一种损失函数优化方法、装置、计算机设备及存储介质与流程

1.本技术涉及图像分类技术领域，尤其涉及一种损失函数优化方法、装置、计算机设备及存储介质。


背景技术：

2.在车款图像的分类任务中，通常先采用卷积网络分类模型对车款图像进行分类，得到每个图像样本的多个分类标签和各分类标签对应的概率，再采用损失函数根据标签和概率分布图进行预测，得到最终的分类结果。distribution focal loss(dfl，狄拉克)损失函数是计算模型预测值与现实真实值之间差异的一种公式，损失函数到达最优则表明预测值与真实值差异最小，预测的分类结果最准确，而若要求该损失函数每次分类的结果百分之百准确，则要求在标签与概率的分布图中，真实标签上的概率是最高值应该为1，其余标签概率值之和为0。使得dfl损失函数计算真实标签左边以及右边与对应概率曲线所形成的面积最小，此时损失函数的预测值为最准确的分类结果。但是在车款图像分类问题之中，不同车款的图像之间的差异较小，例如同一品牌下的燃油车外观与新能源车外观区别仅存在于车头视角之中，使得卷积网络分类模型输出的标签和概率分布图无法使损失函数获得最优解，从而无法获得准确的分类结果。
3.因此，现有技术中存在因待分类的车款图像样本之间的差异较小，导致损失函数无法得到最优解，损失函数的分类结果不准确的问题。


技术实现要素：

4.本技术提供了一种损失函数优化方法、装置、计算机设备及存储介质，能够优化损失函数，提升了损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。
5.第一方面，本技术实施例提供了一种损失函数优化方法，该方法包括：
6.步骤s1，将训练图像集输入卷积网络分类模型，得到训练图像集中各图像的标签概率列表，训练图像集中的各图像包括真实标签；
7.步骤s2，将真实标签相同的多个图像对应的标签概率列表进行拼接，得到n个标签概率矩阵，对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵；
8.步骤s3，采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵；
9.步骤s4，将待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对待约束列表进行归一化操作，得到归一化列表；计算归一化列表的概率方差值，并获取归一化列表中真实标签对应的预测概率值；
10.步骤s5，分别对n个待筛选矩阵依次执行步骤s3和步骤s4，得到n个概率方差值和n个预测概率值；基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数。
11.进一步的，上述对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵，包
括：将n个标签概率矩阵中的概率值均加上预设平滑值，得到n个待筛选矩阵。
12.进一步的，预设平滑值为0.1。
13.进一步的，上述对待约束列表进行归一化操作，得到归一化列表，包括：
14.采用归一化指数函数对待约束列表进行归一化操作，以使待约束列表中的各概率值均大于等于0且小于等于1，得到归一化列表。
15.进一步的，上述基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数，包括：
16.根据n个概率方差值得到方差平均值；
17.基于n个预测概率值和各预测概率值对应的真实标签得到狄拉克损失函数；
18.基于方差平均值和n个预测概率值得到焦点损失函数；
19.根据狄拉克损失函数和焦点损失函数得到优化损失函数。
20.第二方面，本技术实施例提供了一种损失函数优化装置，该装置包括：
21.初分类模块，用于将训练图像集输入卷积网络分类模型，得到训练图像集中各图像的标签概率列表，训练图像集中的各图像包括真实标签；
22.拼接模块，用于将真实标签相同的多个图像对应的标签概率列表进行拼接，得到n个标签概率矩阵，对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵；
23.降维模块，用于采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵；
24.方差计算模块，用于将待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对待约束列表进行归一化操作，得到归一化列表；计算归一化列表的概率方差值，并获取归一化列表中真实标签对应的预测概率值；
25.优化模块，用于分别对n个待筛选矩阵依次执行降维模块和方差计算模块，得到n个概率方差值和n个预测概率值；基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数。
