CN111652254A - 一种基于相似度的模型优化方法及系统 - Google Patents
一种基于相似度的模型优化方法及系统 Download PDFInfo
- Publication number
- CN111652254A CN111652254A CN201910177322.6A CN201910177322A CN111652254A CN 111652254 A CN111652254 A CN 111652254A CN 201910177322 A CN201910177322 A CN 201910177322A CN 111652254 A CN111652254 A CN 111652254A
- Authority
- CN
- China
- Prior art keywords
- dish
- similarity
- picture
- type
- category
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于相似度的模型优化方法,所述方法包括:计算第一菜品类别与第二菜品类别之间的类别相似度;根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别;若所述菜品图片的菜品类别被识别为第二菜品类别,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息,使得类别识别错误时能错在与正确分类更相接近的范围。
Description
技术领域
本发明属于机器学习技术领域,特别涉及一种基于相似度的模型优化方法及系统。
背景技术
随着计算机科学与技术的发展,机器学习算法越来越广泛地应用于数据的分类中。深度学习作为一种新型的机器学习方法,由于其对与时空域关联的样本数据具有很好的识别效果,例如,图片、音频、文本等,且对样本数据平移变形等变换具有一定的鲁棒性,使得其识别精度明显优于经典的机器学习方法,因此一提出即得到广泛应用。
在深度学习领域,梯度算法是一个最优化算法,通常也称为最速下降法。梯度下降法是求解无约束优化问题最简单和最古老的方法之一,现在更多地应用于机器学习中用来递归性地并进最小偏差模型,尤其是对于神经网络中的方向传播算法,梯度下降法为其提供了理论基础。
目前已经有许多研究致力于梯度下降法的分析与改进。比较有代表性的有批量梯度下降负、随机梯度下降法以及牛顿法等。批量下降法每次学习都使用整个训练集,因此每次更新都会朝着正确的方向进行,最后能够保证收敛于极值点,凸函数收敛于全局极值点,非凸函数可能会收敛于局部极值点,但是对于大规模的样本问题效率低。随机梯度下降法收敛速度快,适用于大规模训练样本。牛顿法收敛速度更快,但是牛顿法是一种迭代算法,计算比较复杂。
当前的各种优化方法优化的目的与方向都是单纯地提高分类的准确率数值,没有基于类与类之间的相似性对分类结果进行优化,在识别错误是可能造成非常大的错误。
为解决上述技术问题,本发明提出一种基于相似度的模型优化方法,使得类别识别错误时能错在与正确分类更相接近的范围。
发明内容
鉴于此,本发明的目的在于提供一种基于相似度的模型优化方法及系统,使得类别识别错误时能错在与正确分类更相接近的范围。
根据上述发明目的,本发明提供一种基于相似度的模型优化方法,所述方法包括:
S1、计算第一菜品类别与第二菜品类别之间的类别相似度;
S2、根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别;
S3、若所述菜品图片的菜品类别被识别为第二菜品类别,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。
优选地,所述步骤S1包括:
对类别为第一菜品类别的第一菜品图片进行人工标注,标注所述第一菜品图片中的食材种类、食材做法和菜系;
对类别为第二菜品类别的第二菜品图片进行人工标注,标注所述第二菜品图片中的食材种类、食材做法和菜系;
根据所述第一菜品图片中的食材种类和所述第二菜品图片中的食材种类,计算第一菜品类别和第二菜品类别的食材相似度;
根据所述第一菜品图片中的食材做法和所述第二菜品图片中的食材做法,计算第一菜品类别和第二菜品类别的做法相似度;
根据所述第一菜品图片中的菜系和所述第二菜品图片中的菜系,计算第一菜品类别和第二菜品类别的菜系相似度;
根据所述食材相似度、做法相似度和菜系相似度,计算第一菜品类别和第二菜品类别的类别相似度。
优选地,所述食材相似度的计算公式如式1所示,
F=(k/n+s/m)/2 式1;
