申请/专利权人：中国科学技术大学;深圳友一生物科技有限公司

申请日：2021-12-24

公开（公告）日：2024-04-09

公开（公告）号：CN114463576B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.05.27#实质审查的生效;2022.05.10#公开

摘要：本发明公开了一种基于重加权策略的网络训练方法，其采用了基于阶段性渐进学习策略的类不均衡处理方案，可以减轻类不均衡数据集头部类与尾部类数量不均衡的问题，有效降低尾类数据过拟合与头类数据欠拟合的风险；同时，可以从学习表征的通用模式平滑过度到上层分类器的训练，在学习分类器的同时能够很好地保留原有学习到的深度表征；此外，具有较好的鲁棒性，通过控制阶段性超参数和渐进超参数来适应不均衡程度不同的数据集或样本数量不同的数据集，并进一步提高分类的准确率。

主权项：1.一种基于重加权策略的网络训练方法，其特征在于，包括：获取目标图像数据集，确定数据类别总数C以及各类别样本数目，设定循环训练的当前轮数为E，同时，设定阶段性超参数Emin和Emax以及渐进超参数γ；利用采样得到的样本对卷积神经网络中进行训练，根据训练的不同阶段对损失函数采用不同的加权方式，基于损失函数使用反向传播不断更新网络的权重参数直至网络收敛达到预期目标；其中，根据当前轮数E与阶段性超参数Emin和Emax的关系，确定当前属于训练的前期阶段、后期阶段、或是前期阶段与后期阶段之间的过渡阶段；若为前期阶段，则对每一类的损失函数赋予相同的权重；若为后期阶段，则采用成本敏感的重加权方法，即按照与每类样本数量成反比的方式对不同类别进行加权，进行分类器的学习；若为过渡阶段，则采用渐进加权的方法，即不断调整模型损失函数的加权方式，以渐进的方式从对每一类的损失函数赋予相同的权重过渡到成本敏感的重加权方法；所述根据当前轮数与阶段性超参数Emin和Emax的关系，确定当前属于训练的前期阶段、后期阶段、或是前期阶段与后期阶段之间的过渡阶段包括：如果EEmin，则当前属于训练的前期阶段；如果E＞Emax，则当前属于训练的后期阶段；如果Emin≤E≤Emax，则当前属于前期阶段与后期阶段之间的过渡阶段；前期阶段损失函数的权重表示为： α＝0其中，wi表示第i类样本的损失函数的权重，α表示不同训练阶段的系数；后期阶段损失函数的权重表示为： α＝1其中，wi表示第i类样本的损失函数的权重，α表示不同训练阶段的系数；过段阶段损失函数的权重表示为： 其中，wi表示第i类样本的损失函数的权重，α表示不同训练阶段的系数。

全文数据：

权利要求：

百度查询： 中国科学技术大学;深圳友一生物科技有限公司 一种基于重加权策略的网络训练方法

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