CN109145933B - 媒体资源的分类器训练方法及装置 - Google Patents

媒体资源的分类器训练方法及装置 Download PDF

Info

Publication number
CN109145933B
CN109145933B CN201710508695.8A CN201710508695A CN109145933B CN 109145933 B CN109145933 B CN 109145933B CN 201710508695 A CN201710508695 A CN 201710508695A CN 109145933 B CN109145933 B CN 109145933B
Authority
CN
China
Prior art keywords
media resource
kernel
feature
media
kernel function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710508695.8A
Other languages
English (en)
Other versions
CN109145933A (zh
Inventor
原春锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Institute of Automation of Chinese Academy of Science
Original Assignee
Tencent Technology Shenzhen Co Ltd
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd, Institute of Automation of Chinese Academy of Science filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201710508695.8A priority Critical patent/CN109145933B/zh
Publication of CN109145933A publication Critical patent/CN109145933A/zh
Application granted granted Critical
Publication of CN109145933B publication Critical patent/CN109145933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种媒体资源的分类器训练方法及装置。其中，该方法包括：从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息；根据预设的分布信息和媒体资源分类信息确定媒体资源特征数据中每种媒体资源特征对应的核权重；根据核权重和每种媒体资源特征对应的核函数获取合成核函数；根据合成核函数对媒体资源的分类器进行训练。本发明解决了相关技术中对媒体资源的分类器进行训练时的训练效率低的技术问题。

Description

媒体资源的分类器训练方法及装置
技术领域
本发明涉及计算机领域，具体而言，涉及一种媒体资源的分类器训练方法及装置。
背景技术
随着互联网媒体的快速发展，媒体资源越来越丰富，海量的媒体资源如何清晰有条理的呈现在用户的面前就成为了一个热门的研究课题。在媒体资源分类的过程中利用媒体资源样本对分类器进行训练，这样就可以利用分类器对媒体资源进行分类。在对媒体资源的分类器进行训练的过程中，需要使用媒体资源的特征对分类器进行训练，以往的媒体资源分类系统中多特征融合方式通常可以分为两类：特征层融合与决策层融合。特征层融合将多种特征拼接为一种特征，不能充分利用不同特征对语义类别的区分性。决策层融合指首先单独利用每种特征进行识别，然后综合所有识别结果进行最终判定。考虑到不同特征对于各种语义类别的视频具有不同强弱的区分能力，如何有效地组合各类视频特征对于提高视频分类的性能具有十分重要的意义。
目前对于将多种特征进行融合采取的方法都较为简单，并不能很好地利用多种特征的优势，也不能保证进行特征融合后的效果比单特征要好。这就导致了对媒体资源的分类器进行训练时的训练效率低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种媒体资源的分类器训练方法及装置，以至少解决相关技术中对媒体资源的分类器进行训练时的训练效率低的技术问题。
根据本发明实施例的一个方面，提供了一种媒体资源的分类器训练方法，包括：从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，所述媒体资源样本集合包括多个媒体资源样本，所述媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，所述媒体资源分类信息用于指示所述媒体资源样本集合中每个媒体资源样本的分类；根据预设的分布信息和所述媒体资源分类信息确定所述媒体资源特征数据中每种媒体资源特征对应的核权重，其中，所述预设的分布信息用于指示所述核权重服从的预设的分布；根据所述核权重和所述每种媒体资源特征对应的核函数获取合成核函数，其中，所述每种媒体资源特征对应的核函数用于指示所述每种媒体资源特征在所述媒体资源样本集合的特征空间中的映射关系；根据所述合成核函数对媒体资源的分类器进行训练。
根据本发明实施例的另一方面，还提供了一种媒体资源的分类器训练装置，包括：第一获取模块，用于从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，所述媒体资源样本集合包括多个媒体资源样本，所述媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，所述媒体资源分类信息用于指示所述媒体资源样本集合中每个媒体资源样本的分类；确定模块，用于根据预设的分布信息和所述媒体资源分类信息确定所述媒体资源特征数据中每种媒体资源特征对应的核权重，其中，所述预设的分布信息用于指示所述核权重服从的预设的分布；第二获取模块，用于根据所述核权重和所述每种媒体资源特征对应的核函数获取合成核函数，其中，所述每种媒体资源特征对应的核函数用于指示所述每种媒体资源特征在所述媒体资源样本集合的特征空间中的映射关系；训练模块，用于根据所述合成核函数对媒体资源的分类器进行训练。
在本发明实施例中，从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，媒体资源样本集合包括多个媒体资源样本，媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，媒体资源分类信息用于指示媒体资源样本集合中每个媒体资源样本的分类；根据预设的分布信息和媒体资源分类信息确定媒体资源特征数据中每种媒体资源特征对应的核权重，其中，预设的分布信息用于指示核权重服从的预设的分布；根据核权重和每种媒体资源特征对应的核函数获取合成核函数，其中，每种媒体资源特征对应的核函数用于指示每种媒体资源特征在媒体资源样本集合的特征空间中的映射关系；根据合成核函数对媒体资源的分类器进行训练。也就是说，利用预设的分布信息以及从媒体资源样本集合中获取的媒体资源分类信息为每种媒体资源特征确定核权重，能够自动的衡量每一种媒体资源特征的重要性，针对每种媒体资源特征的重要性分配不同的核权重，从而使得根据核权重和核函数获取到的合成核函数中能够体现出每种媒体资源特征对于合成核函数的不同的贡献，在利用该合成核函数训练媒体资源的分类器，从而提高对媒体资源的分类器进行训练时的训练效率，获得更高的分类精度，进而克服相关技术中对媒体资源的分类器进行训练时的训练效率低的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的媒体资源的分类器训练方法的应用环境示意图；
图2是根据本发明实施例的一种可选的媒体资源的分类器训练方法的示意图；
图3是根据本发明实施例的一种可选的媒体资源的分类器训练方法中多核学习参数的概率的示意图；
图4是根据本发明可选示例的一种可选的媒体资源的分类器训练方法中获取合成核权重的示意图；
图5是根据本发明实施例的一种可选的媒体资源的分类器训练装置的示意图；
图6是根据本发明实施例的一种可选的媒体资源的分类器训练方法的应用场景示意图；以及
图7是根据本发明实施例的一种可选的媒体资源的分类器训练设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
在本发明实施例中，提供了一种上述媒体资源的分类器训练方法的实施例。作为一种可选的实施方式，该媒体资源的分类器训练方法可以但不限于应用于如图1所示的应用环境中，服务器102，用于从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，根据预设的分布信息和媒体资源分类信息确定媒体资源特征数据中每种媒体资源特征对应的核权重，根据核权重和每种媒体资源特征对应的核函数获取合成核函数，根据合成核函数对媒体资源的分类器进行训练；其中，媒体资源样本集合包括多个媒体资源样本，媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，媒体资源分类信息用于指示媒体资源样本集合中每个媒体资源样本的分类，预设的分布信息用于指示核权重服从的预设的分布，每种媒体资源特征对应的核函数用于指示每种媒体资源特征在媒体资源样本集合的特征空间中的映射关系。
在本实施例中，服务器102利用预设的分布信息以及从媒体资源样本集合中获取的媒体资源分类信息为每种媒体资源特征确定核权重，能够自动的衡量每一种媒体资源特征的重要性，针对每种媒体资源特征的重要性分配不同的核权重，从而使得根据核权重和核函数获取到的合成核函数中能够体现出每种媒体资源特征对于合成核函数的不同的贡献，在利用该合成核函数训练媒体资源的分类器，从而提高对媒体资源的分类器进行训练时的训练效率，获得更高的分类精度，进而克服相关技术中对媒体资源的分类器进行训练时的训练效率低的问题。
可选地，在本实施例中，服务器102用于：按照预设的分布信息对媒体资源特征数据进行采样，得到采样结果；根据采样结果与媒体资源分类信息推断核权重的后验信息；根据后验信息确定核权重。
可选地，在本实施例中，服务器102用于：获取每种媒体资源特征对应的核函数；根据核权重确定每种媒体资源特征对应的核函数的加权和，得到合成核函数。
可选地，在本实施例中，服务器102用于：从媒体资源样本集合中获取多个媒体资源特征集合，其中，媒体资源特征集合中包括多种媒体资源特征中的一种媒体资源特征；分别对多个媒体资源特征集合进行训练；根据训练结果确定每种媒体资源特征对应的核函数。
可选地，在本实施例中，服务器102用于：从视频资源样本中提取关键帧；根据预设算法从关键帧中获取媒体资源特征数据，其中，媒体资源特征数据包括以下至少之一：表观特征数据、运动特征数据、声音特征数据。
可选地，在本实施例中，服务器102用于：将接收到的待分类的媒体资源输入媒体资源的分类器；接收媒体资源的分类器输出的待分类的媒体资源对应的类别标识，其中，类别标识用于指示待分类的媒体资源的类别。
根据本发明实施例，提供了一种媒体资源的分类器训练方法，如图2所示，该方法包括：
S202，从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，媒体资源样本集合包括多个媒体资源样本，媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，媒体资源分类信息用于指示媒体资源样本集合中每个媒体资源样本的分类；
S204，根据预设的分布信息和媒体资源分类信息确定媒体资源特征数据中每种媒体资源特征对应的核权重，其中，预设的分布信息用于指示核权重服从的预设的分布；
S206，根据核权重和每种媒体资源特征对应的核函数获取合成核函数，其中，每种媒体资源特征对应的核函数用于指示每种媒体资源特征在媒体资源样本集合的特征空间中的映射关系；
S208，根据合成核函数对媒体资源的分类器进行训练。
