一种损失函数优化方法、装置、计算机设备及存储介质制造方法及图纸

本申请属于图像分类技术领域，公开了一种损失函数优化方法、装置、计算机设备及存储介质，该方法包括：获得各图像的标签概率列表；将真实标签相同的标签概率列表进行拼接，并对其执行标签平滑操作，得到n个待筛选矩阵；采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵；将待叠加矩阵中同列数值相加，得到待约束列表；对待约束列表进行归一化后计算概率方差值，并获取真实标签对应的预测概率值；对n个待筛选矩阵遍历上述步骤，得到n个概率方差值和n个预测概率值；基于上述概率方差值、预测概率值和真实标签得到优化损失函数。本申请能够优化损失函数，提升损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。准确。准确。

【技术实现步骤摘要】
一种损失函数优化方法、装置、计算机设备及存储介质


[0001]本申请涉及图像分类
，尤其涉及一种损失函数优化方法、装置、计算机设备及存储介质。

技术介绍

[0002]在车款图像的分类任务中，通常先采用卷积网络分类模型对车款图像进行分类，得到每个图像样本的多个分类标签和各分类标签对应的概率，再采用损失函数根据标签和概率分布图进行预测，得到最终的分类结果。Distribution Focal Loss(DFL，狄拉克)损失函数是计算模型预测值与现实真实值之间差异的一种公式，损失函数到达最优则表明预测值与真实值差异最小，预测的分类结果最准确，而若要求该损失函数每次分类的结果百分之百准确，则要求在标签与概率的分布图中，真实标签上的概率是最高值应该为1，其余标签概率值之和为0。使得DFL损失函数计算真实标签左边以及右边与对应概率曲线所形成的面积最小，此时损失函数的预测值为最准确的分类结果。但是在车款图像分类问题之中，不同车款的图像之间的差异较小，例如同一品牌下的燃油车外观与新能源车外观区别仅存在于车头视角之中，使得卷积网络分类模型输出的标签和概率分布图无法使损失函数获得最优解，从而无法获得准确的分类结果。
[0003]因此，现有技术中存在因待分类的车款图像样本之间的差异较小，导致损失函数无法得到最优解，损失函数的分类结果不准确的问题。

