本申请公开了卷积神经网络训练方法和系统、对象分类方法和分类器。卷积神经网络训练方法包括:将训练样品集中的包含训练样品数目大于预定值的类别划分成多个子类别,其中所划分出的每个子类别所包含的训练样品数目小于或等于预定值;以及根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络。根据本申请,训练过程对训练样品集的非均衡性的耐受性增强,相应地,CNN的训练质量以及使用CNN进行对象分类的准确性得以提高。
【技术实现步骤摘要】
本申请涉及深度学习领域,具体地涉及卷积神经网络训练方法和系统、对象分类的方法和分类器。
技术介绍
作为深度学习网络的典型代表,CNN(Conventional Neural Network,卷积神经网络)在图像识别领域中得到越来越广泛的应用。在图像识别领域中,对对象进行分类是一种常用操作。传统地,一般采用经过预分类的训练样品集对用于对象分类的CNN进行训练,然后使用经过训练的CNN对对象进行分类,诸如二分类或多分类。然而,训练CNN所使用的训练样品集中的样品分布容易出现非均衡。相应地,直接使用非均衡的样品集训练CNN会降低对象分类的准确性。
技术实现思路
本申请提供了卷积神经网络训练的技术方案和对象分类的技术方案。本申请实施例的一方面提供了卷积神经网络训练方法,该方法可包括:将训练样品集中的包含训练样品数目大于预定值的类别划分成多个子类别,其中所划分出的每个子类别所包含的训练样品数目小于或等于预定值;以及根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络。本申请实施例的另一方面提供了卷积神经网络训练系统,该卷积神经网络训练系统可包括:聚类器,将训练样品集中的包含训练样品数目大于预定值的类别划分成多个子类别,其中所划分出的每个子类别所包含的训练样品数目小于或等于预定值;以及训练器,根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络。本申请实施例的另一方面提供了对象分类方法,该方法可利用上述卷积神经网络训练方法训练出的卷积神经网络对对象进行分类。本申请实施例的另一方面提供了用于对象分类的分类器,在分类器上可实施有如上的系统训练出的卷积神经网络以对对象进行分类。本申请实施例的另一方面提供了卷积神经网络训练系统,可包括:存储器,存储可执行指令;以及处理器,与存储器通信以执行可执行指令从而完成以下操作:将训练样品集中的包含训练样品数目大于预定值的类别划分成多个子类别,其中所划分出的每个子类别所包含的训练样品数目小于或等于预定值;以及根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络。本申请实施例的另一方面提供了对象分类系统,可包括:存储器,存储可执行指令;以及处理器,与存储器通信以执行可执行指令从而利用上述卷积神经网络训练方法训练出的卷积神经网络对对象进行分类。本申请实施例的另一方面提供了非暂时性计算机存储介质,该介质可存储计算机可读指令,当这些指令被执行时可使处理器执行以下操作:将训练样品集中的包含训练样品数目大于预定值的类别划分成多个子类别,其中所划分出的每个子类别所包含的训练样品数目小于或等于预定值;以及根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络。本申请实施例的另一方面提供了非暂时性计算机存储介质,该介质可存储计算机可读指令,当这些指令被执行时可使处理器利用上述卷积神经网络训练方法训练出的卷积神经网络对对象进行分类。根据本申请实施例,根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络之前,卷积神经网络训练方法还可包括:调整训练样品集中多个训练样品之间的相似度以使得:同一子类别的训练样品之间的相似度提升而不同子类别的训练样品之间的相似度降低;和/或同一类别的训练样品之间的相似度提升而不同类别的训练样品之间的相似度降低。根据本申请实施例,根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络之前,卷积神经网络训练方法可包括:调整训练样品集多个训练样品之间的相似度以使得同一子类别的相似度最小的两个训练样品之间的相似度大于不同子类别的相似度最大的两个训练样品之间的相似度。根据本申请实施例,根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络之前,卷积神经网络训练方法可包括:调整训练样品集中多个训练样品之间的相似度以使得同一类别的相似度最小的两个训练样品之间的相似度大于不同类别的相似度最大的两个训练样品之间的相似度。根据本申请实施例,根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络之前,卷积神经网络训练方法还可包括调整训练样品集中多个训练样品之间的相似度以使得:同一子类别的相似度最小的两个训练样品之间的相似度、同一类别但不同子类别的相似度最大的两个训练样品之间的相似度、同一类别的相似度最小的两个训练样品之间的相似度以及不同类别的相似度最大的两个训练样品之间的相似度依次递减。