可选地，在本实施例中，上述媒体资源的分类器训练方法可以但不限于应用于媒体资源服务器对媒体资源进行分类的场景中。其中，上述媒体资源服务器可以但不限于为各种类型的软件的服务器，例如：视频软件的服务器、音乐播放器软件的服务器、浏览器类软件的服务器、图片类软件的服务器、游戏软件的服务器等。具体的，可以但不限于应用于在上述视频软件的服务器对视频资源进行分类的场景中，或还可以但不限于应用于在上述浏览器类软件的服务器对媒体资源进行分类的场景中，以提高对媒体资源的分类器进行训练时的训练效率。上述仅是一种示例，本实施例中对此不做任何限定。
可选地，在本实施例中，上述媒体资源可以但不限于是任何形式的媒体资源。例如：视频资源、音频资源、图片资源、文本资源等等。
可选地，在本实施例中，媒体资源分类信息用于指示媒体资源样本集合中每个媒体资源样本的分类，也就是说，媒体资源样本集合中的媒体资源样本的分类是已知的，从而可以通过使媒体资源的分类器学习已知的媒体资源样本的分类情况来训练其对媒体资源的分类。
可选地，在本实施例中，上述媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，也就是说，从上述媒体资源样本集合中的每个媒体资源样本中提取出多种媒体资源特征。例如：上述媒体资源以视频资源为例，视频资源的多种媒体资源特征可以但不限于包括运动特征、表观特征、声音特征等等。
可选地，在本实施例中，上述预设的分布信息用于指示核权重服从的预设的分布，该预设的分布信息可以是根据历史经验预先设置的。例如：可以对核权重服从的先验分布进行假设，由于缺少先验信息，可以假设它服从正态分布，得到上述预设的分布信息。
可选地，在本实施例中，根据核权重和每种媒体资源特征对应的核函数获取合成核函数的方式可以但不限于包括通过对核函数进行线性加权和的方式得到合成核函数。
可见，通过上述步骤，利用预设的分布信息以及从媒体资源样本集合中获取的媒体资源分类信息为每种媒体资源特征确定核权重，能够自动的衡量每一种媒体资源特征的重要性，针对每种媒体资源特征的重要性分配不同的核权重，从而使得根据核权重和核函数获取到的合成核函数中能够体现出每种媒体资源特征对于合成核函数的不同的贡献，在利用该合成核函数训练媒体资源的分类器，从而提高对媒体资源的分类器进行训练时的训练效率，获得更高的分类精度，进而克服相关技术中对媒体资源的分类器进行训练时的训练效率低的问题。
作为一种可选的方案，根据预设的分布信息和媒体资源分类信息确定媒体资源特征数据中每种媒体资源特征对应的核权重包括：
S1，按照预设的分布信息对媒体资源特征数据进行采样，得到采样结果；
S2，根据采样结果与媒体资源分类信息推断核权重的后验信息；
S3，根据后验信息确定核权重。
可选地，在本实施例中，上述核权重可以具有若干个参数，例如：每个媒体资源样本对应的样本权重及该样本权重对应的先验信息，核权重对应的先验信息等等。上述预设的分布信息包括核权重具有的各个参数对应的分布信息。
在一个可选的实施方式中，在多核框架下对媒体资源的分类器进行训练，媒体资源样本在特征空间中的表示问题可以转化成为基本核函数与核权重系数的选择问题。在本可选的实施方式中，对于多核学习函数形式中参数的学习方法，可以采用贝叶斯理论。
本可选的实施方式中提出的基于贝叶斯框架的多核学习方法的主要思想是把核结合函数形式中的所有参数视为随机变量，对每个变量加以先验，然后通过预设的推断方法得到这些参数的值。可以使用如图3所示的贝叶斯多核学习的概率图模型。其中，N，P和K分别代表媒体资源样本的数目，输入核数目以及类别数目。每个核矩阵记为Km，由于一共有N个媒体资源样本，所以核矩阵的维数为N×N，其中矩阵的列记为km,i，矩阵的行记为
Figure BDA0001335258850000081
每个媒体资源样本的权重以及它对应的先验分别记为A和Λ，矩阵的维数为N×K，其中矩阵的列分别记为ac和λc。每一个类的中间输出变量记为Gc，矩阵的维数为P×N，其中矩阵的列记为gc,i，矩阵的行记为
Figure BDA0001335258850000091
偏差以及它对应的先验分别记为b和γ，矩阵的维数为N×1。核权重以及它对应的先验分别记为e和ω，矩阵的维数为P×1。辅助变量记为F，矩阵的维数为K×N，其中矩阵的列记为fi。类标签记为Y，矩阵的维数为K×N，其中每一个元素的取值为±1。为了更清晰的说明这些符号，并方便后续查找，上述参数如表1所示。
表1
Figure BDA0001335258850000092
在本可选的实施方式中，对预设的分布信息做出如下假设：
Figure BDA0001335258850000101
Figure BDA0001335258850000102
Figure BDA0001335258850000103
Figure BDA0001335258850000104
Figure BDA0001335258850000105
Figure BDA0001335258850000106
Figure BDA0001335258850000107
Figure BDA0001335258850000108
Figure BDA0001335258850000109
其中，N(·；μ,∑)代表的是以μ为均值向量，∑为协方差矩阵的高斯分布。g(·；α,β)代表以α为形状参数，β为尺度参数的伽马分布。δ(·)代表当判别式为真时返回1，为假时返回0的德尔塔函数。其中，在对核权重服从的先验分布进行假设时，由于缺少先验信息，可以假设它服从正态分布。
在本可选的实施方式中，按照上述分布信息从媒体资源特征数据中采样，再根据采样结果和媒体资源分类信息采用变分贝叶斯方法对上述参数进行推断，得到核权重的后验信息，从而确定核权重，使得整个过程十分高效。本可选的实施方式中提出的变分推断的基本思想是通过构造一个简单的数学形式来近似变量的后验分布。最终求得参数的值，在得到每一个核函数的核权重后，即可求得合成核函数，将合成核函数作为最终的核函数训练分类器。
通过上述步骤，利用预设的分布信息从媒体资源特征数据中采集样本，再结合媒体资源分类信息对核权重进行推断，使得获得每种媒体资源特征的核函数对应的核权重的过程中能够充分考虑到每种资源特征对媒体资源类别的贡献，从而使得得到的核权重能够体现出每种媒体资源特征对于分类结果的重要性。
作为一种可选的方案，根据核权重和每种媒体资源特征对应的核函数获取合成核函数包括：
S1，获取每种媒体资源特征对应的核函数；
S2，根据核权重确定每种媒体资源特征对应的核函数的加权和，得到合成核函数。
可选地，在本实施例中，根据核权重确定每种媒体资源特征对应的核函数的加权和可以是线性加权和的形式。需要说明的是，上述获取加权和的形式只是本实施例中的一种示例，也可以通过其他形式获取加权和，在本实施例中不再赘述。
可选地，在本实施例中，每种媒体资源特征对应的核函数可以通过对每种媒体资源特征进行训练获取。例如：从媒体资源样本集合中获取多个媒体资源特征集合，其中，媒体资源特征集合中包括多种媒体资源特征中的一种媒体资源特征；分别对多个媒体资源特征集合进行训练；根据训练结果确定每种媒体资源特征对应的核函数。
在一个可选的实施方式中，提出了一种利用多核模型对媒体资源的分类器进行训练的方法，该方法中对多个核函数进行训练来确定合成核函数，该多核模型是一个灵活性很强的基于核的学习模型，利用多核代替单核能增强决策函数的可解释性，并能获得比单核模型更优的性能。在由多个特征空间构建的组合空间中，由于组合利用了各基本核函数的特征映射能力，通过将异构数据的不同特征分量分别输入对应的核函数进行映射，使数据在新的特征空间中得到更好的表达，能显著提高分类正确率或预测精度。本可选的实施方式提出了一种基于贝叶斯模型的多核学习方法，对多个基本核函数进行线性加权和组合。
在本可选的实施方式中，假设有N个独立同分布的媒体资源样本
Figure BDA0001335258850000111
并且每个样本都有P种不同的特征表示
Figure BDA0001335258850000112
其中
Figure BDA0001335258850000113
Dm是每个特征空间的维度。合成核函数采用线性加权和的函数形式表示：
Figure BDA0001335258850000121
其中，Km是基本核函数，对应于每一种特征。em是核权重，用来衡量每一个核(即特征)的贡献和重要性，Ke是最终的合成核函数，计算了两个媒体资源样本之间的相似性。如图4所示，从输入的数据中提取媒体资源特征，组成多个媒体资源特征集合，利用各个媒体资源特征集合特征C、特征S……特征H对各个媒体资源特征对应的核函数核C、核S……核H进行训练，从而实现特征控件到核空间的映射，再根据各个核函数对应的核权重e1、e2……em、ep对核函数进行加权和运算，得到合成核函数，再利用该合成核函数训练媒体资源的分类器，使用该分类器对媒体资源进行分类，从而确定媒体资源的类别标号，实现媒体资源的分类。
作为一种可选的方案，媒体资源样本包括视频资源样本，其中，从媒体资源样本集合中获取媒体资源特征数据包括：
S1，从视频资源样本中提取关键帧；
S2，根据预设算法从关键帧中获取媒体资源特征数据，其中，媒体资源特征数据包括以下至少之一：表观特征数据、运动特征数据、声音特征数据。
可选地，在本实施例中，在媒体资源样本包括视频资源样本的情况下，从媒体资源样本集合中获取媒体资源特征数据之前可以先对视频资源样本进行处理，可以从视频资源中提取出关键帧，这样只需对关键帧进行特征的提取，避免了数据量过大，数据过于冗余的情况。
作为一种可选的方案，在根据合成核函数对媒体资源的分类器进行训练之后，还包括：
S1，将接收到的待分类的媒体资源输入媒体资源的分类器；
S2，接收媒体资源的分类器输出的待分类的媒体资源对应的类别标识，其中，类别标识用于指示待分类的媒体资源的类别。
可选地，在本实施例中，可以但不限于利用训练后的媒体资源的分类器对媒体资源进行分类，为媒体资源分配类别标识。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述媒体资源的分类器训练方法的媒体资源的分类器训练装置，如图5所示，该装置包括：
1)第一获取模块52，用于从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，媒体资源样本集合包括多个媒体资源样本，媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，媒体资源分类信息用于指示媒体资源样本集合中每个媒体资源样本的分类；
2)确定模块54，用于根据预设的分布信息和媒体资源分类信息确定媒体资源特征数据中每种媒体资源特征对应的核权重，其中，预设的分布信息用于指示核权重服从的预设的分布；
3)第二获取模块56，用于根据核权重和每种媒体资源特征对应的核函数获取合成核函数，其中，每种媒体资源特征对应的核函数用于指示每种媒体资源特征在媒体资源样本集合的特征空间中的映射关系；
4)训练模块58，用于根据合成核函数对媒体资源的分类器进行训练。
可选地，在本实施例中，上述媒体资源的分类器训练装置可以但不限于应用于媒体资源服务器对媒体资源进行分类的场景中。其中，上述媒体资源服务器可以但不限于为各种类型的软件的服务器，例如：视频软件的服务器、音乐播放器软件的服务器、浏览器类软件的服务器、图片类软件的服务器、游戏软件的服务器等。具体的，可以但不限于应用于在上述视频软件的服务器对视频资源进行分类的场景中，或还可以但不限于应用于在上述浏览器类软件的服务器对媒体资源进行分类的场景中，以提高对媒体资源的分类器进行训练时的训练效率。上述仅是一种示例，本实施例中对此不做任何限定。
可选地，在本实施例中，上述媒体资源可以但不限于是任何形式的媒体资源。例如：视频资源、音频资源、图片资源、文本资源等等。
可选地，在本实施例中，媒体资源分类信息用于指示媒体资源样本集合中每个媒体资源样本的分类，也就是说，媒体资源样本集合中的媒体资源样本的分类是已知的，从而可以通过使媒体资源的分类器学习已知的媒体资源样本的分类情况来训练其对媒体资源的分类。
可选地，在本实施例中，上述媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，也就是说，从上述媒体资源样本集合中的每个媒体资源样本中提取出多种媒体资源特征。例如：上述媒体资源以视频资源为例，视频资源的多种媒体资源特征可以但不限于包括运动特征、表观特征、声音特征等等。
可选地，在本实施例中，上述预设的分布信息用于指示核权重服从的预设的分布，该预设的分布信息可以是根据历史经验预先设置的。例如：可以对核权重服从的先验分布进行假设，由于缺少先验信息，可以假设它服从正态分布，得到上述预设的分布信息。
可选地，在本实施例中，根据核权重和每种媒体资源特征对应的核函数获取合成核函数的方式可以但不限于包括通过对核函数进行线性加权和的方式得到合成核函数。
