技术摘要：
公开了一种训练分类模型的装置和方法及利用分类模型分类的装置。训练分类模型的装置包括：特征提取单元，被配置成针对第一预定数量的训练集中的每个训练集分别设置特征提取层，并且提取样本图像的特征，至少两个训练集至少部分重叠；特征融合单元，被配置成针对训练集  全部
背景技术：
近年来，由于大规模人脸数据、车辆数据等的收集和卷积神经网络的应用，人脸识 别和车牌识别等分类技术在学术界和工业界都取得了很大的进展并得到了广泛的应用。目 前提高人脸识别和车牌识别等分类性能的主要思路是增加数据。然而，收集大规模的数据 费事费力。就人脸数据而言，现在存在VGG2Face、Ms-Celeb-1M、MegaFace等公开的人脸数据 集。每个数据集都有各自的优缺点，充分利用每个数据集的优点可以有效地提升分类性能。 最简单的方法是直接将多个数据集放到一起，但不同数据集的数据有交叉，容易出现同一 个数据在不同数据集中标注不一样的情况，简单地将多个数据集融合到一起容易使训练的 分类模型不收敛或者性能更差。进一步地，当应用场景出现姿态变化大、分辨率低、质量差 等问题时，分类性能会明显降低。
技术实现要素：
在下文中给出了关于本公开的简要概述，以便提供关于本公开的某些方面的基本 理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定 本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简 化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。 鉴于以上问题，本公开的目的是提供能够解决现有技术中的一个或多个缺点的训 练分类模型的装置和方法、以及利用分类模型进行分类的装置和方法。 根据本公开的一方面，提供了一种训练分类模型的装置，包括：特征提取单元，被 配置成针对第一预定数量的训练集中的每个训练集分别设置相应数量的特征提取层，并且 被配置成对于每个样本图像，利用针对该样本图像所属的训练集而设置的特征提取层，分 别提取该样本图像的特征，从而得到该样本图像的所提取出的特征，其中，所述第一预定数 量的训练集中的至少两个训练集至少部分重叠；特征融合单元，被配置成针对所述第一预 定数量的训练集分别设置相应数量的特征融合层，并且被配置成对于每个样本图像，利用 针对该样本图像所属的训练集而设置的特征融合层，对该样本图像的所提取出的特征进行 融合，从而得到该样本图像的融合后的特征；以及损失确定单元，被配置成针对所述第一预 定数量的训练集中的每个训练集分别设置损失确定层，并且被配置成对于每个样本图像， 利用针对该样本图像所属的训练集而设置的损失确定层，基于该样本图像的融合后的特征 来计算该样本图像的损失函数，并基于所述损失函数来训练所述分类模型，其中，所述第一 预定数量的训练集共享针对每个训练集分别设置的特征融合层和特征提取层中的至少一 个层。 根据本公开的另一方面，提供了一种训练分类模型的方法，包括：特征提取步骤， 4 CN 111582009 A 说　明　书 2/15 页 针对第一预定数量的训练集中的每个训练集分别设置相应数量的特征提取层，并且对于每 个样本图像，利用针对该样本图像所属的训练集而设置的特征提取层，分别提取该样本图 像的特征，从而得到该样本图像的所提取出的特征，其中，所述第一预定数量的训练集中的 至少两个训练集至少部分重叠；特征融合步骤，针对所述第一预定数量的训练集分别设置 相应数量的特征融合层，并且对于每个样本图像，利用针对该样本图像所属的训练集而设 置的特征融合层，对该样本图像的所提取出的特征进行融合，从而得到每个样本图像的融 合后的特征；以及损失确定步骤，针对所述第一预定数量的训练集中的每个训练集分别设 置损失确定层，并且对于每个样本图像，利用针对该样本图像所属的训练集而设置的损失 确定层，基于该样本图像的融合后的特征来计算该样本图像的损失函数，并基于所述损失 函数来训练所述分类模型，其中，所述第一预定数量的训练集共享针对每个训练集分别设 置的特征提取层和特征融合层中的至少一个层。 根据本公开的另一方面，提供了一种利用分类模型进行分类的装置，包括：第二特 征提取单元，被配置成利用所述分类模型中针对第一预定数量的训练集中的每个训练集分 别设置的相应数量的特征提取层，分别提取待分类图像的特征，从而得到所述待分类图像 的所提取出的特征；第二特征融合单元，被配置成利用所述分类模型中针对所述第一预定 数量的训练集中的每个训练集分别设置的相应数量的特征融合层，对所述待分类图像的所 提取出的特征进行融合，从而得到所述待分类图像的融合后的特征；以及第二损失确定单 元，被配置成利用所述分类模型中针对所述第一预定数量的训练集分别设置的损失确定 层，基于所述待分类图像的融合后的特征来计算所述待分类图像的损失函数，并基于所述 损失函数来对所述待分类图像进行分类，其中，在所述分类模型中，所述第一预定数量的训 练集共享针对每个训练集分别设置的特征融合层和特征提取层中的至少一个层。 根据本公开的其它方面，还提供了用于实现上述根据本公开的方法的计算机程序 代码和计算机程序产品。 在下面的说明书部分中给出本公开实施例的其它方面，其中，详细说明用于充分 地公开本公开实施例的优选实施例，而不对其施加限定。 附图说明 本公开可以通过参考下文中结合附图所给出的详细描述而得到更好的理解，其中 在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下 面的详细说明一起包含在本说明书中并形成说明书的一部分，用来进一步举例说明本公开 的优选实施例和解释本公开的原理和优点。其中： 图1是示出根据本公开实施例的训练分类模型的装置的功能配置示例的框图； 图2是示意性示出根据本公开实施例的训练分类模型的装置的一个结构配置示例 的图； 图3是示意性示出根据本公开实施例的训练分类模型的装置的另一结构配置示例 的图； 图4是示出根据本公开实施例的训练分类模型的方法的流程示例的流程图； 图5是示出根据本公开实施例的利用预先训练的分类模型进行分类的装置的功能 配置示例的框图； 5 CN 111582009 A 说　明　书 3/15 页 图6是示出根据本公开实施例的利用预先训练的分类模型进行分类的方法的流程 示例的流程图；以及 图7是示出作为本公开实施例中可采用的个人计算机的示例结构的框图。