用于对数据分类的计算机实现的方法和设备技术

提供了用于对数据分类的计算机实现的方法和设备。用于基于模型（112）对数据进行分类的设备（100）和方法，模型（112）包括生成器和分类器，其特征在于：提供训练对，该训练对包括属于数据集的训练示例和属于第一类嵌入集合的类嵌入；训练生成器以取决于训练对在特征空间中生成人工训练示例；取决于生成器并取决于第二类嵌入集合的类嵌入来确定特征空间中的人工训练示例，特别地，其中第一类嵌入集合和第二类嵌入集合是不相交的集合；训练分类器以取决于人工样本和类嵌入从类集合确定人工样本的类，特别地，其中该类集合是由第一类嵌入集合表征的第一类集合和由第二类嵌入集合表征的第二类集合的并集；以及取决于分类器对数据进行分类。

【技术实现步骤摘要】
用于对数据分类的计算机实现的方法和设备
本专利技术涉及用于对数据分类的方法和设备。
技术介绍
在数据处理中，可以通过分类器对图像数据进行分类。分类器可以被训练成基于训练数据对数据进行分类。当不同来源的附加数据可用于训练数据时，分类器可以被训练成基于附加数据改进分类。附加数据可以包括训练数据的文本描述。最先进技术YONGQINXIAN等人的“FeatureGeneratingNetworksforZero-ShotLearning”（ARXIV.ORG,CORNELLUNIVERSITYLIBRARY,201OLINLIBRARYCORNELLUNIVERSITYITHACA,NY14853，2017年12月4日）提出了生成对抗性网络（GAN），其综合以类级语义信息为条件的CNN特征，从而提供直接从类的语义描述符到类条件特征分布的捷径。HOSHENYEDID等人的“Non-AdversarialImageSynthesisWithGenerativeLatentNearestNeighbors”（2019IEEE/CVFC本文档来自技高网...

【技术保护点】
1.基于模型（112）对数据、特别是图像数据进行分类的计算机实现的方法，模型（112）包括生成器和分类器，/n其中生成器被训练成从属于数据集的训练示例和属于第一类嵌入集合的类嵌入生成包括嵌入、特别是特征图的人工训练示例，所述方法包括/n取决于嵌入、特别是特征图——生成器响应于第二类嵌入集合的类嵌入的输出，确定（208）人工训练示例，特别地，其中第一类嵌入集合和第二类嵌入集合是不相交的集合，/n存储人工训练示例和/或训练（210）分类器，以取决于人工训练示例和类嵌入从类集合确定人工训练示例的类，以及/n取决于分类器对数据进行分类（210，212），/n其特征在于，生成器被训练成通过隐式最大似然估...

【技术特征摘要】
20200122 EP 20153107.61.基于模型（112）对数据、特别是图像数据进行分类的计算机实现的方法，模型（112）包括生成器和分类器，
其中生成器被训练成从属于数据集的训练示例和属于第一类嵌入集合的类嵌入生成包括嵌入、特别是特征图的人工训练示例，所述方法包括
取决于嵌入、特别是特征图——生成器响应于第二类嵌入集合的类嵌入的输出，确定（208）人工训练示例，特别地，其中第一类嵌入集合和第二类嵌入集合是不相交的集合，
存储人工训练示例和/或训练（210）分类器，以取决于人工训练示例和类嵌入从类集合确定人工训练示例的类，以及
取决于分类器对数据进行分类（210，212），
其特征在于，生成器被训练成通过隐式最大似然估计（IMLE）来生成人工训练示例。


2.根据权利要求1所述的方法，其中，所述类集合是由第一类嵌入集合表征的第一类集合和由第二类嵌入集合表征的第二类集合的并集。


3.根据权利要求1或2所述的方法，其特征在于，提供（208）用于类嵌入的人工示例集合，其中，取决于从所述人工示例集合中采样的多个人工示例并取决于类嵌入来训练（210）分类器。


4.根据权利要求1至3所述的方法，其特征在于，提供（202）多个训练对，并且训练（206）生成器以取决于所述多个训练对生成人工训练示例。


5.根据权利要求1至4中任一项所述的方法，其特征在于，训练（206...

【专利技术属性】
技术研发人员：E·舍恩菲尔德，A·霍列娃，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE