本申请涉及数据处理,尤其涉及一种多目标分类模型的训练方法、多目标识别方法及电子设备及存储介质。
背景技术:
1、随着人工智能技术的飞速发展,机器学习模型的逐渐被渗透至各行各业,推动传统行业的智能化转型。机器学习模型投入到产业应用中,需要经过模型训练,并在模型收敛之后再将其设置在设备中直接进行使用,因此模型性能的优劣往往取决于模型训练阶段的处理过程,例如样本数据集、损失函数、样本标签等等。
2、目前,通过鉴别输入数据的目标分类的目标分类模型已经被广泛应用于各类业务场景中,例如图像目标识别任务、语音目标识别任务等等,通过有监督对比学习来比较正负样本标签的标签信息,在产业中得到了较佳的应用推广。
3、此外,supcon(supervised contrastive learning,有监督对比学习)扩展了传统的自监督对比学习方法,其中对比学习的思想是利用数据增强手段对锚点样本进行变化得到正样本,将其他样本作为负样本,训练过程中拉近锚点与正样本之间的距离同时排斥负样本。
4、然而,supcon将与锚点标签相同的样本都视为正样本,导致仅对单标签分类是有效的,而无法在多目标分类(例如,两个或更多个目标分类)场景下应用。具体地,supcon无法根据正样本与锚点标签之间的交集对不同正样本进行区分,比如一个正样本的标签集合与锚点的交集有三个元素,另一正样本只有一个元素,但supcon无法对这两种正样本进行区分。
5、针对上述问题,目前业界暂未提出较佳的解决方案。
技术实现思路
1、本申请提供一种多目标分类模型的训练方法、多目标识别方法及电子设备及存储介质,用以至少解决现有技术中无法在多标签分类场景下进行有监督对比学习的问题。
2、第一方面,本申请实施例提供一种多目标分类模型的训练方法,包括:获取针对所述多目标分类模型的锚点样本;所述锚点样本包含锚输入样本数据和相应的锚标签组;所述锚标签组包含多个分别匹配于相应目标分类的锚标签;针对所述多目标分类模型的训练样本集中的各个训练样本,确定所述训练样本所对应的训练标签组相对于所述锚标签组的标签重叠度;基于各个所述训练样本和相应的标签重叠度,对所述多目标分类模型进行训练。
3、第二方面,本申请实施例提供一种多目标识别方法,包括:获取待识别的输入数据;其中,所述输入数据的数据类型包含音频数据或图像数据;基于多目标分类模型确定与所述输入数据相对应的多目标分类结果,所述目标分类模型是通过如上述的多目标分类模型的训练方法而进行训练的。
4、第三方面,提供一种电子设备,其包括: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本申请任一实施例的多目标分类模型的训练方法或多目标识别方法的步骤。
5、第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本申请任一实施例的多目标分类模型的训练方法或多目标识别方法的步骤。
6、本申请实施例的有益效果在于:
7、针对多目标分类模型的数据样本存在多标签的情况,选定锚点样本并计算锚点样本下各个锚点标签相对于训练样本下各个训练标签的标签重叠度,基于各个训练样本和相应的标签重叠度,对多目标分类模型进行训练。由此,在利用各个训练样本对多目标分类模型进行训练时,多目标分类模型能够学习训练样本相对于锚点样本在各种不同标签重叠度情况下的样本特征信息,区分训练样本与锚点样本之间的不同交集情况,有助于提高对输入数据进行多目标精确分类的精确度。
1.一种多目标分类模型的训练方法,包括:
2.根据权利要求1所述的方法,其中,所述获取针对所述多目标分类模型的锚点样本,包括:
3.根据权利要求1所述的方法,其中,所述基于各个所述训练样本和相应的标签重叠度,对所述多目标分类模型进行训练,包括:
4.根据权利要求1所述的方法,其中,所述基于各个所述训练样本和相应的标签重叠度,对所述多目标分类模型进行训练,包括:
5.根据权利要求1所述的方法,其中,所述确定所述训练样本所对应的训练标签组相对于所述锚标签组的标签重叠度,包括:
6.根据权利要求5所述的方法,其中,所述标签匹配结果包含所述锚标签组中存在与所述训练标签匹配的目标锚标签,
7.根据权利要求6所述的方法,其中,所述将所述训练标签在所述锚标签组中进行标签匹配,以确定相应的标签匹配结果,包括:
8.一种多目标识别方法,包括:
9.一种电子设备,其包括: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1-8中任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。