1.一种基于难样本挖掘的深度网络模型构建方法,其特征在于,包括:构造深度网络模型,输入训练样本对所述深度网络模型进行训练:
在每次迭代训练过程中:
抽取训练样本的特征向量,计算所述特征向量及其类中心权重向量之间的角边界裕量,并根据所述角边界裕量判断所述特征向量是否为类内难样本,根据判断结果对所述特征向量进行难样本标记;其中,所述类中心权重向量为样本所属类别的地面真值权重基于标记后的特征向量计算深度网络模型输出的角边界裕量损失值与类内难样本损失值,并结合角边界裕量损失值与类内难样本损失值,优化深度网络模型的网络参数;
计算所述特征向量及其类中心权重向量之间的角边界裕量,并根据所述角边界裕量判断所述特征向量是否为类内难样本,包括以下步骤:计算所述特征向量与其非地面真值类中心权重向量之间的夹角,并从所述夹角中选择最小类间角min(inter),计算所述最小类间角的余弦值cos(min(inter));
筛选特征向量与其类中心权重向量的角边界裕量余弦值小于所述余弦值cos(min(inter))的特征向量作为类内难样本;
计算所述特征向量与其非地面真值类中心权重向量之间的夹角,通过以下公式实现:式中,xi为第i类特征向量,Wj为第j个非地面真值类中心权重向量;
根据判断结果对所述特征向量进行难样本标记,通过以下公式实现:其中,h(x)表示标记函数,当特征向量为类内难样本时,标记为1,非难样本标记为0;yi代表第i类的地面真值;是一个边界裕量函数,用于计算所述特征向量在增加边界裕量之后到其类中心权重向量的余弦距离;是第i类特征向量与其类中心权重向量的夹角;
结合角边界裕量损失值与类内难样本损失值,通过以下损失函数实现:式中,N为训练的批量数,n为类别总数,是一个在单调递减的函数,yi代表第i类特征的地面真值;是一个边界裕量函数,用于计算类内样本特征向量在增加边界裕量之后到类中心权重向量的余弦距离;是样本的特征向量与第i类特征的类中心权重向量的夹角,s是一个用于缩放的超参数,λ是一个用于调节难样本类内损失函数权重的超参数,θj是权重Wj与特征向量xi之间的夹角;
所述通过以下公式计算得到:
还包括以下步骤:
采用训练好的深度网络模型进行视觉识别。
2.一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1所述方法的步骤。