26.进一步的，拼接模块包括平滑单元；平滑单元用于将n个标签概率矩阵中的概率值均加上预设平滑值，得到n个待筛选矩阵。
27.进一步的，方差计算模块包括归一化单元；
28.归一化单元用于采用归一化指数函数对待约束列表进行归一化操作，以使待约束列表中的各概率值均大于等于0且小于等于1，得到归一化列表。
29.第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上述任一实施例的损失函数优化方法的步骤。
30.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的损失函数优化方法的步骤。
31.综上，与现有技术相比，本技术实施例提供的技术方案带来的有益效果至少包括：
32.本技术实施例提供的一种损失函数优化方法，通过将卷积网络分类模型输出的多个标签概率列表按图像的真实标签进行拼接，得到同一车款的图像对应的标签概率矩阵，对标签概率矩阵进行标签平滑操作避免了卷积网络分类模型过拟合、泛化能力差的情况，采用主成分分析法对待筛选矩阵进行降维，实现了对待筛选矩阵中信息量较大的数据的筛选，加强了待叠加矩阵中数据的价值和联系，将经过以上操作的数据作为损失函数的输入，
实现了对损失函数的优化，提升了损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。
附图说明
33.图1为本技术一个示例性实施例提供的一种损失函数优化方法的流程图。
34.图2为本技术一个示例性实施例提供的优化损失函数获得步骤的流程图。
35.图3为本技术一个示例性实施例提供的一种损失函数优化装置的结构图。
具体实施方式
36.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
37.请参见图1，本技术实施例提供了一种损失函数优化方法，该方法应用于图像分类设备，以执行主体是图像分类设备为例进行说明，该方法具体包括以下步骤：
38.步骤s1，将训练图像集输入卷积网络分类模型，得到训练图像集中各图像的标签概率列表，训练图像集中的各图像包括真实标签。
39.具体地，输入到卷积网络分类模型的训练图像集中，包括多张图像和每张图像的真实标签，所述真实标签指的是图像中真正的车款类型信息。
40.步骤s2，将真实标签相同的多个图像对应的标签概率列表进行拼接，得到n个标签概率矩阵，对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵。
41.在具体实施过程中，假设训练图像集中有32张图像，其中4张图像中的车款为a，16张图像中的车款为b，12张图像中的车款为c，则n为3，共生成3个标签概率矩阵。
42.若卷积网络分类模型可以预测1000种车款，则各图像的标签概率列表为1
×
1000的矩阵，真实标签a对应的标签概率矩阵的大小为4
×
1000，真实标签b对应的标签概率矩阵的大小为16
×
1000，真实标签c对应的标签概率矩阵的大小为12
×
1000。
43.步骤s3，采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵。
44.其中主成分分析法为pca(principal component analysis，主成分分析)法，主要目标是将特征维度变小，同时尽量减少信息损失。即对于一个样本矩阵，一是换特征，找一组新的特征来重新表示；二是减少特征，新特征的数目要远小于原特征的数目。
45.在本技术中，待叠加矩阵的列数远小于待筛选矩阵的列数，例如真实标签a对应的标签概率矩阵对应的待筛选矩阵，大小为4
×
1000，但经过主成分分析法得到的待叠加矩阵大小可能为4
×
20或4
×
8等等，可见待叠加矩阵中数据的价值和关联性相比待筛选矩阵更高。
46.步骤s4，将待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对待约束列表进行归一化操作，得到归一化列表；计算归一化列表的概率方差值，并获取归一化列表中真实标签对应的预测概率值。
47.具体地，假设真实标签a的待叠加矩阵为4
×
8大小，同列概率值相加后，真实标签a的待约束列表为1
×
8，即将每列的4个概率值进行相加。预测概率值为归一化列表中，8个标
签中标签a对应的概率值，即为预测概率值。
48.步骤s5，分别对n个待筛选矩阵依次执行步骤s3和步骤s4，得到n个概率方差值和n个预测概率值；基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数。