其中,第一菜品图片中的食材种类为m个;
第二菜品图片中的食材种类为n个;
第一菜品图片中的食材包含第二菜品图片中的食材的种类数为k个;
第二菜品图片中的食材包含第一菜品图片中的食材的种类数为s个;
F为食材相似度。
优选地,所述做法相似度的计算包括:
若第一菜品图片中的食材做法和所述第二菜品图片中的食材做法一致,则做法相似度为1,否则为0;
其中,做法相似度标记为R。
优选地,所述菜系相似度的计算包括:
若第一菜品图片中的菜系和所述第二菜品图片中的菜系一致,则菜系相似度为1,否则为0;
其中,菜系相似度标记为L。
优选地,所述类别相似度的计算公式如式2示,
Y=(F+R+L)/3 式2;
其中,F为食材相似度;
R为做法相似度;
L为菜系相似度;
Y为类别相似度。
优选地,所述步骤S3包括:
标准梯度下降法公式为式3,
根据所述类别相似度,将所述标准梯度下降法公式进行更新,所述更新后的梯度下降法公式为式4,
其中,Y为类别相似度;
若所述菜品图片的菜品类别被识别为第二菜品类别,则根据所述更新后的梯度下降法公式,在反向传播中调整所述分类模型的参数信息。
优选地,所述方法还包括:
若所述菜品图片的菜品类别被识别为第一菜品类别,则根据所述标准的梯度下降法公式,调整所述分类模型的参数信息。
优选地,所述方法还包括:
根据所述调整的参数信息、反向传播以及梯度下降法,获取优化后的分类模型。
根据上述发明目的,本发明提供一种基于相似度的模型优化系统,所述系统还包括:
相似度模块,用于计算第一菜品类别与第二菜品类别之间的类别相似度;
识别模块,用于根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别;
调整模块,用于若所述菜品图片的菜品类别被识别为第二菜品类别时,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。
与现有技术相比,本发明提供的基于相似度的模型优化方法及系统,具有以下有益效果:根据菜品类别之间的相似度,当菜品类别被识别错误时,修改梯度下降法公式,从而在反向传播时,根据修改后的梯度下降法公式,调整分类模型的参数,使得类别识别错误时能错在与正确分类更想接近的范围,实现对模型犯错时对判断结果进行修正,降低了模型预测失败时完全错误的概率,提高了模型的识别正确率。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种基于相似度的模型优化方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种基于相似度的模型优化方法的流程图;
图2是本发明一具体实施例的川式土豆红烧肉的图片;
图3是本发明一具体实施例的苏式红烧肉的图片;
图4是本发明一种基于相似度的模型优化系统的组成结构图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
如图1所示,本发明的一个实施例,一种基于相似度的模型优化方法,所述方法包括:
S1、计算第一菜品类别与第二菜品类别之间的类别相似度;
S2、根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别;
S3、若所述菜品图片的菜品类别被识别为第二菜品类别,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。
在使用一个神经网络时,首先要训练该神经网络,比如,如果想让某神经网络识别出菜品的类别,那么在训练神经网络时,就要喂给该神经网络大量的菜品图片,告诉它是什么菜品,菜品有哪些特征,并通过算法进行模型训练。反向传播算法是目前用来训练神经网络的最常用且最有效的算法。其主要思想是:将训练集数据输入到神经网络的输入层,经过隐藏层,最后达到输出层并输出结果,这是神经网络的前向传播过程。由于神经网络的输出结果与实际结果有误差,则减速估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层,在反向传播的过程中,根据误差调整各种参数的值,不断迭代上述过程,直至收敛。在反向传播中,梯度下降法是最简单也是最常用的优化方法。
举一个简单的例子,神经网络就是求x和y之间的关系表达式的过程,其中,关系式简单表达为y=w*x+b(实际的神经网络公式更要复杂),就是已知x0和y0,求其中的参数w和b。神经网络的训练过程简单来说就是已知x0和y0,并随机给定w和b的初始值。根据上述公式,得到了初始的y值,但是得到的初始y值和y0肯定会有偏差,我们就需要调整w和b,这个调整的过程就是反向传播,其中用到的算法就是梯度下降法。根据调整的参数和上述公式,就得到新的y值,将新的y值与y0进行比较,若还有偏差,则再用梯度下降法调整w和b,直到y和y0的偏差很小很小,得到最终的w和b,从而得到最终的分类模型。
