[发明专利]分类模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种分类模型的训练方法，其特征在于，包括以下步骤：

获取不同类别的训练数据对分类模型进行训练，所述训练数据包括不同类别的样本及类别标签，所述分类模型为行人识别模型、车辆识别模型、物体检测模型、文章分类模型、音乐分类模型、视频分类模型、场景图像分类模型中的任意一个，所述训练数据为行人图像数据、车辆图像数据、物体图像数据、文本数据、音频数据、视频数据、场景图像数据中与所述分类模型对应的一项；

在训练过程中，根据分类层参数计算各个类别的样本分布紧凑度；以及

根据样本分类结果与类别标签，使用预设的损失函数计算对应样本的误差损失；

在所述误差损失满足预设条件时，基于所述各个类别的样本分布紧凑度，对损失函数中的类别框参数进行更新，得到各个类别对应的动态损失函数；

根据所述动态损失函数，对所述分类模型进行训练。

2.如权利要求1所述的方法，其特征在于，在所述根据分类层参数计算各个类别的样本分布紧凑度之前，所述方法还包括：

对所述分类模型进行初始化，得到初始化分类模型，所述初始化分类模型中的损失函数为固定损失函数；

通过所述训练数据，结合使用所述固定损失函数对所述初始化分类模型进行预设次数的预训练，以更新初始化分类模型中的分类层参数。

3.如权利要求2所述的方法，其特征在于，所述在训练过程中，根据分类层参数计算各个类别的样本分布紧凑度，包括：

获取第n次迭代时的分类层参数以及各个类别的样本特征，n为大于0的整数；

根据所述第n次迭代时的分类层参数以及各个类别的样本特征，计算第n次迭代时的各个类别的样本分布紧凑度。

4.如权利要求3所述的方法，其特征在于，所述根据样本分类结果与类别标签，使用预设的损失函数计算对应样本的误差损失，包括：

获取第n-1次迭代时的样本分类结果；

基于第n-2次迭代时的损失函数对第n-1次迭代时的损失函数进行预设，并使用预设的损失函数计算第n-1次迭代时对应样本的误差损失。

5.如权利要求4所述的方法，其特征在于，所述在所述误差损失满足预设条件时，基于所述各个类别的样本分布紧凑度，对损失函数中的类别框参数进行更新，得到各个类别对应的动态损失函数，包括：

在所述第n-1次迭代时对应样本的误差损失满足预设条件时，基于所述第n次迭代时的各个类别的样本分布紧凑度，对第n-1次迭代时的损失函数中的类别框参数进行更新，得到第n次迭代时的各个类别对应的动态损失函数。

6.如权利要求5所述的方法，其特征在于，在所述误差损失满足预设条件时，基于所述各个类别的样本分布紧凑度，对损失函数中的类别框参数进行更新，得到各个类别对应的动态损失函数之前，所述方法还包括：

维护一个损失条件集合，所述损失条件集合中包括离散的损失条件值，所述离散的损失条件值按排列顺序递减；

当所述第n-1次迭代时对应样本的误差损失较所述第n-2次迭代时对应样本的误差损失为减小，且达到所述损失条件集合中损失条件值时，则确定所述第n-1次迭代时对应样本的误差损失满足预设条件。

7.一种分类模型的训练装置，其特征在于，所述装置包括：

获取模块，用于获取不同类别的训练数据对分类模型进行训练，所述训练数据包括不同类别的样本及类别标签，所述分类模型为行人识别模型、车辆识别模型、物体检测模型、文章分类模型、音乐分类模型、视频分类模型、场景图像分类模型中的任意一个，所述训练数据为行人图像数据、车辆图像数据、物体图像数据、文本数据、音频数据、视频数据、场景图像数据中与所述分类模型对应的一项；

第一计算模块，用于在训练过程中，根据分类层参数计算各个类别的样本分布紧凑度；以及

第二计算模块，用于根据样本分类结果与类别标签，使用预设的损失函数计算对应样本的误差损失；

更新模块，用于在所述误差损失满足预设条件时，基于所述各个类别的样本分布紧凑度，对损失函数中的类别框参数进行更新，得到各个类别对应的动态损失函数；

训练模块，用于根据所述动态损失函数，对所述分类模型进行训练。