[发明专利]用于提高经训练的机器学习模型的性能的方法

权利要求书

1.一种计算机实现的用于提高经训练的机器学习模型的性能的方法，包括：

在具有第二目标函数的第二分类器处接收由具有第一目标函数的第一分类器生成的特征表示；以及

在所述第二分类器处根据通过将所述特征表示与所述第二分类器的权重进行混合所生成的特征向量来对图像中所标识的对象进行分类，其中所述第二目标函数被配置成直接减少由所述第一分类器产生的分类误差的数目，其中所述第二目标函数是所述第一分类器与所述第二分类器的训练误差之间的差的函数，其中所述第一分类器的训练误差是使用硬概率来预测的并且所述第二分类器的训练误差是使用软概率来预测的。

2.如权利要求1所述的方法，其特征在于，所述第一目标函数是可微分的。

3.如权利要求1所述的方法，其特征在于，所述第二目标函数是非可微分的。

4.如权利要求1所述的方法，其特征在于，进一步包括至少部分地基于来自高复杂度模型的概率的混合来确定所述第二目标函数。

5.如权利要求1所述的方法，其特征在于，进一步包括添加所述第二分类器而不重新训练所述第一分类器。

6.如权利要求1所述的方法，其特征在于，进一步包括将所述第二分类器外部地添加到所述第一分类器。

7.如权利要求1所述的方法，其特征在于，进一步包括将为身份值的权重指派给由所述第一分类器训练的模型产生的特征。

8.如权利要求7所述的方法，其特征在于，进一步包括将为零的权重指派给由高复杂度模型的概率向量产生的特征。

9.如权利要求1所述的方法，其特征在于，进一步包括将权重指派给由所述第二分类器的概率向量产生的特征。

10.如权利要求1所述的方法，其特征在于，进一步包括将为零的权重指派给由高复杂度模型的概率向量产生的特征。

11.如权利要求10所述的方法，其特征在于，进一步包括将权重指派给由所述第二分类器的概率向量产生的特征。

12.如权利要求1所述的方法，其特征在于，进一步包括将由高复杂度模型产生的概率向量以固定的温度T为因子进行缩放。

13.一种用于提高经训练的机器学习模型的性能的装置，包括：

存储器；以及

至少一个处理器，其耦合到所述存储器，所述至少一个处理器被配置为：

在具有第二目标函数的第二分类器处接收由具有第一目标函数的第一分类器生成的特征表示；以及

在所述第二分类器处根据通过将所述特征表示与所述第二分类器的权重进行混合所生成的特征向量来对图像中所标识的对象进行分类，其中所述第二目标函数被配置成直接减少由所述第一分类器产生的分类误差的数目，其中所述第二目标函数是所述第一分类器与所述第二分类器的训练误差之间的差的函数，其中所述第一分类器的训练误差是使用硬概率来预测的并且所述第二分类器的训练误差是使用软概率来预测的。

14.如权利要求13所述的装置，其特征在于，所述第一目标函数是可微分的。

15.如权利要求13所述的装置，其特征在于，所述第二目标函数是非可微分的。

16.如权利要求13所述的装置，其特征在于，所述至少一个处理器被进一步配置为至少部分地基于来自高复杂度模型的概率的混合来确定所述第二目标函数。

17.如权利要求13所述的装置，其特征在于，所述至少一个处理器被进一步配置为添加所述第二分类器而不重新训练所述第一分类器。