一种模型处理方法、装置及存储介质制造方法及图纸

本发明专利技术提供了一种模型处理方法，包括：分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，所述第一对象特征和所述第二对象特征分别为各自所属数据库中样本集合；将所述第一对象特征和所述第二对象特征分别映射到同一特征空间，对应得到映射后的第一对象特征和映射后的第二对象特征；根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵；通过所述变换矩阵将所述映射后的第一对象特征进行转换，得到第三对象特征；将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型。本发明专利技术还同时提供了一种模型处理装置、以及存储介质。

【技术实现步骤摘要】
一种模型处理方法、装置及存储介质
本专利技术涉及电数字数据处理技术，尤其涉及一种模型处理方法、装置及存储介质。
技术介绍
随着大数据时代的到来，人们可以更加容易的获得大量数据，此外，由于机器学习领域不断的发展，如何让计算机具有举一反三的能力，如何使大量数据可以更好地发挥作用，这些问题均变得非常实际且有价值，为了解决这些问题，迁移学习被提出并越来越受到人们的重视。在常规机器学习中有一个重要假设，即源库的样本和目标库的样本必须具有相同的分布或者来自相同的特征空间，然而在现实生活中，这一假设是很难实现的；具体来说，对于一个分类问题，如果源库的样本和目标库的样本不具有相同的分布(即可以粗略的理解为来源不属于同一个库)，这就可以理解为源库与目标库不具有相同的特征空间；在图像识别领域，由一个图像库训练出的模型，运用于该图像库能得到较好的识别结果，但是，运用于其他图像库或者现实环境中，往往不尽如人意。综上分析，由于现有技术中源库与目标库不具有相同的特征空间，这就导致由源库训练出的模型运用于目标库时，不能得到很好的识别结果。
技术实现思路
有鉴于此，本专利技术实施例期望提供一种模型处理方法、装置及存储介质，能够克服由于源库与目标库特征空间的差异而影响模型准确度的问题。为达到上述目的，本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供一种模型处理方法，所述方法包括：分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，所述第一对象特征和所述第二对象特征分别为各自所属数据库中样本集合；将所述第一对象特征和所述第二对象特征分别映射到同一特征空间，对应得到映射后的第一对象特征和映射后的第二对象特征；根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵；通过所述变换矩阵将所述映射后的第一对象特征进行转换，得到第三对象特征；将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型。本专利技术实施例还提供一种模型处理装置，所述装置包括：提取模块、映射模块、确定模块、转换模块和应用模块；其中，所述提取模块，用于分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，所述第一对象特征和所述第二对象特征分别为各自所属数据库中样本集合；所述映射模块，用于将所述第一对象特征和所述第二对象特征分别映射到同一特征空间，对应得到映射后的第一对象特征和映射后的第二对象特征；所述确定模块，用于根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵；所述转换模块，用于通过所述变换矩阵将所述映射后的第一对象特征进行转换，得到第三对象特征；所述应用模块，用于将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型。本专利技术实施例还提供一种存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现前述任意一种模型处理方法。本专利技术实施例还提供一种模型处理装置，包括存储器、处理器及存储在存储器上并能够由所述处理器运行的可执行程序，所述处理器运行所述可执行程序时执行前述任意一种模型处理方法。本专利技术实施例所提供的模型处理方法、装置及存储介质，分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，所述第一对象特征和所述第二对象特征分别为各自所属数据库中样本集合；将所述第一对象特征和所述第二对象特征分别映射到同一特征空间，对应得到映射后的第一对象特征和映射后的第二对象特征；根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵；通过所述变换矩阵将所述映射后的第一对象特征进行转换，得到第三对象特征；将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型。如此，通过源库训练出了适合目标库的模型，因此，由源库训练出的模型运用于目标库时，能够得到很好的识别结果，从而提升了模型的准确度。附图说明图1为本专利技术实施例提供的模型处理方法的实现流程示意图；图2为本专利技术实施例提供的模型处理方法的具体实现流程示意图；图3为本专利技术实施例提供的人脸标定示意图；图4为本专利技术实施例提供的Gabor空间示意图；图5为本专利技术实施例提供的深度学习之图像分类模型AlexNet结构组成示意图；图6为本专利技术实施例提供的模型处理装置的组成结构示意图；图7为本专利技术实施例提供的模型处理装置的硬件结构示意图。具体实施方式为了能够更加详尽地了解本专利技术实施例的特点与
技术实现思路
，下面结合附图对本专利技术实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本专利技术。图1为本专利技术实施例提供的一种模型处理方法；如图1所示，本专利技术实施例中的模型处理方法的实现流程，可以包括以下步骤：步骤101：分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，所述第一对象特征和所述第二对象特征分别为各自所属数据库中样本集合。在一些实施例中，分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，可以从源库中提取不同类型的对象特征，将提取的不同类型的对象特征组合后，作为源库的第一对象特征；可以从目标库中提取不同类型的对象特征，将提取的不同类型的对象特征组合后，作为目标库的第二对象特征。然后，将从源库中提取的第一对象特征、以及从目标库中提取的第二对象特征进行降维；降维的具体过程可以包括：将从源库中提取的第一对象特征、以及从目标库中提取的第二对象特征分别进行归一化处理；从第一对象特征和第二对象特征中分别提取预设维数的特定对象特征，对应作为源库以及目标库中的待映射对象特征。其中，预设维数小于提取前对应的维数；从第一对象特征和第二对象特征中分别提取预设维数的特定对象特征可以包括：从第一对象特征对应的特征矢量，以及第二对象特征对应的特征矢量中，分别选择其中最大的d维个特征值对应的对象特征，作为各自的特定对象特征。步骤102：将所述第一对象特征和所述第二对象特征分别映射到同一特征空间，对应得到映射后的第一对象特征和映射后的第二对象特征。在一些实施例中，为了避免直接将源库和目标库映射到同一特征空间所造成的信息损失，将第一对象特征和第二对象特征采用分别乘以一个转换矩阵的方式，投影到各自对应的子空间，从而，通过空间映射，得到位于同一维度空间的映射后的第一对象特征和映射后的第二对象特征。步骤103：根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵。在一些实施例中，可以基于以映射后的第一对象特征和映射后的第二对象特征为因子，构建表示源库和目标库之间距离的差异函数；以求解差异函数最小值的方式，确定源库和目标库之间的差异化满足预设最小差异条件时的变换矩阵。这里，可以利用映射后的第一对象特征与变换矩阵的乘积，与映射后的第二对象特征的差值作为因子；构建基于所述因子计算范数的函数。步骤104：通过所述变换矩阵将所述映射后的第一对象特征进行转换，得到第三对象特征。在一些实施例中，变换矩阵可以通过映射后的第一对象特征与映射后的第二对象特征对齐的方式，将映射后的第一对象特征所在子空间坐标系转本文档来自技高网...