本发明利用类与类之间的相似度,当类别被识别错误时,将类别相似度加入到梯度下降法中,调整神经网络的参数,从而使得类别识别错误时能错在与正确分类更想接近的范围。
计算第一菜品类别与第二菜品类别之间的类别相似度。根据经验,所述第一菜品类别与第二菜品类别之间具有相似度,在模型训练中,容易地被识别成错误的类别。具体地,对类别为第一菜品类别的第一菜品图片进行人工标注,标注所述第一菜品图片中的食材种类、食材做法和菜系,对类别为第二菜品类别的第二菜品图片进行人工标注,标注所述第二菜品图片中的食材种类、食材做法和菜系;根据所述第一菜品图片中的食材种类和所述第二菜品图片中的食材种类,计算第一菜品类别和第二菜品类别的食材相似度;根据所述第一菜品图片中的食材做法和所述第二菜品图片中的食材做法,计算第一菜品类别和第二菜品类别的做法相似度。食材做法一般是指煎炒等做法。根据所述第一菜品图片中的菜系和所述第二菜品图片中的菜系,计算第一菜品类别和第二菜品类别的菜系相似度。菜系一般是指川菜、鲁菜、粤菜、苏菜、浙菜、闽菜、湘菜和徽菜。根据所述食材相似度、做法相似度和菜系相似度,计算第一菜品类别和第二菜品类别的类别相似度。
本发明的一具体实施例,所述食材相似度的计算公式如式1所示:
F=(k/n+s/m)/2 式1;
其中,第一菜品图片中的食材种类为m个;
第二菜品图片中的食材种类为n个;
第一菜品图片中的食材包含第二菜品图片中的食材的种类数为k个;
第二菜品图片中的食材包含第一菜品图片中的食材的种类数为s个;
F为食材相似度。
本发明的一具体实施例,所述做法相似度的计算为,若第一菜品图片中的食材做法和所述第二菜品图片中的食材做法一致,则做法相似度为1,否则为0,其中,做法相似度标记为R。
本发明的一具体实施例,所述菜系相似度的计算为,若第一菜品图片中的菜系和所述第二菜品图片中的菜系一致,则菜系相似度为1,否则为0,其中,菜系相似度标记为L。
本发明的一具体实施例,所述第一菜品类别和第二菜品类别的类别相似度的计算公式如式2示,
Y=(F+R+L)/3 式2;
其中,F为食材相似度;
R为做法相似度;
L为菜系相似度;
Y为类别相似度。
本发明的一具体实施例,如图2和图3所示。图2为菜品类别为川式土豆红烧肉的菜品图片,图3为菜品类别为苏式红烧肉的菜品图片。根据图2和图3所示,川式土豆红烧肉的食材有土豆和五花肉两种,做法是红烧,菜系为川式。苏式红烧肉的食材有五花肉一种,做法是红烧,菜系为苏式。川式土豆红烧肉中食材有2个,即m=2,苏式红烧中食材有1个,即n=1,川式土豆红烧肉中有苏式红烧肉的1个食材,即k=1;苏式红烧肉中有川式土豆红烧肉的1个食材,即s=1;则食材相似度为F=(1/1+1/2)=0.75。川式土豆红烧肉和苏式红烧肉的做法一致,都是红烧,即做法相似度R为1.。川式土豆红烧肉和苏式红烧肉的菜系不一致,一个是川式,一个是苏式,即菜系相似度R为0。因此,川式土豆红烧肉和苏式红烧肉的类别相似度Y为0.58。
根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别。具体地,根据Google-lenet神经网络,建立一分类模型。通过该分类模型对一菜品图片进行菜品类别识别,其中,所述菜品图片的真实类别为第一菜品类别。
若所述菜品图片的菜品类别被识别为第二菜品类别,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。若所述菜品图片的菜品类别被识别为第二菜品类别,与所述菜品图片的真实类别不一致,在反向传播时,需要对分类模型的参数进行调整,将类别相似度加入到梯度下降法的公式中。具体地,标准梯度下降法公式为式3,
根据所述类别相似度,将所述标准梯度下降法公式进行更新,所述更新后的梯度下降法公式为式4,
其中,Y为类别相似度;
根据所述更新后的梯度下降法公式,在反向传播中调整所述分类模型的参数。
本发明的一具体实施例,所述方法还包括:若所述菜品图片的菜品类别被识别为第一菜品类别,则根据所述标准的梯度下降法公式,调整所述分类模型的参数信息。若所述菜品图片的菜品类别被识别为第一菜品类别,与真实类别一致,没有被识别错误,在反向传播中,按照标准的梯度下降法来调整分类模型的参数。
