【技术实现步骤摘要】
一种DNN特征比对分值分布定向调整方法及系统
本专利技术涉及一种DNN特征比对分值分布定向调整方法及系统，属于机器学习与人工智能领域。
技术介绍
通过卷积神经网络等深度学习方法对图片等非常结构化数据进行分类时，通常采用直接在神经网络模型最后层采用SoftMax等方法获取标签类别，或者取得输入图片特征值向量后再通过欧式距离/余弦距离等特征比对方法求取分值，设定区分阈值后获得输入图片标签类别。当前，特征比对法（后者）主要应用于一对一两两比对，或者一对多分类（包含同一大类数据中未知子类别）。但目前特征比对法存在一个确定分割阈值的难题，常用一定虚警率（误识率）下的识别率来统计确定阈值，这需要人为观察并且阈值特定的正向分析确定阈值的过程，不同训练模型的阈值是一般是不同的。但是，我们期望不同训练模型（含不同网络模型及训练数据训练结果），都能按我们指定的阈值达到虚警率指标，如假定特征比对分值分布空间为[0,1],阈值为0.60、0.70、0.80时对应的虚警率分别为0.01、0.001、0.0001，这时就需要一种映射方法来定向调...
【技术保护点】
1.一种DNN特征比对分值分布定向调整方法，其特征在于：包括以下步骤：S01）、通过测试样本统计确定各原始阈值对应的虚警率，形成原始阈值与虚警率的原始对应表，同时根据人为期望确定期望阈值对应的虚警率，形成期望阈值与虚警率的期望对应表；/nS02）、采用变形SIGMOID函数建立原始对应表与期望对应表之间的映射关系，并根据原始对应表与期望对应表的取值求出限制该映射关系的调整参数；/nS03）、在应用过程中，首先通过DNN特征比对取得原始比对阈值，利用步骤S02建立的映射关系和调整参数计算出该原始比对阈值对应的期望阈值。/n
【技术特征摘要】
1.一种DNN特征比对分值分布定向调整方法，其特征在于：包括以下步骤：S01）、通过测试样本统计确定各原始阈值对应的虚警率，形成原始阈值与虚警率的原始对应表，同时根据人为期望确定期望阈值对应的虚警率，形成期望阈值与虚警率的期望对应表；
S02）、采用变形SIGMOID函数建立原始对应表与期望对应表之间的映射关系，并根据原始对应表与期望对应表的取值求出限制该映射关系的调整参数；
S03）、在应用过程中，首先通过DNN特征比对取得原始比对阈值，利用步骤S02建立的映射关系和调整参数计算出该原始比对阈值对应的期望阈值。
2.根据权利要求1所述的DNN特征比对分值分布定向调整方法，其特征在于：变形SIGMOID函数为：S(x)=1.0/(1+exp(-coef*(x-gamma)))，其中，x表示原始阈值，S(x)表示调整后的期望阈值，coef和gamma分别为调整参数；根据原始对应表与期望对应表的取值求调整参数coef和gamma时，将原始对应表中的阈值代入x、期望对应表中的阈值代入S(x)，通过构建两元一次方程求出调整参数coef和gamma。
3.根据权利要求1或2所述的DNN特征比对分值分布定向调整方法，其特征在于：原始对应表与期望对应表分段设置，原始对应表与期望对应表通过虚警率相对应，特征为期望对应表中存在多个分隔阈值及对应虚警率。
4.根据权利要求3所述的DNN特征比对分值分布定向调整方法，其特征在于：针对分段设置的原始对应表与期望对应表，分段采用变形SIGMOID函数确定每段对应表对应的映射关系和调整参数，利用分隔阈值确定调整参数；在应用过程中，根据原始比对阈值在原始对应表中所在位置确定其对应的映射关系和调整参数，然后根据其对应的映射关系和调整参数求出原始比对阈值对应的期望阈值。
5.根据权利要求1所述的DNN特征比对分值分布定向调整方法，其特征在于：
用步骤S01的测试样本执行一次步骤S01至S03，得到变换后的比对分值分布，观察各虚警率是否与期望值一致，根据偏离方向情况对原始对应表中的原始阈值进行微调。
6.一种DNN特征比对分值分布定向调整系统，其特征在于：包括对应表确定单元、映射关系及调整参数确定单元、...
【专利技术属性】
技术研发人员：朱锦雷，井焜，许野平，薛付忠，杨帆，
申请(专利权)人：神思电子技术股份有限公司，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。