可见，通过上述装置，利用预设的分布信息以及从媒体资源样本集合中获取的媒体资源分类信息为每种媒体资源特征确定核权重，能够自动的衡量每一种媒体资源特征的重要性，针对每种媒体资源特征的重要性分配不同的核权重，从而使得根据核权重和核函数获取到的合成核函数中能够体现出每种媒体资源特征对于合成核函数的不同的贡献，在利用该合成核函数训练媒体资源的分类器，从而提高对媒体资源的分类器进行训练时的训练效率，获得更高的分类精度，进而克服相关技术中对媒体资源的分类器进行训练时的训练效率低的问题。
作为一种可选的方案，确定模块包括：
1)采样单元，用于按照预设的分布信息对媒体资源特征数据进行采样，得到采样结果；
2)推断单元，用于根据采样结果与媒体资源分类信息推断核权重的后验信息；
3)第一确定单元，用于根据后验信息确定核权重。
可选地，在本实施例中，上述核权重可以具有若干个参数，例如：每个媒体资源样本对应的样本权重及该样本权重对应的先验信息，核权重对应的先验信息等等。上述预设的分布信息包括核权重具有的各个参数对应的分布信息。
在一个可选的实施方式中，在多核框架下对媒体资源的分类器进行训练，媒体资源样本在特征空间中的表示问题可以转化成为基本核函数与核权重系数的选择问题。在本可选的实施方式中，对于多核学习函数形式中参数的学习方法，可以采用贝叶斯理论。
本可选的实施方式中提出的基于贝叶斯框架的多核学习方法的主要思想是把核结合函数形式中的所有参数视为随机变量，对每个变量加以先验，然后通过预设的推断方法得到这些参数的值。可以使用如图3所示的贝叶斯多核学习的概率图模型。其中，N，P和K分别代表媒体资源样本的数目，输入核数目以及类别数目。每个核矩阵记为Km，由于一共有N个媒体资源样本，所以核矩阵的维数为N×N，其中矩阵的列记为km,i，矩阵的行记为
Figure BDA0001335258850000161
每个媒体资源样本的权重以及它对应的先验分别记为A和Λ，矩阵的维数为N×K，其中矩阵的列分别记为ac和λc。每一个类的中间输出变量记为Gc，矩阵的维数为P×N，其中矩阵的列记为gc,i，矩阵的行记为
Figure BDA0001335258850000162
偏差以及它对应的先验分别记为b和γ，矩阵的维数为N×1。核权重以及它对应的先验分别记为e和ω，矩阵的维数为P×1。辅助变量记为F，矩阵的维数为K×N，其中矩阵的列记为fi。类标签记为Y，矩阵的维数为K×N，其中每一个元素的取值为±1。为了更清晰的说明这些符号，并方便后续查找，上述参数如表1所示。
表1
Figure BDA0001335258850000171
在本可选的实施方式中，对预设的分布信息做出如下假设：
Figure BDA0001335258850000172
Figure BDA0001335258850000173
Figure BDA0001335258850000174
Figure BDA0001335258850000175
Figure BDA0001335258850000176
Figure BDA0001335258850000177
Figure BDA0001335258850000178
Figure BDA0001335258850000179
Figure BDA00013352588500001710
其中，N(·；μ,∑)代表的是以μ为均值向量，∑为协方差矩阵的高斯分布。g(·；α,β)代表以α为形状参数，β为尺度参数的伽马分布。δ(·)代表当判别式为真时返回1，为假时返回0的德尔塔函数。其中，在对核权重服从的先验分布进行假设时，由于缺少先验信息，可以假设它服从正态分布。
在本可选的实施方式中，按照上述分布信息从媒体资源特征数据中采样，再根据采样结果和媒体资源分类信息采用变分贝叶斯方法对上述参数进行推断，得到核权重的后验信息，从而确定核权重，使得整个过程十分高效。本可选的实施方式中提出的变分推断的基本思想是通过构造一个简单的数学形式来近似变量的后验分布。最终求得参数的值，在得到每一个核函数的核权重后，即可求得合成核函数，将合成核函数作为最终的核函数训练分类器。
通过上述装置，利用预设的分布信息从媒体资源特征数据中采集样本，再结合媒体资源分类信息对核权重进行推断，使得获得每种媒体资源特征的核函数对应的核权重的过程中能够充分考虑到每种资源特征对媒体资源类别的贡献，从而使得得到的核权重能够体现出每种媒体资源特征对于分类结果的重要性。
作为一种可选的方案，第二获取模块包括：
1)第一获取单元，用于获取每种媒体资源特征对应的核函数；
2)第二确定单元，用于根据核权重确定每种媒体资源特征对应的核函数的加权和，得到合成核函数。
可选地，在本实施例中，根据核权重确定每种媒体资源特征对应的核函数的加权和可以是线性加权和的形式。需要说明的是，上述获取加权和的形式只是本实施例中的一种示例，也可以通过其他形式获取加权和，在本实施例中不再赘述。
可选地，在本实施例中，第一获取单元用于：从媒体资源样本集合中获取多个媒体资源特征集合，其中，媒体资源特征集合中包括多种媒体资源特征中的一种媒体资源特征；分别对多个媒体资源特征集合进行训练；根据训练结果确定每种媒体资源特征对应的核函数。每种媒体资源特征对应的核函数可以通过对每种媒体资源特征进行训练获取。
在一个可选的实施方式中，提出了一种利用多核模型对媒体资源的分类器进行训练的装置，该装置中对多个核函数进行训练来确定合成核函数，该多核模型是一个灵活性很强的基于核的学习模型，利用多核代替单核能增强决策函数的可解释性，并能获得比单核模型更优的性能。在由多个特征空间构建的组合空间中，由于组合利用了各基本核函数的特征映射能力，通过将异构数据的不同特征分量分别输入对应的核函数进行映射，使数据在新的特征空间中得到更好的表达，能显著提高分类正确率或预测精度。本可选的实施方式提出了一种基于贝叶斯模型的多核学习装置，对多个基本核函数进行线性加权和组合。
在本可选的实施方式中，假设有N个独立同分布的媒体资源样本
Figure BDA0001335258850000191
并且每个样本都有P种不同的特征表示
Figure BDA0001335258850000192
其中
Figure BDA0001335258850000193
