申请/专利权人：厦门大学

申请日：2023-02-14

公开（公告）日：2023-05-26

公开（公告）号：CN116168268A

主分类号：G06V10/774

分类号：G06V10/774;G06V10/776;G06V10/82;G06V10/778;G06N3/0464;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.06.13#实质审查的生效;2023.05.26#公开

摘要：基于特征空间分布均匀性的长尾分布方法，涉及深度神经网络数据训练。包括以下步骤：1在交叉熵损失的基础上根据每个类别的样本数量计算一个自适应的损失函数加权项；2在训练的过程中，根据每个样本的归一化熵值对其最终的训练损失进行加权；3随机选择两个样本，融合二者的数据和标签，给样本数量更少的类更大的融合权重；4在融合后的数据样本上，同时使用1和2的损失加权项，训练神经网络模型，直到模型收敛。能有效地保证特征空间分布的均匀性，帮助深度学习模型学习好的特征表示，并以此提升模型在长尾分布下的精度和校准能力。

主权项：1.基于特征空间分布均匀性的长尾分布方法，可以用于使用卷积神经网络的所有领域，主要是图像分类、目标检测等计算机视觉相关领域,其特征在于包括以下步骤：1在交叉熵损失的基础上根据每个类别的样本数量计算一个自适应的损失函数加权项；2在训练的过程中，根据每个样本的归一化熵值对其最终的训练损失进行加权；3随机选择两个样本，融合二者的数据和标签，给样本数量更少的类更大的融合权重；4在融合后的数据样本上，同时使用步骤1和步骤2的损失加权项，训练神经网络模型，直至模型收敛。

全文数据：

权利要求：

百度查询： 厦门大学 基于特征空间分布均匀性的长尾分布方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD