[发明专利]机器学习模型的训练方法、装置和计算机可读存储介质

权利要求书

1.一种机器学习模型的训练方法，包括：

利用机器学习模型，计算各图像样本关于各属性的隶属概率以确定所述各图像样本是否具有相应的属性；

根据各隶属概率和所述各图像样本关于所述各属性的标注结果，确定所述机器学习模型对所述各图像样本关于所述各属性的错误处理概率；

根据各错误处理概率和各损失参数，确定第一损失函数，所述各损失参数与相应的所述各隶属概率负相关；

利用所述第一损失函数，训练所述机器学习模型。

2.根据权利要求1所述的训练方法，其中，所述确定所述机器学习模型对所述各属性的错误处理概率包括：

根据各标注结果与相应的所述各隶属概率的差值，确定所述各错误处理概率，标注结果为0表示所述各图像样本不具有相应属性，标注结果为1表示所述各图像样本具有相应属性。

3.根据权利要求2所述的训练方法，其中，所述确定所述各错误处理概率包括：

根据所述差值的绝对值的γ次方，确定所述各错误处理概率，γ为大于1的整数。

4.根据权利要求1所述的训练方法，其中，所述确定第一损失函数包括：

根据所述各损失参数的加权和平均值，确定所述第一损失函数，所述各损失参数的权值根据所述各错误处理概率确定。

5.根据权利要求4所述的训练方法，其中，

所述第一损失函数与所述各损失参数的加权和正相关，所述第一损失函数与所述各错误处理概率的加权和负相关。

6.根据权利要求1-5任一项所述的训练方法，还包括：

将大于阈值的错误处理概率对应的属性确定为目标属性；

根据所述目标属性，利用生成对抗网络GAN模型生成补充图像样本用于训练所述机器学习模型。

7.根据权利要求6所述的训练方法，其中，所述训练所述机器学习模型包括：

根据所述补充图像样本的标注结果，利用所述机器学习模型，确定第二损失函数；

利用所述第一损失函数和所述第二损失函数，训练所述机器学习模型。

8.根据权利要求7所述的训练方法，其中，所述确定第二损失函数包括：

将所述补充图像样本的标注结果设置为激活标签和不激活标签以外的补充标签，根据所述补充标签确定所述第二损失函数。

9.根据权利要求6所述的训练方法，其中，所述生成补充图像样本包括：

在所述GAN模型的首个特征层中加入噪声以生成所述补充图像样本。

10.根据权利要求1-5任一项所述的训练方法，其中，所述计算各图像样本关于各属性的隶属概率包括：

利用所述机器学习模型，计算各图像样本关于各属性的隶属参数；

根据所述标注结果和所述隶属参数，计算所述隶属概率。

11.根据权利要求1-5任一项所述的训练方法，其中，

训练好的所述机器学习模型用于对待处理图像进行多属性分类。

12.一种机器学习模型的训练装置，包括：

计算单元，用于利用机器学习模型，计算各图像样本关于各属性的隶属概率以确定所述各图像样本是否具有相应的属性；

确定单元，用于根据各隶属概率和所述各图像样本关于所述各属性的标注结果，确定所述机器学习模型对所述各图像样本关于所述各属性的错误处理概率，根据各错误处理概率和各损失参数，确定第一损失函数，所述各损失参数与相应的所述各隶属概率负相关；

训练单元，用于利用所述第一损失函数，训练所述机器学习模型。

13.一种机器学习模型的训练装置，包括：

存储器；和

耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行权利要求1-11任一项所述的机器学习模型的训练方法。

14.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-11任一项所述的机器学习模型的训练方法。