Dm是每个特征空间的维度。合成核函数采用线性加权和的函数形式表示：
Figure BDA0001335258850000194
其中，Km是基本核函数，对应于每一种特征。em是核权重，用来衡量每一个核(即特征)的贡献和重要性，Ke是最终的合成核函数，计算了两个媒体资源样本之间的相似性。如图4所示，从输入的数据中提取媒体资源特征，组成多个媒体资源特征集合，利用各个媒体资源特征集合特征C、特征S……特征H对各个媒体资源特征对应的核函数核C、核S……核H进行训练，从而实现特征控件到核空间的映射，再根据各个核函数对应的核权重e1、e2……em、ep对核函数进行加权和运算，得到合成核函数，再利用该合成核函数训练媒体资源的分类器，使用该分类器对媒体资源进行分类，从而确定媒体资源的类别标号，实现媒体资源的分类。
作为一种可选的方案，媒体资源样本包括视频资源样本，其中，第一获取模块包括：
1)提取单元，用于从视频资源样本中提取关键帧；
2)第二获取单元，用于根据预设算法从关键帧中获取媒体资源特征数据，其中，媒体资源特征数据包括以下至少之一：表观特征数据、运动特征数据、声音特征数据。
可选地，在本实施例中，在媒体资源样本包括视频资源样本的情况下，从媒体资源样本集合中获取媒体资源特征数据之前可以先对视频资源样本进行处理，可以从视频资源中提取出关键帧，这样只需对关键帧进行特征的提取，避免了数据量过大，数据过于冗余的情况。
作为一种可选的方案，上述装置还包括：
1)输入模块，用于将接收到的待分类的媒体资源输入媒体资源的分类器；
2)接收模块，用于接收媒体资源的分类器输出的待分类的媒体资源对应的类别标识，其中，类别标识用于指示待分类的媒体资源的类别。
可选地，在本实施例中，可以但不限于利用训练后的媒体资源的分类器对媒体资源进行分类，为媒体资源分配类别标识。
实施例3
本发明实施例的应用环境可以但不限于参照实施例1中的应用环境，本实施例中对此不再赘述。本发明实施例提供了用于实施上述媒体资源的分类器训练方法的一种可选的具体应用示例。
作为一种可选的实施例，上述媒体资源的分类器训练方法可以但不限于应用于如图6所示的对媒体资源进行分类的场景中。在本实施例中，媒体资源以视频资源为例，其他类型的媒体资源的分类器的训练方式与其类似，在此不再赘述。
本实施例提出了一种新的建立在贝叶斯框架下的视频资源的分类器的多核学习方法，融合多种不同的视频特征包括表观特征、运动特征以及声音特征，使得分类器可以自动学习多种不同特征的最优权重，从而进行视频内人体行为识别，对视频内容进行有效的分类。本方法提出了一种基于贝叶斯多核学习理论对多种静、动态特征进行融合的方法。这种算法可以自动地衡量每一种特征的重要性，给定一个合适的权重，从而自适应的学习分类器，以获得更高的分类精度。
在本实施例中，提出了一种新的基于贝叶斯模型的特征融合方法进行视频资源中行为识别及视频资源分类。如图6所示，该方法包括：(1)接收视频数据的输入；(2)视频结构分析：镜头分割与关键帧提取、镜头聚类；(3)视觉多线索的提取：基于关键帧的表观特征提取、高效3D CNN的运动特征提取，声音特征提取；(4)基于多线索的视频内容分类：基于贝叶斯多核学习的行为识别及视频分类。
通过本实施例提出的一种新的建立在贝叶斯框架下的基于多核学习方法的特征融合方法对视频资源的分类器进行训练并对视频资源进行分类，使得模型可以自动学习多种不同特征的最优权重；并首次将贝叶斯框架下的多核学习方法用于视频行为理解中，将多线索特征进行有效的融合，在多个数据集上取得了有竞争力的效果；通过上述融合方法，得到不同特征所对应的基核在构成合成核时的权重，进而可以分析不同特征对识别不同特点的数据集的视频行为的贡献大小。
实施例4
根据本发明实施例，还提供了一种用于实施上述媒体资源的分类器训练方法的媒体资源的分类器训练设备，如图7所示，该设备包括：
1)通讯接口702，设置为接收媒体资源样本集合；
2)处理器704，与通讯接口702连接，设置为从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，所述媒体资源样本集合包括多个媒体资源样本，所述媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，所述媒体资源分类信息用于指示所述媒体资源样本集合中每个媒体资源样本的分类；根据预设的分布信息和所述媒体资源分类信息确定所述媒体资源特征数据中每种媒体资源特征对应的核权重，其中，所述预设的分布信息用于指示所述核权重服从的预设的分布；根据所述核权重和所述每种媒体资源特征对应的核函数获取合成核函数，其中，所述每种媒体资源特征对应的核函数用于指示所述每种媒体资源特征在所述媒体资源样本集合的特征空间中的映射关系；根据所述合成核函数对媒体资源的分类器进行训练。
3)存储器706，与通讯接口702及处理器704连接，设置为存储预设的分布信息以及媒体资源特征对应的核函数。
可选地，本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例，本实施例在此不再赘述。
实施例5
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以位于网络中的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
S1，从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，媒体资源样本集合包括多个媒体资源样本，媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，媒体资源分类信息用于指示媒体资源样本集合中每个媒体资源样本的分类；
S2，根据预设的分布信息和媒体资源分类信息确定媒体资源特征数据中每种媒体资源特征对应的核权重，其中，预设的分布信息用于指示核权重服从的预设的分布；
S3，根据核权重和每种媒体资源特征对应的核函数获取合成核函数，其中，每种媒体资源特征对应的核函数用于指示每种媒体资源特征在媒体资源样本集合的特征空间中的映射关系；