49.上述基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数，是指相比较直接采用卷积网络分类模型的输出作为输入进行预测的损失函数，采用本技术处理后的数据作为输入的损失函数更加优越，可以作为优化损失函数。
50.上述实施例提供的一种损失函数优化方法，通过将卷积网络分类模型输出的多个标签概率列表按图像的真实标签进行拼接，得到同一车款的图像对应的标签概率矩阵，对标签概率矩阵进行标签平滑操作避免了卷积网络分类模型过拟合、泛化能力差的情况，采用主成分分析法对待筛选矩阵进行降维，实现了对待筛选矩阵中信息量较大的数据的筛选，加强了待叠加矩阵中数据的价值和联系，将经过以上操作的数据作为损失函数的输入，实现了对损失函数的优化，提升了损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。
51.在一些实施例中，上述对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵，包括：将n个标签概率矩阵中的概率值均加上预设平滑值，得到n个待筛选矩阵。
52.在一些实施例中，预设平滑值可以为0.1。
53.上述实施例中对卷积网络分类模型输出的概率值执行标签平滑操作，是为了避免卷积网络分类模型对输出结果过于自信导致该模型过拟合、泛化能力差，从而保证了待筛选矩阵中概率的准确性，进一步使优化损失函数输出的分类结果更加准确。
54.在一些实施例中，上述对待约束列表进行归一化操作，得到归一化列表，可以包括：
55.采用归一化指数函数对待约束列表进行归一化操作，以使待约束列表中的各概率值均大于等于0且小于等于1，得到归一化列表。
56.上述实施例解决了在对待叠加矩阵进行同列概率值相加后，待约束列表中各标签对应的概率值过大，远大于1的问题，使各真实标签对应的预测概率值均为大于0且小于1的数值，从而保证了优化损失函数的正常运算。
57.请参见图2，在一些实施例中，上述基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数，具体可以包括：
58.步骤s51，根据n个概率方差值得到方差平均值。
59.步骤s52，基于n个预测概率值和各预测概率值对应的真实标签得到狄拉克损失函数。
60.其中，对于真实标签a、真实标签b和真实标签c来说，n个预测概率值可以表示为p1,p2和p3，真实标签预测概率集合为p
gt
＝[p1,p2,p3]。
[0061]
步骤s53，基于方差平均值和n个预测概率值得到焦点损失函数。
[0062]
具体地，若一共有n个真实标签，设概率方差值为s1,s2…
sn，则方差平均值γ为：
[0063][0064]
上述狄拉克损失函数(distribution focal loss)为：
[0065][0066]
焦点损失函数(focal loss)为：
[0067]
focalloss＝(1―p
t
)
γ
[0068]
其中，s
gt
为预设目标标签，s
l
为预设目标标签左区域的标签，sr为预设目标标签右区域的标签，以上标签都是由人为预先在程序中设定好的，若以真实标签a为预设目标标签，则s
l
可以为真实标签b，sr可以为真实标签c等。
[0069]
p
l
为预设目标标签左区域的标签的预测概率值，若s
l
为真实标签b，则p
l
＝p2；pr为预设目标标签右区域的标签的预测概率值，若sr为真实标签c，则pr＝p3。
[0070]
引入focal loss焦点损失函数主要是为了解决优化后的数据样本分布不均的问题，此处的优化数据样本指的是卷积网络分类模型输出的数据经过本技术在上述实施例给出的处理步骤后，作为优化损失函数的输入的数据，正是因为本技术对卷积网络分类模型输出的数据进行了优化，才使得将优化数据样本作为输入的损失函数实现了优化。
[0071]
在focal loss中，p
t
反应了分类的难易程度，p
t
越大，说明分类的置信度越高，代表样本越易分；p
t
越小，分类的置信度越低，代表样本越难分，因此focal loss相当于增加了难分样本在损失函数的权重。γ为超参数，通常取1.5，可见focal loss在解决样本分布不均的问题时也遗留了γ超参数需要人为调参的问题，因此本技术而借助主成分分析法的结果取归一化列表的方差之和的平均值可解决γ参数调整引起的准确度问题，当方差平均值越大说明样本的分类难易程度较小，反之方差平均值越大说明样本越难区分。对比focal loss原来固定的参数形式，令γ等于方差平均值更能调节在数据样本分布不均匀情况下的优化损失函数。
[0072]
步骤s54，根据狄拉克损失函数和焦点损失函数得到优化损失函数。
[0073]
基于distribution focal loss和focal loss，可以得到优化损失函数loss(p,s)为：
[0074][0075]
