技术特征：
1.一种分类器的训练方法，包括：获取原始不平衡样本集；根据所述原始不平衡样本集和随机噪声生成第一样本集，其中所述第一样本集中包括被标记为正样本的样本和被标记为负样本的样本；从所述第一样本集中剔除不符合预设条件的样本得到目标样本集；以所述原始不平衡样本集和所述目标样本集的合集为训练数据集，对目标分类器进行训练，其中，所述目标分类器用于完成对待分类不平衡样本集的分类。2.根据权利要求1所述的方法，其中，所述从所述第一样本集中剔除不符合预设条件的样本得到目标样本集，包括：利用第一鉴别器从所述第一样本集中随机剔除所述负样本，得到第二样本集，所述第一样本集中的所有被标记为负样本的样本被剔除的概率均为设定概率；利用第二鉴别器从所述第二样本集中剔除被所述第二鉴别器鉴别为负样本的样本，得到所述目标样本集。3.根据权利要求2所述的方法，其中，所述利用第二鉴别器从所述第二样本集中剔除被所述第二鉴别器鉴别为负样本的样本，得到所述目标样本集，包括：获取所述第二鉴别器中的多个预先确定的第一分类器对所述第一样本集中的样本的标记；将所述第二样本集中被目标数量所述第一分类器标记为负样本的样本确定为所述被所述第二鉴别器鉴别为负样本的样本；剔除所述被所述第二鉴别器鉴别为负样本的样本，得到所述目标样本集。4.根据权利要求1所述的方法，其中，还包括：调整所述待分类不平衡样本集中第一类样本和第二类样本的损失权重使所述第一类样本的损失权重小于所述第二类样本的损失权重；利用调整后的损失权重对所述待分类不平衡样本集进行分类。5.根据权利要求1所述的方法，其中，所述根据所述原始不平衡样本集和随机噪声生成第一样本集，包括：根据所述原始不平衡样本集和所述随机噪声生成候选样本集；对所述候选样本集中的样本进行标记，得到所述第一样本集，其中，所述标记包括：标记为正样本和标记为负样本。6.根据权利要求5所述的方法，其中，所述根据所述原始不平衡样本集和所述随机噪声生成候选样本集，包括：利用预先构建的高斯混合模型对所述原始样本集进行归一化处理；将进行归一化处理后的所述原始不平衡样本集和所述高斯混合模型随机生成的噪声结合生成所述候选样本集。7.根据权利要求5所述的方法，其中，所述对所述候选样本集中的样本进行标记，得到所述第一样本集，包括：根据所述候选样本集和所述原始不平衡样本集的二元交叉熵损失和样本间距对所述候选样本集进行标注，将标注后的所述候选样本集确定为所述第一样本集。8.一种不平衡样本集的分类装置，包括：
数据生成器，质量控制器和分类器；所述数据生成器用于生成第一样本集；所述质量控制器用于对所述第一样本集进行筛选以生成目标样本集，所述目标样本集和预先获取的原始不平衡样本集的合集用于对所述分类器进行训练；所述分类器用于对所述不平衡样本集进行分类。9.一种分类器的训练装置，包括：第一获取模块，用于获取原始不平衡样本集；生成模块，用于根据所述原始不平衡样本集和随机噪声生成第一样本集，其中所述第一样本集中包括被标记为正样本的样本和标记为负样本的样本；第二获取模块，用于从所述第一样本集中剔除不符合预设条件的样本得到目标样本集；训练模块，用于以所述原始不平衡样本集和所述目标样本集的合集为训练数据集，对分类器进行训练，其中，所述分类器用于完成对所述待分类不平衡样本集的分类。10.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
技术总结
本公开提供了分类器的训练方法及装置、分类装置，涉及计算机技术领域，尤其涉及深度学习领域。具体实现方案为：获取原始不平衡样本集；根据所述原始不平衡样本集和随机噪声生成第一样本集，其中所述第一样本集中包括被标记为正样本的样本和被标记为负样本的样本；从所述第一样本集中剔除不符合预设条件的样本得到目标样本集；以所述原始不平衡样本集和所述目标样本集的合集为训练数据集，对目标分类器进行训练，其中，所述目标分类器用于完成对待分类不平衡样本集的分类。分类不平衡样本集的分类。分类不平衡样本集的分类。
技术研发人员：刘吉 侯亚新 张重生 周航 窦德景
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2022.05.05
技术公布日：2022/7/29