S4，根据合成核函数对媒体资源的分类器进行训练。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：按照预设的分布信息对媒体资源特征数据进行采样，得到采样结果；根据采样结果与媒体资源分类信息推断核权重的后验信息；根据后验信息确定核权重。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：获取每种媒体资源特征对应的核函数；根据核权重确定每种媒体资源特征对应的核函数的加权和，得到合成核函数。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：从媒体资源样本集合中获取多个媒体资源特征集合，其中，媒体资源特征集合中包括多种媒体资源特征中的一种媒体资源特征；分别对多个媒体资源特征集合进行训练；根据训练结果确定每种媒体资源特征对应的核函数。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：从视频资源样本中提取关键帧；根据预设算法从关键帧中获取媒体资源特征数据，其中，媒体资源特征数据包括以下至少之一：表观特征数据、运动特征数据、声音特征数据。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：将接收到的待分类的媒体资源输入媒体资源的分类器；接收媒体资源的分类器输出的待分类的媒体资源对应的类别标识，其中，类别标识用于指示待分类的媒体资源的类别。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例，本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种媒体资源的分类器训练方法，其特征在于，包括：
从视频资源样本中提取关键帧；根据预设算法从所述关键帧中获取媒体资源特征数据；从媒体资源样本集合中获取媒体资源分类信息，其中，所述媒体资源样本集合包括多个媒体资源样本，所述媒体资源样本集合包括所述视频资源样本，所述媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，所述媒体资源分类信息用于指示所述媒体资源样本集合中每个媒体资源样本的分类；
按照预设的分布信息对所述媒体资源特征数据进行采样，得到采样结果；根据所述采样结果与所述媒体资源分类信息推断核权重的后验信息；根据所述后验信息确定所述核权重，其中，所述预设的分布信息用于指示所述核权重服从的预设的分布，所述核权重与所述媒体资源特征数据中每种媒体资源特征相对应；
根据所述核权重和所述每种媒体资源特征对应的核函数获取合成核函数，其中，所述每种媒体资源特征对应的核函数用于指示所述每种媒体资源特征在所述媒体资源样本集合的特征空间中的映射关系；
根据所述合成核函数对媒体资源的分类器进行训练。
2.根据权利要求1所述的方法，其特征在于，根据所述核权重和所述每种媒体资源特征对应的所述核函数获取所述合成核函数包括：
获取所述每种媒体资源特征对应的所述核函数；
根据所述核权重确定所述每种媒体资源特征对应的所述核函数的加权和，得到所述合成核函数。
3.根据权利要求2所述的方法，其特征在于，获取所述每种媒体资源特征对应的所述核函数包括：
从所述媒体资源样本集合中获取多个媒体资源特征集合，其中，所述媒体资源特征集合中包括所述多种媒体资源特征中的一种媒体资源特征；
分别对所述多个媒体资源特征集合进行训练；
根据训练结果确定所述每种媒体资源特征对应的所述核函数。
4.根据权利要求1所述的方法，其特征在于，所述媒体资源特征数据包括以下至少之一：表观特征数据、运动特征数据、声音特征数据。
5.根据权利要求1至4中任一项所述的方法，其特征在于，在根据所述合成核函数对媒体资源的分类器进行训练之后，所述方法还包括：
将接收到的待分类的媒体资源输入所述媒体资源的分类器；
接收所述媒体资源的分类器输出的所述待分类的媒体资源对应的类别标识，其中，所述类别标识用于指示所述待分类的媒体资源所述的类别。
6.一种媒体资源的分类器训练装置，其特征在于，包括：
第一获取模块，用于从媒体资源样本集合中获取媒体资源特征数据和媒体资源分类信息，其中，所述媒体资源样本集合包括多个媒体资源样本，所述媒体资源特征数据中携带有媒体资源样本对应的多种媒体资源特征，所述媒体资源分类信息用于指示所述媒体资源样本集合中每个媒体资源样本的分类；
确定模块，用于根据预设的分布信息和所述媒体资源分类信息确定所述媒体资源特征数据中每种媒体资源特征对应的核权重，其中，所述预设的分布信息用于指示所述核权重服从的预设的分布，所述核权重与所述媒体资源特征数据中每种媒体资源特征相对应；
第二获取模块，用于根据所述核权重和所述每种媒体资源特征对应的核函数获取合成核函数，其中，所述每种媒体资源特征对应的核函数用于指示所述每种媒体资源特征在所述媒体资源样本集合的特征空间中的映射关系；
训练模块，用于根据所述合成核函数对媒体资源的分类器进行训练；
所述确定模块包括：
采样单元，用于按照所述预设的分布信息对所述媒体资源特征数据进行采样，得到采样结果；
推断单元，用于根据所述采样结果与所述媒体资源分类信息推断所述核权重的后验信息；
第一确定单元，用于根据所述后验信息确定所述核权重；
所述媒体资源样本包括视频资源样本，其中，所述第一获取模块包括：
提取单元，用于从所述视频资源样本中提取关键帧；
第二获取单元，用于根据预设算法从所述关键帧中获取所述媒体资源特征数据。
7.根据权利要求6所述的装置，其特征在于，所述第二获取模块包括：
第一获取单元，用于获取所述每种媒体资源特征对应的所述核函数；
第二确定单元，用于根据所述核权重确定所述每种媒体资源特征对应的所述核函数的加权和，得到所述合成核函数。
8.根据权利要求7所述的装置，其特征在于，所述第一获取单元用于：
从所述媒体资源样本集合中获取多个媒体资源特征集合，其中，所述媒体资源特征集合中包括所述多种媒体资源特征中的一种媒体资源特征；
分别对所述多个媒体资源特征集合进行训练；
根据训练结果确定所述每种媒体资源特征对应的所述核函数。
9.根据权利要求6所述的装置，其特征在于，所述媒体资源特征数据包括以下至少之一：表观特征数据、运动特征数据、声音特征数据。
10.根据权利要求6至9中任一项所述的装置，其特征在于，所述装置还包括：
输入模块，用于将接收到的待分类的媒体资源输入所述媒体资源的分类器；