上述实施例通过引入focal loss焦点损失函数，解决了loss(p,s)中数据样本分布不均匀的问题，从而进一步提升了优化损失函数分类结果的准确性。
[0076]
请参见图3，本技术另一实施例提供了一种损失函数优化装置，该装置包括：
[0077]
初分类模块101，用于将训练图像集输入卷积网络分类模型，得到训练图像集中各图像的标签概率列表，训练图像集中的各图像包括真实标签。
[0078]
拼接模块102，用于将真实标签相同的多个图像对应的标签概率列表进行拼接，得到n个标签概率矩阵，对n个标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵。
[0079]
降维模块103，用于采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵。
[0080]
方差计算模块104，用于将待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对待约束列表进行归一化操作，得到归一化列表；计算归一化列表的概率方差值，并获取归一化列表中真实标签对应的预测概率值。
[0081]
优化模块105，用于分别对n个待筛选矩阵依次执行降维模块103和方差计算模块
104，得到n个概率方差值和n个预测概率值；基于n个概率方差值、n个预测概率值和各预测概率值对应的真实标签得到优化损失函数。
[0082]
上述实施例提供的一种损失函数优化方法，通过将卷积网络分类模型输出的多个标签概率列表按图像的真实标签进行拼接，得到同一车款的图像对应的标签概率矩阵，对标签概率矩阵进行标签平滑操作避免了卷积网络分类模型过拟合、泛化能力差的情况，采用主成分分析法对待筛选矩阵进行降维，实现了对待筛选矩阵中信息量较大的数据的筛选，加强了待叠加矩阵中数据的价值和联系，将经过以上操作的数据作为损失函数的输入，实现了对损失函数的优化，提升了损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。
[0083]
在一些实施例中，拼接模块102具体还可以包括平滑单元。
[0084]
平滑单元用于将n个标签概率矩阵中的概率值均加上预设平滑值，得到n个待筛选矩阵。
[0085]
上述实施例通过拼接模块102中的平滑单元对卷积网络分类模型输出的概率值执行标签平滑操作，避免了卷积网络分类模型对输出结果过于自信导致该模型过拟合、泛化能力差，从而保证了待筛选矩阵中概率的准确性，进一步使优化损失函数输出的分类结果更加准确。
[0086]
在一些实施例中，方差计算模块104还可以包括归一化单元。
[0087]
归一化单元用于采用归一化指数函数对待约束列表进行归一化操作，以使待约束列表中的各概率值均大于等于0且小于等于1，得到归一化列表。
[0088]
上述实施例解决了在对待叠加矩阵进行同列概率值相加后，待约束列表中各标签对应的概率值过大，远大于1的问题，使各真实标签对应的预测概率值均为大于0且小于1的数值，从而保证了优化损失函数的正常运算。
[0089]
本实施例中提供的关于一种损失函数优化装置的具体限定，可以参见上文中关于一种损失函数优化方法的实施例，于此不再赘述。上述一种损失函数优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0090]
本技术实施例提供了一种计算机设备，该计算机设备可以包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的一种损失函数优化方法的步骤。
[0091]
本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于一种损失函数优化方法的实施例，于此不再赘述。
[0092]
本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的一种损失函数优化方法的步骤。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘
和/或记忆棒(memory stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于一种损失函数优化方法的实施例，于此不再赘述。
[0093]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)。