根据所述调整的参数信息、反向传播以及梯度下降法,获取优化后的分类模型。通过调整分类模型的参数的值,不断迭代上述过程,得到最终的优化的分类模型。
通过该技术方案,根据菜品类别之间的相似度,当菜品类别被识别错误时,修改梯度下降法公式,从而在反向传播时,根据修改后的梯度下降法公式,调整分类模型的参数,使得类别识别错误时能错在与正确分类更相接近的范围,实现对模型犯错时对判断结果进行修正,降低了模型预测失败时完全错误的概率,提高了模型的识别正确率。
如图4所示,本发明的一个实施例,一种基于相似度的模型优化系统,所述系统还包括:
相似度模块40,用于计算第一菜品类别与第二菜品类别之间的类别相似度;
识别模块41,用于根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别;
调整模块42,用于若所述菜品图片的菜品类别被识别为第二菜品类别时,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。
所述相似度模块计算第一菜品类别与第二菜品类别之间的类别相似度。具体地,对类别为第一菜品类别的第一菜品图片进行人工标注,标注所述第一菜品图片中的食材种类、食材做法和菜系,对类别为第二菜品类别的第二菜品图片进行人工标注,标注所述第二菜品图片中的食材种类、食材做法和菜系;根据所述第一菜品图片中的食材种类和所述第二菜品图片中的食材种类,计算第一菜品类别和第二菜品类别的食材相似度;根据所述第一菜品图片中的食材做法和所述第二菜品图片中的食材做法,计算第一菜品类别和第二菜品类别的做法相似度。食材做法一般是指煎炒等做法。根据所述第一菜品图片中的菜系和所述第二菜品图片中的菜系,计算第一菜品类别和第二菜品类别的菜系相似度。根据所述食材相似度、做法相似度和菜系相似度,计算第一菜品类别和第二菜品类别的类别相似度。
所述食材的相似度的计算公式如式1所示:
F=(k/n+s/m)/2 式1;
其中,第一菜品图片中的食材种类为m个;
第二菜品图片中的食材种类为n个;
第一菜品图片中的食材包含第二菜品图片中的食材的种类数为k个;
第二菜品图片中的食材包含第一菜品图片中的食材的种类数为s个;
F为食材相似度。
所述做法相似度的计算为,若第一菜品图片中的食材做法和所述第二菜品图片中的食材做法一致,则做法相似度为1,否则为0,其中,做法相似度标记为R。
所述菜系相似度的计算为,若第一菜品图片中的菜系和所述第二菜品图片中的菜系一致,则菜系相似度为1,否则为0,其中,菜系相似度标记为L。
所述第一菜品类别和第二菜品类别的类别相似度的计算公式如式2示,
Y=(F+R+L)/3 式2;
其中,F为食材相似度;
R为做法相似度;
L为菜系相似度;
Y为类别相似度。
所述识别模块根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别。
调整模块中,若所述菜品图片的菜品类别被识别为第二菜品类别,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。具体地,标准梯度下降法公式为式3,
根据所述类别相似度,将所述标准梯度下降法公式进行更新,所述更新后的梯度下降法公式为式4,
其中,Y为类别相似度;
根据所述更新后的梯度下降法公式,在反向传播中调整所述分类模型的参数。若所述菜品图片的菜品类别被识别为第一菜品类别,则根据所述标准的梯度下降法公式,调整所述分类模型的参数信息。通过调整分类模型的参数的值,不断迭代上述过程,得到最终的优化的分类模型。
通过该技术方案,根据菜品类别之间的相似度,当菜品类别被识别错误时,修改梯度下降法公式,从而在反向传播时,根据修改后的梯度下降法公式,调整分类模型的参数,使得类别识别错误时能错在与正确分类更相接近的范围,实现对模型犯错时对判断结果进行修正,降低了模型预测失败时完全错误的概率,提高了模型的识别正确率。
综上所述,本发明实现了对模型犯错时对判断结果进行修正,提高了模型的识别正确率。
应当说明的是,上述实施例均可根据需要自由组合。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)
1.一种基于相似度的模型优化方法,其特征在于,所述方法包括:
S1、计算第一菜品类别与第二菜品类别之间的类别相似度;
S2、根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别;
S3、若所述菜品图片的菜品类别被识别为第二菜品类别,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。
