[发明专利]一种基于Mixup的长尾数据增强处理方法

权利要求书

1.一种基于Mixup的长尾数据增强处理方法，其特征在于：所述方法对于长尾数据训练的过程包括如下步骤：

(1)输入原始的长尾数据集S；

(2)初始化混淆概率矩阵cf为0；

(3)通过θ～Beta(α,α)得到参数，Mixup使用参数θ生成新样本数据将新样本作为模型的输入；

(4)利用θ和混淆概率矩阵cf，使用平衡的损失函数l_BaMix计算模型的总损失，模型的总损失被计算为：

(5)更新模型参数，使用验证集验证模型精度；

(6)计算混淆矩阵，更新混淆概率矩阵cf；

(7)更新学习次数；

(8)如果学习次数大于指定学习次数，结束模型训练；否则重复步骤(3)，继续对模型进行训练，更新模型参数。

2.根据权利要求1所述的基于Mixup的长尾数据增强处理方法，其特征在于：步骤(3)通过Mixup对长尾数据集进行数据增强，新样本数据的生成包括如下计算：

其中，(x_i,y_i)，(x_j,y_j)∈S，y_i是输入x_i的真实标签，θ～Beta(α,α)，α∈(0,+∞)，(x_i,y_i)，(x_j,y_j)是Mixup随机挑选的两个样本，通过参数θ将两个样本进行结合，生成新的样本

3.根据权利要求1所述的基于Mixup的长尾数据增强处理方法，其特征在于：步骤(4)对于模型总损失的计算过程如下：

假设为原始样本x_i被预测为标签y_i的概率，/为使用Mixup后的虚拟样本/被预测为y_i的条件概率，cf(class₁,class₂)为类别class₁被识别为class₂的概率，n_t为类别t的样本总数，t∈{1,…,k}，k为类别数量，有：

其中存在：

式中，为输入/的第y_i个输出，/为输入x_i的第y_i个输出，使用Mixup后，模型的输出受/影响，偏向于头部类，为了避免模型预测对头部类的偏向，引入平衡项//其中，/可能是一个接近于0的数，导致B(y,θ)趋于负无穷，为了使B(y,θ)大于0，将/放大为/并且为了使n·cf(y,y)这一分母不为0，在这一分母项上加1，则平衡项B(y,θ)最终为：

模型的总损失被计算为：

4.根据权利要求1所述的基于Mixup的长尾数据增强处理方法，其特征在于：步骤(6)通过混淆矩阵更新混淆概率矩阵cf，具体如下：

通过验证集的验证，得到当前验证集的预测标签和真实标签，通过统计预测标签和真实标签，得到混淆矩阵，而混淆概率矩阵cf只需将混淆矩阵每一行除以该行的总数，在每一轮训练结束后，都会对混淆概率矩阵进行更新。