[0094]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0095]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种损失函数优化方法，其特征在于，所述方法包括：步骤s1，将训练图像集输入卷积网络分类模型，得到所述训练图像集中各图像的标签概率列表，所述训练图像集中的各所述图像包括真实标签；步骤s2，将所述真实标签相同的多个所述图像对应的所述标签概率列表进行拼接，得到n个标签概率矩阵，对n个所述标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵；步骤s3，采用主成分分析法对所述待筛选矩阵进行降维，得到待叠加矩阵；步骤s4，将所述待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对所述待约束列表进行归一化操作，得到归一化列表；计算所述归一化列表的概率方差值，并获取所述归一化列表中所述真实标签对应的预测概率值；步骤s5，分别对n个所述待筛选矩阵依次执行步骤s3和步骤s4，得到n个概率方差值和n个预测概率值；基于n个所述概率方差值、n个所述预测概率值和各所述预测概率值对应的所述真实标签得到优化损失函数。2.根据权利要求1所述的方法，其特征在于，所述对n个所述标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵，包括：将n个所述标签概率矩阵中的所述概率值均加上预设平滑值，得到n个所述待筛选矩阵。3.根据权利要求2所述的方法，其特征在于，所述预设平滑值为0.1。4.根据权利要求1所述的方法，其特征在于，所述对所述待约束列表进行归一化操作，得到归一化列表，包括：采用归一化指数函数对所述待约束列表进行归一化操作，以使所述待约束列表中的各所述概率值均大于等于0且小于等于1，得到所述归一化列表。5.根据权利要求1所述的方法，其特征在于，所述基于n个所述概率方差值、n个所述预测概率值和各所述预测概率值对应的所述真实标签得到优化损失函数，包括：根据n个所述概率方差值得到方差平均值；基于n个所述预测概率值和各所述预测概率值对应的所述真实标签得到狄拉克损失函数；基于所述方差平均值和n个所述预测概率值得到焦点损失函数；根据所述狄拉克损失函数和所述焦点损失函数得到所述优化损失函数。6.一种损失函数优化装置，其特征在于，所述装置包括：初分类模块，用于将训练图像集输入卷积网络分类模型，得到所述训练图像集中各图像的标签概率列表，所述训练图像集中的各所述图像包括真实标签；拼接模块，用于将所述真实标签相同的多个所述图像对应的所述标签概率列表进行拼接，得到n个标签概率矩阵，对n个所述标签概率矩阵执行标签平滑操作，得到n个待筛选矩阵；降维模块，用于采用主成分分析法对所述待筛选矩阵进行降维，得到待叠加矩阵；方差计算模块，用于将所述待叠加矩阵中的同列的概率值进行相加，得到待约束列表；对所述待约束列表进行归一化操作，得到归一化列表；计算所述归一化列表的概率方差值，并获取所述归一化列表中所述真实标签对应的预测概率值；优化模块，用于分别对n个所述待筛选矩阵依次执行所述降维模块和所述方差计算模
块，得到n个概率方差值和n个预测概率值；基于n个所述概率方差值、n个所述预测概率值和各所述预测概率值对应的所述真实标签得到优化损失函数。7.根据权利要求6所述的装置，其特征在于，所述拼接模块包括平滑单元；所述平滑单元用于将n个所述标签概率矩阵中的所述概率值均加上预设平滑值，得到n个所述待筛选矩阵。8.根据权利要求6所述的装置，其特征在于，所述方差计算模块包括归一化单元；所述归一化单元用于采用归一化指数函数对所述待约束列表进行归一化操作，以使所述待约束列表中的各所述概率值均大于等于0且小于等于1，得到所述归一化列表。9.一种计算机设备，包括存储器、处理器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如权利要求1至5中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。

技术总结
本申请属于图像分类技术领域，公开了一种损失函数优化方法、装置、计算机设备及存储介质，该方法包括：获得各图像的标签概率列表；将真实标签相同的标签概率列表进行拼接，并对其执行标签平滑操作，得到n个待筛选矩阵；采用主成分分析法对待筛选矩阵进行降维，得到待叠加矩阵；将待叠加矩阵中同列数值相加，得到待约束列表；对待约束列表进行归一化后计算概率方差值，并获取真实标签对应的预测概率值；对n个待筛选矩阵遍历上述步骤，得到n个概率方差值和n个预测概率值；基于上述概率方差值、预测概率值和真实标签得到优化损失函数。本申请能够优化损失函数，提升损失函数的召回率和收敛速度，使得优化后的损失函数输出的分类结果更加准确。准确。准确。


技术研发人员：王子镜 甘霖
受保护的技术使用者：国汽大有时空科技（安庆）有限公司
技术研发日：2023.05.11
技术公布日：2023/8/2