【技術實現步驟摘要】
本申請涉及數據分類，尤其涉及一種基于少樣本學習的模型對數據分類的方法及相關設備。
技術介紹
1、目前，動作識別技術在多個領域都有廣泛的應用前景，例如，在汽車、醫療、教育等行業中，動作識別技術可以幫助用戶更好地操作設備，提高工作效率和安全性。而由于wi-fi信號具備廣泛覆蓋、穿透性和強隱私性等特點，能夠有效應對光線不足、隱私保護和視線遮擋等識別問題，因此，wi-fi技術廣泛應用于動作識別場景中。
2、相關技術中，基于wi-fi技術動作的識別方法大多是采集大量動作樣本數據，并標注相應的動作標簽，通過這些大量的帶標簽的樣本數據訓練分類器來對不同動作進行分類識別。但是，此種方式需要大量的帶標簽的樣本數據來訓練識別模型，而帶標簽樣本數據的采集和標注成本較高；并且，單一分類器的分類性能和泛化性能較差，當識別來自不同域(如不同位置或不同人)的動作時，分類準確性較低。
技術實現思路
1、本申請實施例的主要目的在于提出一種基于少樣本學習的模型對數據分類的方法及相關設備，能夠在降低對模型的訓練成本的同時，提高對數據分類的準確性。
2、為實現上述目的，本申請實施例的第一方面提出了一種基于少樣本學習的模型對數據分類的方法，所述方法包括：
3、獲取待分類數據；
4、獲取預設的目標模型以及所述目標模型的多個第一特征模板；其中，所述目標模型由預設模型基于多個第一樣本數據之間的樣本特征關系得到的第一相似度矩陣，與預設的第一樣本標簽進行的第一對比訓練，以及基于所述第一
5、將所述待分類數據與所述多個第一特征模板輸入至所述目標模型中，得到所述待分類數據分別與多個所述第一特征模板之間的多個特征相似度；
6、基于所述多個特征相似度確定與所述待分類數據的所述特征相似度最大的所述第一特征模板作為目標特征模板，并確定所述目標特征模板對應的目標類別；
7、將所述目標類別確定為所述待分類數據的分類結果。
8、相應的，本申請實施例的第二方面提出了一種基于少樣本學習的模型對數據分類的裝置，所述裝置包括：
9、第一獲取模塊，用于獲取待分類數據；
10、第二獲取模塊，用于獲取預設的目標模型以及所述目標模型的多個第一特征模板；其中，所述目標模型由預設模型基于多個第一樣本數據之間的樣本特征關系得到的第一相似度矩陣，與預設的第一樣本標簽進行的第一對比訓練，以及基于所述第一樣本數據和所述第一特征模板進行的第二對比訓練得到；所述第一特征模板根據所述多個第一樣本數據對應的所述第一相似度矩陣對各第一樣本標簽下的多個所述第一樣本數據進行特征加權計算得到；
11、輸入模塊，用于將所述待分類數據與所述多個第一特征模板輸入至所述目標模型中，得到所述待分類數據分別與多個所述第一特征模板之間的多個特征相似度；
12、第一確定模塊，用于基于所述多個特征相似度確定與所述待分類數據的所述特征相似度最大的所述第一特征模板作為目標特征模板，并確定所述目標特征模板對應的目標類別；
13、第二確定模塊，用于將所述目標類別確定為所述待分類數據的分類結果。
14、在一些實施方式中，所述基于少樣本學習的模型對數據分類的裝置還包括訓練模塊，用于：
15、獲取樣本訓練集，并根據所述樣本訓練集對預設模型進行第一對比訓練和第二對比訓練，得到第一目標模型；
16、當不存在用于訓練所述第一目標模型的樣本支持集時，將所述第一目標模型作為目標模型；
17、當存在用于訓練所述第一目標模型的樣本支持集時，基于所述樣本支持集對所述第一目標模型進行第三對比訓練和第四對比訓練，得到目標模型；其中，所述樣本訓練集與所述樣本支持集不存在交集；所述待分類數據的類別與所述樣本支持集包含的至少一個樣本標簽相同。
18、在一些實施方式中，所述訓練模塊，還用于：
19、根據所述樣本訓練集中的多個第一樣本數據輸入至預設模型中，得到所述多個第一樣本數據對應的第一相似度矩陣；其中，所述第一相似度矩陣用于表征任意兩個所述第一樣本數據之間的相似度；
20、獲取各所述第一樣本數據的第一樣本標簽，并根據任意兩個第一樣本數據之間的相似度和所述第一樣本標簽，確定所述預設模型的第一交叉熵損失；
21、根據所述第一交叉熵損失對所述預設模型的參數進行調節，得到對所述預設模型進行第一對比訓練后的第一預設模型；
22、獲取所述樣本訓練集對應的多個第一特征模板，并基于任意兩個所述第一樣本數據之間的相似度和對應的所述第一特征模板，計算所述第一預設模型的第二交叉熵損失；
23、根據所述第二交叉熵損失對所述第一預設模型的參數進行調節，得到對所述第一預設模型進行第二對比訓練后的第一目標模型。
24、在一些實施方式中，所述訓練模塊，還用于：
25、基于所述第一相似度矩陣，確定各所述第一樣本數據的樣本質量分數；
