训练分类模型的装置和方法及利用分类模型分类的装置制造方法及图纸

公开了一种训练分类模型的装置和方法及利用分类模型分类的装置。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特征提取层，并且提取样本图像的特征，至少两个训练集至少部分重叠；特征融合单元，被配置成针对训练集分别设置特征融合层，并且对样本图像的所提取出的特征进行融合；以及损失确定单元，被配置成针对每个训练集分别设置损失确定层，并且基于样本图像的融合后的特征来计算样本图像的损失函数，并基于损失函数来训练分类模型，其中，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。

【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。根据本公开的一方面，提供了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。根据本公开的另一方面，提供了一种训练分类模型的方法，包括：特征提取步骤，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；特征融合步骤，针对所述第一预定数量的训练集分别设置相应数量的特征融合层，并且对于每个样本图像，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，从而得到每个样本图像的融合后的特征；以及损失确定步骤，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提取层和特征融合层中的至少一个层。根据本公开的另一方面，提供了一种利用分类模型进行分类的装置，包括：第二特征提取单元，被配置成利用所述分类模型中针对第一预定数量的训练集中的每个训练集分别设置的相应数量的特征提取层，分别提取待分类图像的特征，从而得到所述待分类图像的所提取出的特征；第二特征融合单元，被配置成利用所述分类模型中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的相应数量的特征融合层，对所述待分类图像的所提取出的特征进行融合，从而得到所述待分类图像的融合后的特征；以及第二损失确定单元，被配置成利用所述分类模型中针对所述第一预定数量的训练集分别设置的损失确定层，基于所述待分类图像的融合后的特征来计算所述待分类图像的损失函数，并基于所述损失函数来对所述待分类图像进行分类，其中，在所述分类模型中，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。根据本公开的其它方面，还提供了用于实现上述根据本公开的方法的计算机程序代码和计算机程序产品。在下面的说明书部分中给出本公开实施例的其它方面，其中，详细说明用于充分地公开本公开实施例的优选实施例，而不对其施加限定。附图说明本公开可以通过参考下文中结合附图所给出的详细描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并形成说明书的一部分，用来进一步举例说明本公开的优选实施例和解释本公开的原理和优点。其中：图1是示出根据本公开实施例的训练分类模型的装置的功能配置示例的框图；图2是示意性示出根据本公开实施例的训练分类模型的装置的一个结构配置示例的图；图3是示意性示出根据本公开实施例的训练分类模型的装置的另一结构配置示例的图；图4是示出根据本公开实施例的训练分类模型的方法的流程示例的流程图；图5是示出根据本公开实施例的利用预先训练的分类模型进行分类的装置的功能配置示例的框图；图6是示出根据本公开实施例的利用预先训练的分类模型进行分类的方法的流程示例的流程图；以及图7是示出作为本公开实施例中可采用的个人计算机的示例结构的框图。具体实施方式在下文中将结合附图对本公开的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与根据本公开的方案密切相关的设备结构和/或处理步骤，而省略了与本公开关系不大的其它细节。下面结合附图详细说明根据本公开的实施例。首先，将参照图1描述根据本公开实施例的训练分类模型的装置100的功能框图。图1是示出根据本公开实施例的训练分类模型的装置100的功能配置示例的框图。如图1所示，根据本公开实施例的训练分类模型的本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：张梦，刘汝杰，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP