[发明专利]神经网络训练及分类方法、系统、设备和介质

权利要求书

1.一种神经网络训练方法，其特征在于，包括：

利用若干个初训练样本对第一卷积神经网络进行训练，得到训练后的第一卷积神经网络；所述若干个初训练样本分为若干个类别；

将所述初训练样本输入所述训练后的第一卷积神经网络，得到所述初训练样本的分类结果，根据所述初训练样本的分类结果在所述初训练样本中筛选出易分类样本；

根据所有所述易分类样本确定每个所述类别的中心模板；

根据所述中心模板构造第二卷积神经网络的损失函数；利用所述初训练样本对所述第二卷积神经网络进行训练，得到训练后的第二卷积神经网络；

所述第一卷积神经网络的数量级小于所述第二卷积神经网络的数量级。

2.根据权利要求1所述的神经网络训练方法，其特征在于，利用所述中心模板所构造的损失函数用于使每个所述初训练样本与其对应的类别的中心模板之间的距离保持小于或等于第一阈值，同时使每个所述初训练样本与其非对应的类别的中心模板之间的距离保持大于或等于第二阈值。

3.根据权利要求1所述的神经网络训练方法，其特征在于，根据所述初训练样本的分类结果在所述初训练样本中筛选出所有类别的易分类样本，具体为：

在所述初训练样本的分类结果中判断每个所述初训练样本的分类结果是否符合其对应的类别，将符合所述判断的分类结果对应的初训练样本作为所述初训练样本中的易分类样本。

4.根据权利要求1所述的神经网络训练方法，其特征在于，每个所述类别的初训练样本中包含至少三个所述易分类样本；

根据所有所述易分类样本确定每个所述类别的中心模板，具体为：确定每个所述易分类样本与同一类别中其他易分类样本之间的距离之和，将所述与同一类别中其他易分类样本之间的距离之和最小的易分类样本作为其对应的类别的中心模板。

5.根据权利要求2所述的神经网络训练方法，其特征在于，所述损失函数具体为：

L＝λ₁*L_cp+λ₂*L_cn；

其中，所述L_cp和所述L_cn满足[X]₊＝max(0,X)；

所述L为所述损失函数；

所述L_cp为基于每个所述初训练样本与其对应的类别的中心模板之间的距离所构成的损失函数；所述L_cn为基于每个所述初训练样本与其非对应的类别的中心模板之间的距离所构成的损失函数；

所述b为所述初训练样本的总数量，所述初训练样本的向量为x₁，x₂……x_b；

所述初训练样类别本中分为n(n≤b)个类别，n个类别的初训练样本的数量分别为m₁，m₂……m_n；n个类别的中心模板的向量分别是c₁、c₂……c_n，所述c₁、c₂……c_n一一对应所述m₁，m₂……m_n；所述i和所述j为参数的当前顺序；

所述δ_cp为所述第一阈值；所述δ_cn为所述第二阈值；所述λ₁和所述λ₂为权重系数。

6.根据权利要求5所述的神经网络训练方法，其特征在于，所述δ_cp的值为0。

7.根据权利要求4所述的神经网络训练方法，其特征在于，

确定每个所述易分类样本与同一类别的其他易分类样本之间的距离之和，具体为：获取并根据每个所述易分类样本经过所述第一卷积神经网络的Softmax层后的向量，确定每个所述易分类样本与同一类别的其他易分类样本之间的距离之和。