一图像数据集来自流数据中，所述至少一个处理单元还被配置为：

响应于接收到所述流数据中在所述第一图像数据集之后的第二图像数据集，确定所述第二图像数据集相对于所述多个子压缩模型的第二分布；以及

迭代执行以下操作至少一次，直至收敛条件被满足：

基于所述第二分布，降低所述多个子压缩模型中的第二子压缩模型的第二子空间维度；以及

基于降低后的所述第二子空间维度，更新所述第二分布。

9.根据权利要求6所述的设备，其中所述第一分布由所述第一图像数据集的隐变量的变分分布表示，并且确定所述第一分布包括：

随机地初始化所述隐变量的变分分布。

10.根据权利要求6所述的设备，其中所述混合模型包括主成分分析(PCA)模型、线性判别分析(LDA)模型、局部线性嵌入(LLE)模型或者拉普拉斯特征映射模型。