2.如权利要求1所述的基于相似度的模型优化方法,其特征在于,所述步骤S1包括:
对类别为第一菜品类别的第一菜品图片进行人工标注,标注所述第一菜品图片中的食材种类、食材做法和菜系;
对类别为第二菜品类别的第二菜品图片进行人工标注,标注所述第二菜品图片中的食材种类、食材做法和菜系;
根据所述第一菜品图片中的食材种类和所述第二菜品图片中的食材种类,计算第一菜品类别和第二菜品类别的食材相似度;
根据所述第一菜品图片中的食材做法和所述第二菜品图片中的食材做法,计算第一菜品类别和第二菜品类别的做法相似度;
根据所述第一菜品图片中的菜系和所述第二菜品图片中的菜系,计算第一菜品类别和第二菜品类别的菜系相似度;
根据所述食材相似度、做法相似度和菜系相似度,计算第一菜品类别和第二菜品类别的类别相似度。
3.如权利要求2所述的基于相似度的模型优化方法,其特征在于,所述食材相似度的计算公式如式1所示,
F=(k/n+s/m)/2 式1;
其中,第一菜品图片中的食材种类为m个;
第二菜品图片中的食材种类为n个;
第一菜品图片中的食材包含第二菜品图片中的食材的种类数为k个;
第二菜品图片中的食材包含第一菜品图片中的食材的种类数为s个;
F为食材相似度。
4.如权利要求3所述的基于相似度的模型优化方法,其特征在于,所述做法相似度的计算包括:
若第一菜品图片中的食材做法和所述第二菜品图片中的食材做法一致,则做法相似度为1,否则为0;
其中,做法相似度标记为R。
5.如权利要求4所述的基于相似度的模型优化方法,其特征在于,所述菜系相似度的计算包括:
若第一菜品图片中的菜系和所述第二菜品图片中的菜系一致,则菜系相似度为1,否则为0;
其中,菜系相似度标记为L。
6.如权利要求5所述的基于相似度的模型优化方法,其特征在于,所述类别相似度的计算公式如式2示,
Y=(F+R+L)/3 式2;
其中,F为食材相似度;
R为做法相似度;
L为菜系相似度;
Y为类别相似度。
8.如权利要求7所述的基于相似度的模型优化方法,其特征在于,所述方法还包括:
若所述菜品图片的菜品类别被识别为第一菜品类别,则根据所述标准梯度下降法公式,调整所述分类模型的参数信息。
9.如权利要求8所述的基于相似度的模型优化方法,其特征在于,所述方法还包括:
根据所述调整的参数信息、反向传播以及梯度下降法,获取优化后的分类模型。
10.一种基于相似度的模型优化系统,其特征在于,所述系统还包括:
相似度模块,用于计算第一菜品类别与第二菜品类别之间的类别相似度;
识别模块,用于根据一预设分类模型,对一菜品图片进行菜品类别识别,所述菜品图片的真实类别为第一菜品类别;
调整模块,用于若所述菜品图片的菜品类别被识别为第二菜品类别时,则根据所述类别相似度和梯度下降法,调整所述分类模型的参数信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177322.6A CN111652254B (zh) | 2019-03-08 | 2019-03-08 | 一种基于相似度的模型优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177322.6A CN111652254B (zh) | 2019-03-08 | 2019-03-08 | 一种基于相似度的模型优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652254A true CN111652254A (zh) | 2020-09-11 |
CN111652254B CN111652254B (zh) | 2023-05-23 |
Family
ID=72342483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910177322.6A Active CN111652254B (zh) | 2019-03-08 | 2019-03-08 | 一种基于相似度的模型优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652254B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886921A (zh) * | 2017-02-17 | 2017-06-23 | 正源信用(北京)科技有限公司 | 基于用户兴趣的个性化推荐方法 |
