[发明专利]类相关性预测改进方法、装置、计算机设备及存储介质

权利要求书

1.类相关性预测改进方法，其特征在于，包括：

获取待预测图像，以得到样本集；

构建预测网络以及损失函数；

利用所述样本集对所述预测网络进行训练，并对训练所得的结果进行规范化处理，以得到预测概率值；

采用所述损失函数结合所述预测概率值对训练后的预测网络进行调整；利用损失函数计算预测概率值的损失值，以损失值确定训练后的预测网络是否收敛，未收敛，则重新调整预测网络后，进行再次训练；

其中，所述损失函数包括交叉熵损失函数以及类损失函数；所述类损失函数包括用于拉近相似类的网络输出值产生的损失的类内损失函数以及用于拉远不相似类的预测产生的损失的类间损失函数；

所述利用所述样本集对所述预测网络进行训练，并对训练所得的结果进行规范化处理，以得到预测概率值，包括：

将所述样本集输入至所述预测网络中进行特征提取，以得到网络输出值；

对所述网络输出值结合预设参数形成softmax层的输入值，并在softmax层计算预测概率值；

所述对所述网络输出值结合预设参数形成softmax层的输入值，并在softmax层计算预测概率值，包括：

对所述网络输出值除以预设参数形成softmax层的输入值，并在softmax层计算预测概率值；

对所述网络输出值采用即将z_i转换为每个种类的概率值p_i，其中z_i和z_j是一个图像的网络输出值output的其中一个数值，C是预测的类的总数，T是一个常量，p_i演示了其中一个值转换为概率的计算，记经过后得到的预测概率值为最终得到的预测概率值为y_predict(x)；

所述类内损失函数为class_intra_loss＝KL(y_predict(x)||y_predict(x′))；其中，y_predict(x)为某个类的预测概率值；y_predict(x′)为依据先验知识随机采样的相似类的样本概率值；KL为相似类之间的KL散度；class_intra_loss为类内损失值；

所述类间损失函数为class_inter_loss＝c/KL(y_predict(x)||y_predict(x′))；其中，y_predict(x)为某个类的预测概率值；y_predict(x′)为依据先验知识随机采样的不相似类的样本概率值；KL为两类之间的KL散度；class_inter_loss为类间损失值；c是常数。

2.根据权利要求1所述的类相关性预测改进方法，其特征在于，所述预测网络为resnet18网络。