【技术实现步骤摘要】
训练分类模型的装置和方法及利用分类模型分类的装置
本公开涉及信息处理领域,具体涉及一种训练分类模型的装置和方法、以及利用分类模型进行分类的装置和方法。
技术介绍
近年来,由于大规模人脸数据、车辆数据等的收集和卷积神经网络的应用,人脸识别和车牌识别等分类技术在学术界和工业界都取得了很大的进展并得到了广泛的应用。目前提高人脸识别和车牌识别等分类性能的主要思路是增加数据。然而,收集大规模的数据费事费力。就人脸数据而言,现在存在VGG2Face、Ms-Celeb-1M、MegaFace等公开的人脸数据集。每个数据集都有各自的优缺点,充分利用每个数据集的优点可以有效地提升分类性能。最简单的方法是直接将多个数据集放到一起,但不同数据集的数据有交叉,容易出现同一个数据在不同数据集中标注不一样的情况,简单地将多个数据集融合到一起容易使训练的分类模型不收敛或者性能更差。进一步地,当应用场景出现姿态变化大、分辨率低、质量差等问题时,分类性能会明显降低。
技术实现思路
在下文中给出了关于本公开的简要概述,以便提供关于本公开的某些方面的基本理解。但是,应当理解,这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分,也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念,以此作为稍后给出的更详细描述的前序。鉴于以上问题,本公开的目的是提供能够解决现有技术中的一个或多个缺点的训练分类模型的装置和方法、以及利用分类模型进行分类的装置和方法。根据本公开的 ...
【技术保护点】
1.一种训练分类模型的装置,包括:/n特征提取单元,被配置成针对第一预定数量的训练集中的每个训练集分别设置相应数量的特征提取层,并且被配置成对于每个样本图像,利用针对该样本图像所属的训练集而设置的特征提取层,分别提取该样本图像的特征,从而得到该样本图像的所提取出的特征,其中,所述第一预定数量的训练集中的至少两个训练集至少部分重叠;/n特征融合单元,被配置成针对所述第一预定数量的训练集中的每个训练集分别设置相应数量的特征融合层,并且被配置成对于每个样本图像,利用针对该样本图像所属的训练集而设置的特征融合层,对该样本图像的所提取出的特征进行融合,从而得到该样本图像的融合后的特征;以及/n损失确定单元,被配置成针对所述第一预定数量的训练集中的每个训练集分别设置损失确定层,并且被配置成对于每个样本图像,利用针对该样本图像所属的训练集而设置的损失确定层,基于该样本图像的融合后的特征来计算该样本图像的损失函数,并基于所述损失函数来训练所述分类模型,/n其中,所述第一预定数量的训练集共享针对每个训练集分别设置的特征融合层和特征提取层中的至少一个层。/n
【技术特征摘要】
1.一种训练分类模型的装置,包括:
特征提取单元,被配置成针对第一预定数量的训练集中的每个训练集分别设置相应数量的特征提取层,并且被配置成对于每个样本图像,利用针对该样本图像所属的训练集而设置的特征提取层,分别提取该样本图像的特征,从而得到该样本图像的所提取出的特征,其中,所述第一预定数量的训练集中的至少两个训练集至少部分重叠;
特征融合单元,被配置成针对所述第一预定数量的训练集中的每个训练集分别设置相应数量的特征融合层,并且被配置成对于每个样本图像,利用针对该样本图像所属的训练集而设置的特征融合层,对该样本图像的所提取出的特征进行融合,从而得到该样本图像的融合后的特征;以及
损失确定单元,被配置成针对所述第一预定数量的训练集中的每个训练集分别设置损失确定层,并且被配置成对于每个样本图像,利用针对该样本图像所属的训练集而设置的损失确定层,基于该样本图像的融合后的特征来计算该样本图像的损失函数,并基于所述损失函数来训练所述分类模型,
其中,所述第一预定数量的训练集共享针对每个训练集分别设置的特征融合层和特征提取层中的至少一个层。
2.根据权利要求1所述的训练分类模型的装置,其中,
针对每个训练集分别设置的特征融合层包括多个特征融合层,以及所述第一预定数量的训练集不共享针对每个训练集分别设置的所述多个特征融合层中的至少一个层。
3.根据权利要求1所述的训练分类模型的装置,还包括获得局部区域单元,被配置成针对每个样本图像,获得该样本图像的第二预定数量的局部区域,其中,每个局部区域是所述样本图像的全局区域中的一部分,
其中,所述特征提取单元被配置成针对所述全局区域和每个预定局部区域分别设置相应数量的特征提取层,用以分别提取所述全局区域的全局特征和每个预定局部区域的局部特征,以及
所述第一预定数量的训练集共享针对每个训练集中的样本图像的所述全局区域设置的特征提取层中的至少一个层。
4.根据权利要求3所述的训练分类模型的装置,其中,所述第一预定数量的训练集还共享针对每个训练集中的样本图像的预定局部区域中的至少一个预定局部区域设置的特征提取层中的至少一个层。
5.根据权利要求3所述的训练分类模型的装置,其中,
在所述特征提取单元中,所述全局区域和所述第二预定数量的预定局部区域共享针对所述全局区域和每个预定局部区域分别设置的相应数量的特征提取层中的至少一个层,以在所共享的所述至少一个层中将所述全局特征和每个局部特征进行结合,从而得到每个样本图像的结合后的特征。
6.根据权利要求5所述的训练分类模型的装置,其中,所述...
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。