一种分类模型训练方法、对象分类方法及相关设备技术

本申请涉及一种分类模型训练方法、对象分类方法及相关设备，该分类模型训练方法包括：获取训练样本集合；训练样本集合包括多个样本子集合，多个样本子集合对应多个不同种类的类别标签；构建预设机器学习模型；基于预设机器学习模型，对训练样本集合中每个训练样本进行类别预测，得到每个训练样本的预测类别信息；预测类别信息是基于多个样本子集合中各样本子集合中的样本数量和训练样本的特征输出指数确定的；基于每个训练样本的预测类别信息与每个训练样本的类别标签确定损失值；根据损失值对预设机器学习模型进行训练直至满足预设训练结束条件，得到分类模型。如此，可以提高分类模型的识别准确度，可以提高其在汽车领域应用的安全性。用的安全性。用的安全性。

【技术实现步骤摘要】
一种分类模型训练方法、对象分类方法及相关设备


[0001]本申请涉及机器学习
，特别涉及一种分类模型训练方法、对象分类方法及相关设备。

技术介绍

[0002]目前深度学习已经成为人工智能领域的研究热门，在自动驾驶领域上更是应用广泛，尤其是在视觉感知上，在车辆上引入视觉能够使车辆对周边的环境进行目标检测、目标分类、图像分割等，从而有效提升车辆的安全性、稳定性、智能性。自动驾驶需要感知的对象庞杂，存在天然的数据不平衡问题，无法对每个对象采集足够多的样本数据，比如异型车、红绿灯等。在自动驾驶中，由于汽车行驶过程中安全的重要性，少见的样本数据依然会给汽车带来极大的安全隐患，所以研究不平衡数据学习方法具有重要意义。
[0003]不平衡数据学习算法的核心是消除常见样本对模型的影响，使模型更好的学习少见数据样本。然而，传统的不平衡数据学习仅从数据集特征学习上进行均衡，无法有效解决训练过程中的梯度贡献问题，并不能很好地满足感知任务中对于感知对象的精度要求。因此，亟需提高现有不均衡数据学习模型对少见样本的识别准确度。
专利
技术实现思路

本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型训练方法，其特征在于，包括：获取训练样本集合；所述训练样本集合包括多个样本子集合，所述多个样本子集合对应多个不同种类的类别标签；构建预设机器学习模型；基于所述预设机器学习模型，对所述训练样本集合中每个训练样本进行类别预测，得到所述每个训练样本的预测类别信息；所述预测类别信息是基于所述多个样本子集合中各样本子集合中的样本数量和所述训练样本的特征输出指数确定的；基于所述每个训练样本的预测类别信息与所述每个训练样本的类别标签确定损失值；根据所述损失值对所述预设机器学习模型进行训练直至满足预设训练结束条件，得到分类模型。2.根据权利要求1所述的方法，其特征在于，所述每个训练样本的预测类别信息包括各类别对应的预测概率值；所述基于所述每个训练样本的预测类别信息与所述每个训练样本的类别标签确定损失值，包括：获取损失函数；针对每个训练样本：将各类别对应的预测概率值中的最大预测概率值对应的类别确定为准目标类别，将所述最大预测概率值确定为准目标概率值；确定所述准目标概率值对应的非准目标概率值；所述非准目标概率值与所述准目标概率值之和为第一预设数值；根据所述损失函数，确定所述非准目标概率值与所述每个训练样本的类别标签对应的真实值之间的损失值。3.根据权利要求1所述的方法，其特征在于，所述多个样本子集合中任意一个样本子集合的样本数量大于等于第二预设数值；所述第二预设数值根据所述多个样本子集合中样本数量大于等于第一阈值的样本子集合的样本数量确定。4.根据权利要求3所述的方法，其特征在于，所述获取训练样本集合，包括：获取不均衡的初始训练样本集合；所述初始训练样本集合包括多个初始样本子集；当所述多个初始样本子集合中任意两个初始样本子集合之间的样本数量之比不满足所述预设值时，对所述任意两个初始样本子集合中样本数量小于第二阈值的初始样本子集合进行样本生成操作；当所述任意两个初始样本子集合之间的样本数量之比满足所述预设值时，得到所述训练样本集合。5.根据权利要求1所述的方法，其特征在于，所述样本生成操作包括对所述初始样本子集合中的训练样本进行旋转、平移、镜像、添加噪声、色彩变换中的至少一种操作。6.根据权利要求2所述的方法，其特征在于，所述根据所述损失值对所述预设机器学习模型进行训练直至满足预设训练结束条件，得到分类模型，包括：对所述损失值求导以进行梯度下降，更新所述预设机器学习模型的模型参数，直至满足预设训练结束条件，将当前模型参数当作最佳模型参数，得...

【专利技术属性】
技术研发人员：李鑫武，丁华杰，金悦，
申请(专利权)人：中汽创智科技有限公司，
类型：发明
国别省市：