26、針對所述樣本訓練集中的每個所述第一樣本標簽，確定所述第一樣本標簽中的每個所述第一樣本數據與對應的所述樣本質量分數的乘積，并將所述第一樣本標簽下的多個第一樣本數據對應的多個乘積進行累加，得到所述第一樣本標簽對應的第一乘積總和；
27、獲取所述第一樣本標簽下多個第一樣本數據的多個樣本質量分數之和，并將所述第一乘積總和與所述多個樣本質量分數之和的比值作為所述第一樣本標簽對應的第一特征模板。
28、在一些實施方式中，所述訓練模塊，還用于：
29、獲取多個第一樣本數據對應的第一相似度矩陣；
30、將所述第一相似度矩陣輸入至所述第一預設模型的卷積層中，得到所述多個第一樣本數據對應的多個樣本質量分數；
31、其中，所述樣本質量分數由所述卷積層針對每個所述第一樣本數據，從所述第一相似度矩陣中確定每個所述第一樣本數據與其他的多個第一樣本數據的多個相似度，并基于所述多個相似度之間的差異確定。
32、在一些實施方式中，所述訓練模塊，還用于：
33、當存在用于訓練所述第一目標模型的樣本支持集時，根據所述樣本支持集中的多個第二樣本數據輸入至第一目標模型中，得到所述多個第二樣本數據對應的第二相似度矩陣；其中，所述第二相似度矩陣用于表征任意兩個第二樣本數據之間的相似度；
34、獲取所述兩個第二樣本數據的第二樣本標簽，并根據任意兩個第二樣本數據之間的相似度和所述第二樣本標簽，確定所述預設模型的第三交叉熵損失；
35、根據所述第三交叉熵損失對所述第一目標模型的參數進行調節，得到對所述第一目標模型進行第三對比訓練后的第二預設模型；
36、獲取所述樣本支持集對應的多個第二特征模板，并基于任意兩個第二樣本數據之間的相似度本文檔來自技高網...
【技術保護點】
1.一種基于少樣本學習的模型對數據分類的方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述目標模型通過以下方式訓練得到：
3.根據權利要求2所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述獲取樣本訓練集，并根據所述樣本訓練集對預設模型進行第一對比訓練和第二對比訓練，得到第一目標模型，包括：
4.根據權利要求3所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述獲取所述樣本訓練集對應的多個第一特征模板，包括：
5.根據權利要求4所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述基于所述第一相似度矩陣，確定各所述第一樣本數據的樣本質量分數，包括：
6.根據權利要求2所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述當存在用于訓練所述第一目標模型的樣本支持集時，基于所述樣本支持集對所述第一目標模型進行第三對比訓練和第四對比訓練，得到目標模型，包括：
7.根據權利要求1所述的基于少樣本學習的模型對數據分類的方法，其特
8.一種基于少樣本學習的模型對數據分類的裝置，其特征在于，所述裝置包括：
9.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現權利要求1至7任一項所述的基于少樣本學習的模型對數據分類的方法。
10.一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7任一項所述的基于少樣本學習的模型對數據分類的方法。
...【技術特征摘要】
1.一種基于少樣本學習的模型對數據分類的方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述目標模型通過以下方式訓練得到：
3.根據權利要求2所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述獲取樣本訓練集，并根據所述樣本訓練集對預設模型進行第一對比訓練和第二對比訓練，得到第一目標模型，包括：
4.根據權利要求3所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述獲取所述樣本訓練集對應的多個第一特征模板，包括：
5.根據權利要求4所述的基于少樣本學習的模型對數據分類的方法，其特征在于，所述基于所述第一相似度矩陣，確定各所述第一樣本數據的樣本質量分數，包括：
6.根據權利要求2所述的基于少樣本學習的模型對數據分類的方法，...
【專利技術屬性】
技術研發人員：趙子健，朱光旭，韓凱峰，李曉陽，李航，
申請(專利權)人：深圳市大數據研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。