[发明专利]一种基于反正切损失函数的目标分类方法

说明书

本发明提供了一种基于反正切损失函数的目标分类方法，该方法包括：选择数据集，并定义数据集的标签，对孪生网络的损失函数进行调整，用于减小同类样本特征的距离，增大不同类别样本特征的距离，得到调整后的孪生网络，通过数据集对孪生网络进行训练，直至孪生网络收敛，并对训练后的孪生网络进行测试。本发明提供的基于反正切损失函数的目标分类方法，能够减少网络训练周期，能够加速网络收敛。

技术领域

本发明涉及孪生网络目标分类技术领域，特别是涉及一种基于反正切损失函数的目标分类方法。

背景技术

深度学习已经在各个领域取得了非常优异的表现。传统的基于深度学习的方法需要大量的样本进行训练，当样本不充分时，模型性能将严重下降。现实中，并不都能获得大量的样本，且样本往往呈现出类别多、样本少的特点。为了解决上述问题，针对少样本、多类别的分类方法研究逐渐深入，孪生网络便是其中之一。

孪生网络以两个样本为输入，输出其高维空间的特征，用来比较两个样本的相似程度，简单来说，可以最小化同类样本的距离，最大化不同类之间的距离。在使用基于孪生网络进行目标分类任务时，由于其经典损失函数的不合理性，导致网络训练周期长、难以收敛。为解决该问题，提出一种基于反正切损失函数的目标分类方法是十分有必要的。

发明内容

本发明的目的是提供一种基于反正切损失函数的目标分类方法，能够减少网络训练周期，能够加速网络收敛。

为实现上述目的，本发明提供了如下方案：

一种基于反正切损失函数的目标分类方法，包括如下步骤：

步骤1：选择数据集，并定义数据集的标签；

步骤2：对孪生网络的损失函数进行调整，用于减小同类样本特征的距离，增大不同类别样本特征的距离，得到调整后的孪生网络；

步骤3：通过数据集对孪生网络进行训练，直至孪生网络收敛，并对训练后的孪生网络进行测试。

可选的，步骤1中，选择数据集，并定义数据集的标签，具体为：

选择公共无标注数据集Omniglot，将其划分为训练集及测试集，并定义样本标签。

可选的，步骤2中，对孪生网络的损失函数进行调整，用于减小同类样本特征的距离，增大不同类别样本特征的距离，得到调整后的孪生网络，具体为：

结合二分类交叉熵损失函数及反正切函数，设计反正切损失函数为：

式中，y_n为样本标签，用0表示同类样本，1表示不同类的样本，x_n表示经过孪生网络输出的特征距离，通过将特征做差得到；

当孪生网络输入同类样本时，此时标签为0，反正切损失函数的表达式变为：

当孪生网络输入不同类别的样本时，此时标签为1，反正切损失函数的表达式变为：

根据反正切损失函数对孪生网络的损失函数进行调整，得到调整后的孪生网络。

可选的，步骤3中，通过数据集对孪生网络进行训练，直至孪生网络收敛，并对训练后的孪生网络进行测试，具体为：

通过训练集及测试集对调整后的孪生网络进行训练，直至孪生网络收敛，绘制训练集和测试集上的损失函数曲线及准确率曲线，对训练后的孪生网络进行测试，验证反正切损失函数是否准确度量样本的距离。