[发明专利]一种基于神经网络的数据预测方法、装置及神经网络系统

说明书

本发明实施例提供了一种基于神经网络的数据预测方法、装置及神经网络系统，其中所述神经网络系统包括主干网络、至少两个分支网络以及投票单元，其中，所述至少两个分支网络的深度相同，且各个分支网络具有独立的模型参数；所述主干网络用于对目标图像进行特征提取，获得特征集合，并将所述特征集合输出至所述至少两个分支网络；所述分支网络用于根据输入的特征进行任务处理，输出对应的预测结果；所述投票单元用于融合所述至少两个分支网络输出的预测结果，确定最终输出结果。本发明实施例可以实现对神经网络模型的优化，提高了神经网络的预测精确度。

技术领域

本发明涉及神经网络技术领域，特别是涉及一种基于神经网络的数据预测方法、一种基于神经网络的数据预测装置、一种神经网络系统、一种电子设备以及一个或多个机器可读介质。

背景技术

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。

近年来，深度学习在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用。卷积神经网络(CNN)作为深度学习的一个重要分支，由于其超强的拟合能力以及端到端的全局优化能力，使得图像分类任务在应用卷积神经网络之后，预测精度大幅提升。

虽然目前的图像分类模型对图像具有了一定的分类能力，但是仍然会有大量预测错误的样本，如何进一步优化图像分类模型成为一个需要解决的问题。

发明内容

本发明实施例所要解决的技术问题是提供一种基于神经网络的数据预测方法，以解决现有的图像分类模型存在大量预测错误的样本、分类准确率较低的问题。

相应的，本发明实施例还提供了一种基于神经网络的数据预测装置、一种神经网络系统、一种电子设备以及一个或多个机器可读介质，用以保证上述方法的实现及应用。

为了解决上述问题，本发明公开了一种神经网络系统，所述神经网络系统包括主干网络、至少两个分支网络以及投票单元，其中，所述至少两个分支网络的深度相同，且各个分支网络具有独立的模型参数；

所述主干网络用于对目标图像进行特征提取，获得特征集合，并将所述特征集合输出至所述至少两个分支网络；

所述分支网络用于根据输入的特征进行任务处理，输出对应的预测结果；

所述投票单元用于融合所述至少两个分支网络输出的预测结果，确定最终输出结果。

优选地，所述神经网络系统包括分类神经网络，所述预测结果包括分类标签和所述分类标签对应的概率；

所述投票单元还用于：

分别统计所述分类标签出现的次数；

确定出现次数最多的分类标签作为目标标签，并计算所述目标标签对应的概率的平均值，作为目标概率；

将所述目标标签以及所述目标概率组织成最终输出结果。

优选地，所述投票单元还用于：

若所述目标标签包括至少两种，则从所述至少两种目标标签对应的目标概率中选取最大的目标概率，对应的目标标签作为最终的目标标签。

优选地，所述至少两个分支网络的起始层符合预设条件，以使得所述分支网络位于整个神经网络的较低层。

优选地，所述分支网络具有对应的损失函数，则整个神经网络的损失函数为所述至少两个分支网络的损失函数与对应的预设权重的加权求和后得到的结果。

本发明还公开了一种基于神经网络的数据预测方法，所述神经网络包括主干网络以及至少两个分支网络，其中，所述至少两个分支网络的深度相同，且各个分支网络具有独立的模型参数；

所述方法包括：