技术实现思路

[0004]本申请提供了一种损失函数优化方法、装置、计算机设备及存储介质，能够优化损失函数，提升了损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。
[0005]第一方面，本申请实施例提供了一种损失函数优化方法，该方法包括：
[0006]步骤S1，将训练图像集输入卷积网络分类模型，得到训练图像集中各图像的标签概率列表，训练图像集中的各图像包括真实标签；
[0007]步骤S2，将真实标签相同的多个图像对应的标签概率列表进行拼接，得到n个标签概率矩阵，对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵；
[0008]步骤S3，采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵；
[0009]步骤S4，将待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对待约束列表进行归一化操作，得到归一化列表；计算归一化列表的概率方差值，并获取归一化列表中真实标签对应的预测概率值；
[0010]步骤S5，分别对n个待筛选矩阵依次执行步骤S3和步骤S4，得到n个概率方差值和n个预测概率值；基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数。
[0011]进一步的，上述对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵，包
括：将n个标签概率矩阵中的概率值均加上预设平滑值，得到n个待筛选矩阵。
[0012]进一步的，预设平滑值为0.1。
[0013]进一步的，上述对待约束列表进行归一化操作，得到归一化列表，包括：
[0014]采用归一化指数函数对待约束列表进行归一化操作，以使待约束列表中的各概率值均大于等于0且小于等于1，得到归一化列表。
[0015]进一步的，上述基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数，包括：
[0016]根据n个概率方差值得到方差平均值；
[0017]基于n个预测概率值和各预测概率值对应的真实标签得到狄拉克损失函数；
[0018]基于方差平均值和n个预测概率值得到焦点损失函数；
[0019]根据狄拉克损失函数和焦点损失函数得到优化损失函数。
[0020]第二方面，本申请实施例提供了一种损失函数优化装置，该装置包括：
[0021]初分类模块，用于将训练图像集输入卷积网络分类模型，得到训练图像集中各图像的标签概率列表，训练图像集中的各图像包括真实标签；
[0022]拼接模块，用于将真实标签相同的多个图像对应的标签概率列表进行拼接，得到n个标签概率矩阵，对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵；
[0023]降维模块，用于采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵；
[0024]方差计算模块，用于将待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对待约束列表进行归一化操作，得到归一化列表；计算归一化列表的概率方差值，并获取归一化列表中真实标签对应的预测概率值；
[0025]优化模块，用于分别对n个待筛选矩阵依次执行降维模块和方差计算模块，得到n个概率方差值和n个预测概率值；基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数。
[0026]进一步的，拼接模块包括平滑单元；平滑单元用于将n个标签概率矩阵中的概率值均加上预设平滑值，得到n个待筛选矩阵。
[0027]进一步的，方差计算模块包括归一化单元；
[0028]归一化单元用于采用归一化指数函数对待约束列表进行归一化操作，以使待约束列表中的各概率值均大于等于0且小于等于1，得到归一化列表。
[0029]第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上述任一实施例的损失函数优化方法的步骤。
[0030]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的损失函数优化方法的步骤。
[0031]综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
[0032]本申请实施例提供的一种损失函数优化方法，通过将卷积网络分类模型输出的多个标签概率列表按图像的真实标签进行拼接，得到同一车款的图像对应的标签概率矩阵，对标签概率矩阵进行标签平滑操作避免了卷积网络分类模型过拟合、泛化能力差的情况，采用主成分分析法对待筛选矩阵进行降维，实现了对待筛选矩阵中信息量较大的数据的筛选，加强了待叠加矩阵中数据的价值和联系，将经过以上操作的数据作为损失函数的输入，
实现了对损失函数的优化，提升了损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。
附图说明
[0033]图1为本申请一个示例性实施例提供的一种损失函数优化方法的流程图。
[0034]图2为本申请一个示例性实施例提供的优化损失函数获得步骤的流程图。
[0035]图3为本申请一个示例性实施例提供的一种损失函数优化装置的结构图。
具体实施方式
[0036]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0037]请参见图1，本申请实施例提供了一种损失函数优化方法，该方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种损失函数优化方法，其特征在于，所述方法包括：步骤S1，将训练图像集输入卷积网络分类模型，得到所述训练图像集中各图像的标签概率列表，所述训练图像集中的各所述图像包括真实标签；步骤S2，将所述真实标签相同的多个所述图像对应的所述标签概率列表进行拼接，得到n个标签概率矩阵，对n个所述标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵；步骤S3，采用主成分分析法对所述待筛选矩阵进行降维，得到待叠加矩阵；步骤S4，将所述待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对所述待约束列表进行归一化操作，得到归一化列表；计算所述归一化列表的概率方差值，并获取所述归一化列表中所述真实标签对应的预测概率值；步骤S5，分别对n个所述待筛选矩阵依次执行步骤S3和步骤S4，得到n个概率方差值和n个预测概率值；基于n个所述概率方差值、n个所述预测概率值和各所述预测概率值对应的所述真实标签得到优化损失函数。2.根据权利要求1所述的方法，其特征在于，所述对n个所述标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵，包括：将n个所述标签概率矩阵中的所述概率值均加上预设平滑值，得到n个所述待筛选矩阵。3.根据权利要求2所述的方法，其特征在于，所述预设平滑值为0.1。4.根据权利要求1所述的方法，其特征在于，所述对所述待约束列表进行归一化操作，得到归一化列表，包括：采用归一化指数函数对所述待约束列表进行归一化操作，以使所述待约束列表中的各所述概率值均大于等于0且小于等于1，得到所述归一化列表。5.根据权利要求1所述的方法，其特征在于，所述基于n个所述概率方差值、n个所述预测概率值和各所述预测概率值对应的所述真实标签得到优化损失函数，包括：根据n个所述概率方差值得到方差平均值；基于n个所述预测概率值和各所述预测概率值对应的所述真实标签得到狄拉克损失函数；基于所述方差平均值和n个所述预测概率值得到焦点损失函数；根据所...

【专利技术属性】
技术研发人员：王子镜，甘霖，
申请(专利权)人：国汽大有时空科技安庆有限公司，
类型：发明
国别省市：