[发明专利]一种不平衡学习动态恢复大类重要性的损失函数计算方法

权利要求书

1.(Dynamically Restoring the Importance of Majority Class,DRMC)的的损失函数计算方法，可以用于基于深度学习的视觉分类模型的不平衡学习中，其特征在于，首先抑制大类的重要性，然后逐渐恢复大类的重要性，基于该方法的损失函数的计算公式为：

CE_DRMC(p,y,i)＝-log(p_t)·α_{t_drmc}(y,i), (4)

其中，所述p∈[0,1]，是样本的类别预测概率，所述y是样本的标签值，所述i为训练迭代次数，所述p_t是样本的真实类别的预测概率，所述-log(p_t)·为交叉熵损失，所述α_{t_drmc}是动态的成本函数，由4部分构成，其定义如下：

α_{t_drmc}(y,i)＝Init(y)·Acti(1/Rest(y)·Grad(i)), (5)

其中，所述Init(y)为抑制大类重要性的初始成本函数，所述Rest(y)为成本恢复函数，所述Grad(·)为渐进增大的函数，所述Acti(·)为激活函数，Rest(y)、Grad(·)和Acti(·)共同控制恢复大类的重要性。

2.根据权利要求1所述的方法，其特征在于：对于公式(5)，Init(y)和Rest(y)为已有的类别级成本函数。

3.根据权利要求1所述的方法，其特征在于：对于公式(5)，其所述的激活函数Acti(·)为：

其中，所述x∈(-∞,+∞)。

4.根据权利要求1所述的方法，其特征在于：对于公式(5)，其所述的渐进函数Grad(.)为：

Grad(i)＝i/M, (7)

其中M是最大的训练迭代次数。