(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111671005.3 (22)申请日 2021.12.31 (71)申请人 深圳友一 生物科技有限公司 地址 518115 广东省深圳市龙岗区园山 街 道安良社区油田路28号B1栋80 5 申请人 中国科学技术大学 (72)发明人 任维　姚鹏　徐亮　陈明潇　 (74)专利代理 机构 北京凯特来知识产权代理有 限公司 1 1260 代理人 郑立明　韩珂 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 针对类别不均衡数据集的网络训练方法 (57)摘要 本发明公开了一种针对类别不均衡数据集 的网络训练方法， 包括： 获取目标图像数据集， 确 定类别数目和每类样本量； 利用每类样本量计算 相应类别的权值， 并结合设置的超参数构建限制 误差损失函数； 利用所述目标图像数据集对神经 网络模型进行训练， 并将样本的预测结果与真实 标签带入所述限制误差损失函数进行误差计算， 使用反向传播不断更新神经网络模 型的参数， 直 至网络收敛达到预期目标。 构建的限制误差损失 函数按类别数量进行加权， 并且通过引入超参数 对尾部泛化进行正则化的LDA M， 可以将训练的关 注度更多的偏向于数量较少的尾部类别， 防止网 络训练对尾部类欠拟合， 可以应用于不均衡的 图 像数据集中， 并可以显著提高网络对于不均衡数 据集的识别准确度。 权利要求书2页 说明书5页 附图2页 CN 114332539 A 2022.04.12 CN 114332539 A 1.一种针对类别不均衡数据集的网络训练方法， 其特 征在于， 包括： 获取目标图像数据集， 确定类别数目和每 类样本量； 利用每类样本量计算相应 类别的权值， 并结合设置的超参数构建限制误差损失函数； 利用所述目标图像数据集对神经网络模型进行训练， 并将样本的预测结果与真实标签 带入所述限制误差损失函数进行误差计算， 使用反向传播不断更新神经网络模型 的参数， 直至网络收敛达 到预期目标。 2.根据权利要求1所述的一种针对类别不均衡数据集的网络训练方法， 其特征在于， 所 述限制误差损失函数表示 为： 其中， z＝[z1， ...， zC]， zj表示样本在类别j上的预测值， C表示类别数目， y表示真实标 签； Ny表示真实标签对应的样本量， 即为相应类别的权值wy； Loss(z， y)为结合超参数计 算的损失函数。 3.根据权利要求2所述的一种针对类别不均衡数据集的网络训练方法， 其特征在于， 损 失函数Loss(z， y)计算方式表示 为： 其中， γ与T均为超参数， γ用来调 节样本权重降低的速率， T是用于判断样本是否是异 常样本的阈值； σ 是一个由超参数T决定的常值； py表示网络预测样本为真实标签的概 率。 4.根据权利要求3所述的一种针对类别不均衡数据集的网络训练方法， 其特征在于， 参 数py采用LDAM方法来计算， 表示 为： 其中， S为超参数， e为自然常数。 5.根据权利要求3所述的一种针对类别不均衡数据集的网络训练方法， 其特征在于， 常 值σ 的计算方式表示 为： σ ＝(1‑T)γlog(T)。 6.根据权利要求1所述的一种针对类别不均衡数据集的网络训练方法， 其特征在于， 所 述目标图像数据集为类别不均衡数据集， 并且， 同一类别中的样本也分为困难样本和简单 样本， 所述困难样本是指预测时与真实标签误差超过设定最大阈值的样本， 简单样本是指 预测时与真实标签误差未超过设定最小阈值的样本； 同时， 所述 目标图像数据集中还包含 异常样本， 所述异常样本包括： 通过数据增广操作产生的前景消失的样本或者只包含前景 区域小于设定值的样本， 或者是 标签错误的样本 。 7.根据权利要求3所述的一种针对类别不均衡数据集的网络训练方法， 其特征在于， 所 述超参数γ取值大于0， 取值越 大， 表示简单样本的权重相对于困难样本的权重降低速率越 快， 训练过程将更加关注困难样本的分类； 所述超参数T， 取值越大， 则会将更多的样 本认定 为异常样本；权　利　要　求　书 1/2 页 2 CN 114332539 A 2其中， 所述困难样本是指预测时与真实标签误差超过设定最大阈值的样本， 简单样本 是指预测时与真实标签误差未超过设定最小阈值的样本； 所述异常样本包括： 通过数据增 广操作产生的前景消失的样本或者只包含前景区域小于 设定值的样本， 或者是标签错误的 样本。 8.根据权利要求1或2或3所述的一种针对类别不均衡数据集的网络训练方法， 其特征 在于， 所述超参数 预先利用目标图像数据集设定， 在训练过程中进行 数值优化。权　利　要　求　书 2/2 页 3 CN 114332539 A 3