【技术实现步骤摘要】
孪生网络的测试样本类别确定方法、装置及终端设备
本申请涉及深度学习领域，尤其是一种孪生网络的测试样本类别确定方法、装置及终端设备。
技术介绍
孪生网络是一种通过构建样本对来实现分类任务的深度学习算法。具体实现中，是将测试样本与所有的训练样本构建样本对，输入至孪生网络中，得分最高的样本对中的训练样本与测试样本是最接近的样本，则该训练样本的类别即为测试样本的类别。但是，当测试样本的数量庞大时，若要与所有训练样本一一构建样本对，耗时会很长并且计算效率低，造成大量计算资源的浪费。现有技术中采用召回的方法，即从大量的训练样本中例如n个训练样本，利用快速计算的方法，得到最有可能的k个训练样本，将该k个训练样本与测试样本一一构建样本对，k小于n。然而，现有技术会带来召回率低的问题，即通过快速计算的方法得到的最有可能的k个训练样本中是测试样本的真实类别的可能性低，使得孪生网络的分类精度低，适用性差。
技术实现思路
本申请提供了一种基于孪生网络的类别标签确定方法、装置及设备，可以提高孪生网络中测试样本类别的...
【技术保护点】
1.一种孪生网络的测试样本类别确定方法，其特征在于，所述方法包括：/n通过孪生网络获取训练样本中任一类别的任一样本的向量表示，并获取所述任一样本在所述任一类别中所占的权重；/n根据所述任一类别中各样本的向量表示和各样本的所述权重确定所述任一类别的类别表示；/n通过所述孪生网络获取测试样本的样本向量表示，根据所述样本向量表示和所述训练样本中所有类别的类别表示构建样本对，其中，所述样本向量表示与一个类别的类别表示构建一个样本对；/n将各样本对输入所述孪生网络，通过所述孪生网络确定各类别表示与所述样本向量表示的相似度，基于各类别表示与所述样本向量表示的相似度确定所述测试样本的类别。/n
【技术特征摘要】
1.一种孪生网络的测试样本类别确定方法，其特征在于，所述方法包括：
通过孪生网络获取训练样本中任一类别的任一样本的向量表示，并获取所述任一样本在所述任一类别中所占的权重；
根据所述任一类别中各样本的向量表示和各样本的所述权重确定所述任一类别的类别表示；
通过所述孪生网络获取测试样本的样本向量表示，根据所述样本向量表示和所述训练样本中所有类别的类别表示构建样本对，其中，所述样本向量表示与一个类别的类别表示构建一个样本对；
将各样本对输入所述孪生网络，通过所述孪生网络确定各类别表示与所述样本向量表示的相似度，基于各类别表示与所述样本向量表示的相似度确定所述测试样本的类别。
2.根据权利要求1所述的方法，其特征在于，所述获取所述任一样本在所述任一类别中所占的权重包括：
获取所述任一样本在所述任一类别中所占的初始权重，根据所述任一类别中各样本的向量表示和各样本的所述初始权重确定所述任一类别的初始类别表示；
根据所述任一类别的初始类别表示与所述任一样本的向量表示的相似度，对所述任一样本的所述初始权重进行更新以得到所述任一样本的目标权重；
若所述任一样本的目标权重使得所述任一类别的初始类别表示与所述任一样本的向量表示的相似度不小于预设相似度阈值，则将所述目标权重确定为所述任一样本在所述任一类别中所占用的权重。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
若所述任一样本的目标权重使得所述任一类别的初始类别表示与所述任一样本的向量表示的相似度小于所述预设相似度阈值，则将所述目标权重作为所述任一样本的初始权重并执行根据所述任一类别中各样本的向量表示和各样本的所述初始权重确定所述任一类别的初始类别表示的步骤。
4.根据权利要求2所述的方法，其特征在于，所述通过所述孪生网络确定各类别表示与所述样本向量表示的相似度包括：
通过所述孪生网络计算所述训练样本中各类别的类别表示与所述样本向量表示之间的欧式距离；
基于各类别表示与所述样本向量表示之间的欧式距离，确定各类别表示与所述样本向量表示的相似度。
5.根据权利要求4所述的方法，其特征在于，所述基于各类别的类别表示与所述样本向量表示的相似度确定所述测试样本的类别包括：
比较各类别...
【专利技术属性】
技术研发人员：蒋雪涵，姚海申，朱昭苇，孙行智，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
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。