申请/专利权人：深圳市华尊科技股份有限公司

申请日：2019-11-28

公开（公告）日：2024-03-19

公开（公告）号：CN111062495B

主分类号：G06N3/0985

分类号：G06N3/0985;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2020.05.19#实质审查的生效;2020.04.24#公开

摘要：本申请实施例公开了一种机器学习方法及相关装置，其中，方法包括：获取训练集和测试集，训练集为无标注数据，测试集为标注数据；将训练集中的所有训练样本通过无监督学习算法映射到嵌入空间，并采用预设聚类算法对所有训练样本进行聚类，得到多个类别，每一类别对应一个伪标签；依据伪标签为训练样本配置多个目标任务；基于多个目标任务运行元学习算法，以对多个类别对应的训练样本进行训练，得到具备目标学习机制的目标神经网络模型；将测试集输入到目标神经网络模型进行训练，得到更新参数；依据更新参数优化目标神经网络模型的模型参数，得到优化后的目标神经网络模型。采用本申请实施例可以提升神经网络模型的性能。

主权项：1.一种机器学习方法，其特征在于，所述方法包括：获取训练集和测试集，所述训练集为无标注数据，所述测试集为标注数据；所述训练集和所述测试集均包括多张图像，所述训练集与所述测试集对应同一个主题，该主题包括以下至少一种：人脸、车辆、花、建筑、动物；将所述训练集中的所有训练样本通过无监督学习算法映射到嵌入空间；所述嵌入空间的功能包括以下至少一种：在嵌入空间中找到最近邻、作为有监督的机器学习模型的输入、挖掘变量间的关系；基于所述嵌入空间，采用预设聚类算法对所述所有训练样本进行聚类，得到多个类别，每一类别包括至少一个所述训练样本，每一类别对应一个伪标签；预先存储伪标签与任务之间的映射关系；依据所述伪标签为所述训练样本配置多个目标任务，每一类所述伪标签对应至少一个所述目标任务，具体为：依据所述映射关系为所述多个类别中每一类别的伪标签分配一个目标任务；基于所述多个目标任务运行元学习算法，以对所述多个类别对应的训练样本进行训练，得到具备目标学习机制的目标神经网络模型；将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数；依据所述更新参数优化所述目标神经网络模型的模型参数，得到优化后的所述目标神经网络模型；在所述获取训练集和测试集之前，所述方法还包括：获取目标人脸图像；将所述目标人脸图像与预设人脸模板进行匹配；在所述目标人脸图像与所述预设人脸模板匹配成功时，执行所述获取训练集和测试集的步骤；其中，所述将所述目标人脸图像与预设人脸模板进行匹配，包括：对所述目标人脸图像进行特征提取，得到第一特征点集；将所述第一特征点集与所述预设人脸模板的第二特征点集进行匹配，得到多个匹配值；从所述多个匹配值中选取最大的三个目标匹配值；获取所述三个目标匹配值对应的特征点对，得到三对特征点对，所述三对特征点对包括来自于所述目标人脸图像的三个目标第一特征点和来自于所述预设人脸模板的三个目标第二特征点，所述三个目标第一特征点不处于同一直线上且所述三个目标第二特征点不处于同一直线上；将所述三个目标第一特征点构成第一三角形；将所述三个目标第二特征点构成第二三角形；在所述第一三角形与所述第二三角形相似时，确定所述目标人脸图像与所述预设人脸图像匹配成功；其中，所述将所述测试集输入到所述目标神经网络模型进行训练，得到更新参数，包括：将所述测试集输入到所述目标神经网络模型，得到预测结果；将所述预测结果输入到预设损失函数，得到所述更新参数；其中，所述多个目标任务包括两类任务，具体为：无监督学习任务和监督学习任务，所述更新参数包括第一更新参数和第二更新参数，所述第一更新参数为针对所述无监督学习任务的参数，所述第二更新参数为针对所述监督学习任务的参数，所述预设损失函数包括第一损失函数和第二损失函数，其中，所述第一损失函数用于调节所述无监督学习任务的运算结果，所述第二损失函数用于调节所述监督学习任务的运算结果。

全文数据：

权利要求：

百度查询： 深圳市华尊科技股份有限公司 机器学习方法及相关装置

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