【技术保护点】
1.一种模型处理方法，其特征在于，所述方法包括：分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，所述第一对象特征和所述第二对象特征分别为各自所属数据库中样本集合；将所述第一对象特征和所述第二对象特征分别映射到同一特征空间，对应得到映射后的第一对象特征和映射后的第二对象特征；根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵；通过所述变换矩阵将所述映射后的第一对象特征进行转换，得到第三对象特征；将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型。

【技术特征摘要】
1.一种模型处理方法，其特征在于，所述方法包括：分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，其中，所述第一对象特征和所述第二对象特征分别为各自所属数据库中样本集合；将所述第一对象特征和所述第二对象特征分别映射到同一特征空间，对应得到映射后的第一对象特征和映射后的第二对象特征；根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵；通过所述变换矩阵将所述映射后的第一对象特征进行转换，得到第三对象特征；将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型。2.根据权利要求1所述的方法，其特征在于，所述分别从源库中提取第一对象特征以及从目标库中提取第二对象特征，包括：从所述源库中提取不同类型的对象特征，将提取的不同类型的对象特征组合后，作为所述源库的第一对象特征；从所述目标库中提取不同类型的对象特征，将提取的不同类型的对象特征组合后，作为所述目标库的第二对象特征。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：所述将所述第一对象特征和所述第二对象特征分别映射到同一特征空间之前，将从所述源库中提取的第一对象特征、以及从所述目标库中提取的第二对象特征进行降维。4.根据权利要求3所述的方法，其特征在于，所述将从所述源库中提取的第一对象特征、以及从所述目标库中提取的第二对象特征进行降维，包括：将从所述源库中提取的第一对象特征、以及从所述目标库中提取的第二对象特征分别进行归一化处理；分别提取预设维数的特定对象特征，所述预设维数小于提取前对应的维数。5.根据权利要求1所述的方法，其特征在于，所述根据所述映射后的第一对象特征和所述映射后的第二对象特征，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵，包括：基于以所述映射后的第一对象特征和所述映射后的第二对象特征为因子，构建表示所述源库和所述目标库之间距离的差异函数；以求解所述差异函数最小值的方式，确定所述源库和所述目标库之间的差异化满足预设最小差异条件时的变换矩阵。6.根据权利要求5所述的方法，其特征在于，所述构建表示所述源库和所述目标库之间距离的差异函数，包括：利用所述映射后的第一对象特征与所述变换矩阵的乘积，与所述映射后的第二对象特征的差值作为因子；构建基于所述因子计算范数的函数。7.根据权利要求1所述的方法，其特征在于，所述将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型，包括：以所述第三对象特征以及对应的标签为新的样本；求解模型参数相对所述新的样本的更新值分量；从所述目标库中样本提取对象特征，基于所述模型计算所述目标库中样本具有不同标签的概率值；选取符合概率条件的标签作为所述目标库中样本的标签。8.根据权利要求1所述的方法，其特征在于，所述将所述第三对象特征以及对应的标签，应用于对所述目标库中样本进行分类的模型，包括：基于以所述第三对象特征为因子的相似性函数，对所述目标库中样本进行近邻分类，得到所述目标库中样本的标签。9.根据权利要求7或8所述的方法，其特征在于，所述方法还包括：当所应用的模型包括的类型为至少两个时，基于各模型分别确定针对所述目标库中样本的输出结果；将所述各模型的输出结果进行比较，根据比较结果确定所述目标库中样本的标签。10.根据权利要求9所述的方法，其特征在于，所述将所述各模型的输出结果进行比较，根据比较结果确定所述目标库中样本的标签，包括：当所述各模型的输出结果相同时，选取任意一个模型的输出结果作为所述目标库中样本的标签；当所述各模型的输出结果不同，且不包括特定标签时，选取任意一个模型的输出结果作为所述目标库中样本的标签；当所述各模型的输出结果不同，且包括特定标签时，选取所述特定标签作为所述目标库中样本的标签。11.一...

【专利技术属性】
技术研发人员：徐嵚嵛，李琳，周效军，崔兴宇，
申请(专利权)人：咪咕文化科技有限公司，中国移动通信集团公司，
类型：发明
国别省市：北京,11