[发明专利]训练分类器的方法、装置、电子设备和计算机可读存储介质在审
| 申请号： | 201910453997.9 | 申请日： | 2019-05-28 |
| 公开（公告）号： | CN110210553A | 公开（公告）日： | 2019-09-06 |
| 发明（设计）人： | 王诗吟 | 申请（专利权）人： | 北京字节跳动网络技术有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 北京竹辰知识产权代理事务所(普通合伙) 11706 | 代理人： | 陈龙 |
| 地址： | 100041 北京市石景山区*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 训练分类器 目标对象 分类器 图像集合 子集合 集合 计算机可读存储介质 标签信息 电子设备 输出项目 输入图像 获取图像 训练过程 | ||
1.一种训练分类器的方法，其特征在于，包括：
获取图像集合，所述图像集合包括第一子集合，第二子集合，和第三子集合，所述第一子集合中的图像与第一标签信息对应，所述第二子集合中的图像与第二标签信息对应，所述第三子集合中的图像与第三标签信息对应，其中，所述第一标签信息指示与所述第一标签信息对应的图像中包括第一类别的目标对象，所述第二标签信息指示与所述第二标签信息对应的图像中包括第二类别的所述目标对象，所述第三标签信息指示与所述第三标签信息对应的图像中不包括所述目标对象；
确定分类器的输出项目，所述输出项目包括第一项目，第二项目，和第三项目，所述第一标签信息与所述第一项目对应，所述第二标签信息与所述第二项目对应，所述第三标签信息与所述第三项目对应；
根据所述图像集合训练所述分类器。
2.根据权利要求1所述的训练分类器的方法，其特征在于，根据所述图像集合训练所述分类器，包括：
根据柔性最大值损失函数(softmax loss function)和中心损失函数(center lossfunction)确定所述分类器的损失函数；
根据所述图像集合和所述分类器的损失函数训练所述分类器。
3.根据权利要求2所述的训练分类器的方法，其特征在于，所述柔性最大值损失函数其中，m为从所述图像集合中选取的图像的数量，n为所述分类器的输出项目的数量，xi为从所述图像集合中选取的m个图像中第i个图像输入到所述分类器的输出层的图像特征，Wyi为从所述图像集合中选取的m个图像中第i个图像的标签信息所对应的输出项目所输出的值，Wj为所述分类器的n个输出项目中第j个输出项目针对所述第i个图像所输出的值，byi和bj为偏置参数；
所述中心损失函数其中，m为从所述图像集合中选取的图像的数量，xi为从所述图像集合中选取的m个图像中第i个图像输入到所述分类器的输出层的图像特征，为从所述图像集合中选取的m个图像中与所述第i个图像的标签信息对应的图像输入到所述分类器的输出层的图像特征的平均值；
所述分类器的损失函数L＝Ls+λLc，其中，λ为平衡参数。
4.根据权利要求1-3中任一所述的训练分类器的方法，其特征在于，所述第一子集合中的图像中包括第一类别的所述目标对象，所述第二子集合中的图像中包括第二类别的所述目标对象，所述第三子集合中的图像中不包括所述目标对象。
5.根据权利要求1-3中任一所述的训练分类器的方法，其特征在于，所述分类器的每个输出项目所输出的值大于或者等于0并且小于或者等于1，所述分类器的各输出项目所输出的值的和为1。
6.根据权利要求1-3中任一所述的训练分类器的方法，其特征在于，所述分类器包括基于卷积神经网络的分类器。
7.根据权利要求6所述的训练分类器的方法，其特征在于，所述卷积神经网络包括MobileNetV2。
8.根据权利要求1-3中任一所述的训练分类器的方法，其特征在于，所述目标对象包括食物对象。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京字节跳动网络技术有限公司，未经北京字节跳动网络技术有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910453997.9/1.html，转载请声明来源钻瓜专利网。