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN109214409A (zh) * | 2018-07-10 | 2019-01-15 | 上海斐讯数据通信技术有限公司 | 一种菜品识别方法及系统 |
-
2019
- 2019-03-08 CN CN201910177322.6A patent/CN111652254B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN106886921A (zh) * | 2017-02-17 | 2017-06-23 | 正源信用(北京)科技有限公司 | 基于用户兴趣的个性化推荐方法 |
CN109214409A (zh) * | 2018-07-10 | 2019-01-15 | 上海斐讯数据通信技术有限公司 | 一种菜品识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘明;宣照国;吴江宁;: "基于双向选择调整策略的半监督聚类算法" * |
范顺忠;陈浩;: "基于兴趣感知和时间因子的个性化菜品推荐" * |
Also Published As
Publication number | Publication date |
---|---|
CN111652254B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062531B (zh) | 一种基于级联回归卷积神经网络的视频目标检测方法 | |
US20190371299A1 (en) | Question Answering Method and Apparatus | |
JP3726263B2 (ja) | 文書分類方法及び装置 | |
CN104750844B (zh) | 基于tf-igm的文本特征向量生成方法和装置及文本分类方法和装置 | |
CN102799591B (zh) | 一种提供推荐词的方法及装置 | |
CN104866524A (zh) | 一种商品图像精细分类方法 | |
EP2678806A2 (en) | Automatic data cleaning for machine learning classifiers | |
JPH06176202A (ja) | 文字認識用の管理されたトレーニング増加多項式法および装置 | |
CN105528620B (zh) | 一种联合鲁棒主成分特征学习与视觉分类方法及系统 | |
CN106354783A (zh) | 一种基于信任关系隐含相似度的社会化推荐方法 | |
CN113222883A (zh) | 处理异常检测的装置及方法 | |
CN105205130A (zh) | 一种提升推荐系统准确性的方法 | |
CN112259081A (zh) | 语音的处理方法和装置 | |
Cai et al. | A dictionary-learning algorithm based on method of optimal directions and approximate K-SVD | |
CN104820702A (zh) | 一种基于决策树的属性加权方法及文本分类方法 | |
CN107169498B (zh) | 一种融合局部和全局稀疏的图像显著性检测方法 | |
CN106227767A (zh) | 一种基于领域相关性自适应的协同过滤方法 | |
Kamruzzaman | Text classification using artificial intelligence | |
CN108228557A (zh) | 一种序列标注的方法及装置 | |
CN111652254A (zh) | 一种基于相似度的模型优化方法及系统 | |
CN104268227B (zh) | 基于逆向k近邻的图像搜索中高质量相关样本自动选取法 | |
CN111145221A (zh) | 一种基于多层深度特征提取的目标跟踪算法 | |
CN106547822A (zh) | 一种文本相关性确定方法及装置 | |
CN108595843B (zh) | 一种动态自适应的众创设计方案数据寻优方法 | |
Lu | An iterative algorithm for entropy regularized likelihood learning on Gaussian mixture with automatic model selection |
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 |