一种分类方法和装置制造方法及图纸

本申请实施例提供了一种分类方法和装置，该方法包括：由所述分类模型对所述第一数据进行处理获取初始分类结果和分类权重；根据所述分类权重对所述初始分类结果的置信度进行修正；当修正后的置信度大于预设的置信度阈值时，将所述初始分类结果作为最终分类结果。通过该实施例方案，提高了分类准确率。提高了分类准确率。提高了分类准确率。

【技术实现步骤摘要】
一种分类方法和装置


[0001]本文涉及数据挖掘技术，尤指一种分类方法和装置。

技术介绍

[0002]目前的对抗训练方法只保留一个分类功能，这就使得训练出来的分类模型被强制要求对于任何输入都返回一个分类预测。这样会导致分类模型在一些其不确定的样本上有很高的概率返回错误的预测，因此，已有的模型分类技术在对抗环境下的准确率遇到了瓶颈，例如在CIFAR
‑
10数据集上的鲁棒准确率仅有65％，远远低于可以在现实环境中可靠使用的预期。

技术实现思路

[0003]本申请实施例提供了一种分类方法和装置，提高了分类准确率。
[0004]本申请实施例提供了一种分类方法，所述方法可以包括：
[0005]将待分类的第一数据输入预设的分类模型；
[0006]由所述分类模型对所述第一数据进行处理获取初始分类结果和分类权重；
[0007]根据所述分类权重对所述初始分类结果的置信度进行修正；
[0008]当修正后的置信度大于预设的置信度阈值时，将所述初始分类结果作为最终分类结果。
[0009]在本申请的示例性实施例中，所述方法还可以包括：当修正后的置信度小于或等于所述置信度阈值时，执行以下任意一种或多种操作：
[0010]重新通过所述分类模型对所述第一数据进行处理，以重新获取初始分类结果和分类权重，并再次根据重新获取的分类权重对重新获取的初始分类结果的置信度进行修正，根据修正后的置信度确定分类结果；
[0011]输出分类结果；所述分类结果为：不能确定；以及，
[0012]发出对分类结果进行人工修正的提醒信息。
[0013]在本申请的示例性实施例中，在由所述分类模型对所述第一数据进行处理获取初始分类结果和分类权重之前，所述方法还可以包括：
[0014]通过所述分类模型提取所述第一数据的数据特征。
[0015]在本申请的示例性实施例中，所述分类模型可以包括softmax模块；
[0016]由所述分类模型对所述第一数据进行处理获取初始分类结果，包括：
[0017]由所述softmax模块根据所述数据特征进行分类，并获取所述初始分类结果。
[0018]在本申请的示例性实施例中，所述分类模型可以包括sigmoid函数模块；
[0019]由所述分类模型对所述第一数据进行处理获取分类权重，包括：
[0020]由所述sigmoid函数模块根据所述数据特征计算所述分类权重。
[0021]在本申请的示例性实施例中，所述由所述softmax模块根据所述数据特征进行分类，并获取所述初始分类结果，可以包括：
[0022]由所述softmax模块根据所述数据特征确定出所述第一数据被分类到每一类型对应的初始置信度；
[0023]获取多个初始置信度中数值最大的初始置信度，将所述数值最大的初始置信度对应的分类类型作为所述初始分类结果。
[0024]在本申请的示例性实施例中，所述根据所述分类权重对所述初始分类结果的置信度进行修正，可以包括：
[0025]将所述数值最大的初始置信度与所述分类权重相乘，将相乘结果作为修正后的置信度。
[0026]在本申请的示例性实施例中，所述方法还可以包括：预先通过训练样本对包含softmax模块和sigmoid函数模块的神经网络模型进行训练，获取所述分类模型。
[0027]在本申请的示例性实施例中，所述方法还可以包括：在通过训练样本对所述神经网络模型进行训练过程中，通过由所述sigmoid函数模块根据所述训练样本的样本特征计算出的分类权重计算出修正后的样本分类权重，根据所述样本分类权重确定出对所述训练样本的分类结果，并根据对所述训练样本的分类结果从所述训练样本中剔除分类结果不能确定的训练样本。
[0028]本申请实施例提供了一种分类装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现了上述任意一项所述的分类方法。
[0029]与相关技术相比，本申请实施例可以包括：由所述分类模型对所述第一数据进行处理获取初始分类结果和分类权重；根据所述分类权重对所述初始分类结果的置信度进行修正；当修正后的置信度大于预设的置信度阈值时，将所述初始分类结果作为最终分类结果。通过该实施例方案，提高了分类准确率。
[0030]本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
[0031]附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
[0032]图1为本申请实施例的分类方法流程图；
[0033]图2为本申请实施例的训练方法示意图；
[0034]图3为本申请实施例的分类方法示意图；
[0035]图4为本申请实施例的在CIFAR
‑
10上采用本申请实施例方法(RR)与其他方法的性能比较结果示意图；
[0036]图5为本申请实施例的在CIFAR
‑
10上采用本申请实施例方法(RR)的输出分布与SelectiveNet的输出分布可视化示意图；
[0037]图6为本申请实施例的在CIFAR
‑
100上采用本申请实施例方法(RR)与其他方法的性能比较结果示意图；
[0038]图7为本申请实施例的在CW攻击以及PGD
‑
1000攻击上本申请实施例的方法(RR)与
其他方法的性能比较示意图；
[0039]图8为本申请实施例的分类装置组成框图。
具体实施方式
[0040]本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
[0041]本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的专利技术方案。任何实施例的任何特征或元件也可以与来自其它专利技术方案的特征或元件组合，以形成另一个由权利要求限定的独特的专利技术方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
[0042本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类方法，其特征在于，所述方法包括：将待分类的第一数据输入预设的分类模型；由所述分类模型对所述第一数据进行处理获取初始分类结果和分类权重；根据所述分类权重对所述初始分类结果的置信度进行修正；当修正后的置信度大于预设的置信度阈值时，将所述初始分类结果作为最终分类结果。2.根据权利要求1所述的分类方法，其特征在于，所述方法还包括：当修正后的置信度小于或等于所述置信度阈值时，执行以下任意一种或多种操作：重新通过所述分类模型对所述第一数据进行处理，以重新获取初始分类结果和分类权重，并再次根据重新获取的分类权重对重新获取的初始分类结果的置信度进行修正，根据修正后的置信度确定分类结果；输出分类结果；所述分类结果为：不能确定；以及，发出对分类结果进行人工修正的提醒信息。3.根据权利要求1所述的分类方法，其特征在于，在由所述分类模型对所述第一数据进行处理获取初始分类结果和分类权重之前，所述方法还包括：通过所述分类模型提取所述第一数据的数据特征。4.根据权利要求3所述的分类方法，其特征在于，所述分类模型包括softmax模块；由所述分类模型对所述第一数据进行处理获取初始分类结果，包括：由所述softmax模块根据所述数据特征进行分类，并获取所述初始分类结果。5.根据权利要求3所述的分类方法，其特征在于，所述分类模型包括sigmoid函数模块；由所述分类模型对所述第一数据进行处理获取分类权重，包括：由所述sigmoid函数模块根据所述数据特征计算所述...

【专利技术属性】
技术研发人员：朱军，庞天宇，
申请(专利权)人：清华大学，
类型：发明
国别省市：