根据本申请实施例,根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络可包括:为训练样品集中的每个给定训练样品确定多个关联训练样品;以及根据给定训练样品和多个关联训练样品共同训练卷积神经网络。根据本申请实施例,根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络可包括:根据多个训练样品之间经过调整后的相似度,为训练样品集中的每个给定训练样品确定多个关联训练样品;以及根据给定训练样品与多个关联训练样品共同训练卷积神经网络。根据本申请实施例,关联训练样品可包括:与给定训练样品属于同一子类别并与给定训练样品相似度最小的第一关联训练样品;与给定训练样品属于同一类别但属于不同子类别并与给定训练样品相似度最大第二关联训练样品;与给定训练样品属于同一类别并与给定训练样品相似度最小第三关联训练样品;以及与给定训练样品属于不同类别并与给定训练样品相似度最大第四关联训练样品。根据本申请实施例,根据给定训练样品和多个关联训练样品共同训练卷积神经网络可包括:根据给定训练样品、第一关联训练样品、第二关联训练样品、第三关联训练样品以及第四关联训练样品迭代训练卷积神经网络,直到基于卷积神经网络的输出确定的以下相似度依次递减:第一关联训练样品与给定训练样品之间的相似度;第二关联训练样品与给定训练样品之间的相似度;第三关联训练样品与给定训练样品之间的相似度;以及第四关联训练样品与给定训练样品之间的相似度。根据本申请实施例,对象分类方法可包括:以对象为中心按照与对象的相似度从大到小的顺序选取预定数量的子类别;当预定数量的子类别中各子类别属于同一类别时,将对象划分到与预定数量的子类别相同的类别。根据本申请实施例,对象分类方法可包括:以对象为中心按照与对象的相似度从大到小的顺序选取预定数量的子类别;当预定数量的子类别中至少二个子类别属于不同类别时,将对象划分到这样一种类别中,即,在预定数量的子类别中,对象与该类别中相似度最小的子类别之间的相似度与对象与其它类别的子类别中相似度最大的子类别之间的相似度差值最大。根据本申请实施例,聚类器还可用于在根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络之前,调整训练样品集中多个训练样品之间的相似度以使得:同一子类别的训练样品之间的相似度提升而不同子类别的训练样品之间的相似度降低;和/或,同一类别的训练样品之间的相似度提升而不同类别的训练样品之间的相似度降低。根据本申请实施例,聚类器还可用于在根据划分出的子类别以及训练样品集中未经划分的类别训练卷积神经网络之前,调整训练样品集中多个训练样品之间的相似度以使得:同一子类别的相似度最小的两个训练样品之间的相似度大于不同子类别的相似度最大的两个训练样品之间的相似度。根据本申请实施例,聚类器还可用于在根据划分出的子类别以及训练样品集中未经划本文档来自技高网...
【技术保护点】
一种卷积神经网络训练方法,其特征在于,包括:将训练样品集中包含训练样品数目大于预定值的类别划分成多个子类别,其中所划分出的每个子类别所包含的训练样品数目小于或等于所述预定值;以及根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络。
【技术特征摘要】
1.一种卷积神经网络训练方法,其特征在于,包括:将训练样品集中包含训练样品数目大于预定值的类别划分成多个子类别,其中所划分出的每个子类别所包含的训练样品数目小于或等于所述预定值;以及根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络。2.根据权利要求1所述的方法,其特征在于,所述根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络之前,所述方法还包括调整所述训练样品集中多个训练样品之间的相似度,以使得:同一子类别的训练样品之间的相似度提升而不同子类别的训练样品之间的相似度降低;和/或,同一类别的训练样品之间的相似度提升而不同类别的训练样品之间的相似度降低。3.根据权利要求1所述的方法,其特征在于,所述根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络之前,所述方法还包括:调整所述训练样品集中多个训练样品之间的相似度,以使得同一子类别的相似度最小的两个训练样品之间的相似度大于不同子类别的相似度最大的两个训练样品之间的相似度。4.根据权利要求1所述的方法,其特征在于,所述根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络之前,所述方法还包括:调整所述训练样品集中多个训练样品之间的相似度,以使得同一类别的相似度最小的两个训练样品之间的相似度大于不同类别的相似度最大的两个训练样品之间的相似度。5.根据权利要求1-4任一所述的方法,其特征在于,所述根据划分出的子类别以及所述训练样品集中未经...
【专利技术属性】
技术研发人员:汤晓鸥,黄琛,李亦宁,吕健勤,
申请(专利权)人:北京市商汤科技开发有限公司,
类型:发明
国别省市:北京;11
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。