接收模块，用于接收所述媒体资源的分类器输出的所述待分类的媒体资源对应的类别标识，其中，所述类别标识用于指示所述待分类的媒体资源所述的类别。
CN201710508695.8A 2017-06-28 2017-06-28 媒体资源的分类器训练方法及装置 Active CN109145933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710508695.8A CN109145933B (zh) 2017-06-28 2017-06-28 媒体资源的分类器训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710508695.8A CN109145933B (zh) 2017-06-28 2017-06-28 媒体资源的分类器训练方法及装置

Publications (2)

Publication Number Publication Date
CN109145933A CN109145933A (zh) 2019-01-04
CN109145933B true CN109145933B (zh) 2022-02-08

Family

ID=64803191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710508695.8A Active CN109145933B (zh) 2017-06-28 2017-06-28 媒体资源的分类器训练方法及装置

Country Status (1)

Country Link
CN (1) CN109145933B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488188A (zh) * 2008-11-10 2009-07-22 西安电子科技大学 基于混合核函数的svm分类器的sar图像分类方法
CN102034117A (zh) * 2010-12-17 2011-04-27 东软集团股份有限公司 一种图像分类方法和装置
CN102567742A (zh) * 2010-12-15 2012-07-11 中国科学院电子学研究所 一种基于自适应核函数选择的支持向量机自动分类方法
CN103489007A (zh) * 2013-10-13 2014-01-01 江西理工大学 基于样本先验信息的支持向量机核函数选择方法及应用
CN106203487A (zh) * 2016-06-30 2016-12-07 北京航空航天大学 一种基于多核学习分类器融合的图像分类方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488188A (zh) * 2008-11-10 2009-07-22 西安电子科技大学 基于混合核函数的svm分类器的sar图像分类方法
CN102567742A (zh) * 2010-12-15 2012-07-11 中国科学院电子学研究所 一种基于自适应核函数选择的支持向量机自动分类方法
CN102034117A (zh) * 2010-12-17 2011-04-27 东软集团股份有限公司 一种图像分类方法和装置
CN103489007A (zh) * 2013-10-13 2014-01-01 江西理工大学 基于样本先验信息的支持向量机核函数选择方法及应用
CN106203487A (zh) * 2016-06-30 2016-12-07 北京航空航天大学 一种基于多核学习分类器融合的图像分类方法及装置

Also Published As

Publication number Publication date
CN109145933A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN108491817B (zh) 一种事件检测模型训练方法、装置以及事件检测方法
CN110472090B (zh) 基于语义标签的图像检索方法以及相关装置、存储介质
CN109857844B (zh) 基于点餐对话文本的意图识别方法、装置、电子设备
CN104679818B (zh) 一种视频关键帧提取方法及系统
CN109376844A (zh) 基于云平台和模型推荐的神经网络自动训练方法和装置
CN113627482B (zh) 一种基于音频—触觉信号融合的跨模态图像生成方法及装置
CN104951807B (zh) 股市情绪的确定方法和装置
CN111475622A (zh) 一种文本分类方法、装置、终端及存储介质
CN105225135B (zh) 潜力客户识别方法以及装置
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
CN111400615A (zh) 一种资源推荐方法、装置、设备及存储介质
CN104951434B (zh) 品牌情绪的确定方法和装置
CN115131698A (zh) 视频属性确定方法、装置、设备及存储介质
CN110245310B (zh) 一种对象的行为分析方法、装置及存储介质
CN111475731A (zh) 数据处理方法、装置、存储介质及设备
CN110162769B (zh) 文本主题输出方法和装置、存储介质及电子装置
CN109933741B (zh) 用户网络行为特征提取方法、装置及存储介质
CN110232154B (zh) 基于随机森林的产品推荐方法、装置及介质
CN109145933B (zh) 媒体资源的分类器训练方法及装置
CN113408282B (zh) 主题模型训练和主题预测方法、装置、设备及存储介质
CN108229263B (zh) 目标对象的识别方法和装置、机器人
CN115063858A (zh) 视频人脸表情识别模型训练方法、装置、设备及存储介质
CN110020120A (zh) 内容投放系统中的特征词处理方法、装置及存储介质
CN112417290A (zh) 书籍排序推送模型的训练方法、电子设备及存储介质
CN115470322B (zh) 一种基于人工智能的关键词生成系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant