所述訓練樣本集包括N個圖像樣本，所 述N個圖像樣本屬于K個類別，N、K為正整數(shù)，N大于K;
[0097] 第二獲取單元420,用于獲取所述第一獲取單元410獲取的每一個所述圖像樣本 的特征向量，其中，所述特征向量包括圖像樣本的隱變量；
[0098] 訓練單元430,用于基于所述第二獲取單元420獲取的所述N個圖像樣本的隱變 量，通過多元邏輯回歸模型，訓練所述K個類別的分類器。
[0099] 本發(fā)明實施例中，通過多元邏輯回歸模型，以最大似然的形式同時訓練K個分類 器，也就是說，多元邏輯回歸模型的使用保留了K個類別的分類器之間的相互關(guān)聯(lián)，與LVSM將物體分類領(lǐng)域的K類分類問題轉(zhuǎn)換成相互孤立的多個二類問題的方式相比，訓練結(jié)果更 加準確。
[0100] 可選地，作為一個實施例，所述K個類別的分類器分別包括K個模型參數(shù)，所述訓 練單元430具體用于獲取所述K個模型參數(shù)的初始值；基于每一個所述模型參數(shù)的初始值， 確定每一個所述圖像樣本的隱變量的初始值；基于所述N個圖像樣本的特征向量，以及所 述N個圖像樣本隱變量的初始值，通過所述多元邏輯回歸模型，訓練所述K個類別的分類 器，以確定所述K個模型參數(shù)的目標值。
[0101] 可選地，作為一個實施例，所述N個圖像樣本隱變量的初始值包括：正圖像樣本隱 變量的初始值和負圖像樣本隱變量的初始值，所述訓練單元430具體用于基于所述N個圖 像樣本的特征向量，以及所述N個圖像樣本隱變量的初始值，通過所述多元邏輯回歸模型， 訓練所述K個類別的分類器，以確定所述K個模型參數(shù)的當前值，當所述K個模型參數(shù)的當 前值滿足預設(shè)的收斂條件時，將所述K個模型參數(shù)的當前值確定為所述K個模型參數(shù)的目 標值，當所述K個模型參數(shù)的當前值不滿足所述收斂條件時，基于所述N個圖像樣本的特征 向量，以及所述K個模型參數(shù)的當前值，確定所述正圖像樣本隱變量的當前值，并利用所述 正圖像樣本隱變量的當前值更新所述正圖像樣本隱變量的初始值，重復執(zhí)行本步驟直到所 述K個模型參數(shù)的當前值滿足所述收斂條件。
[0102] 可選地，作為一個實施例，所述訓練單元430具體用于基于所述N個圖像樣本的特 征向量，以及所述N個圖像樣本隱變量的初始值，通過所述多元邏輯回歸模型，訓練所述K 個類別的分類器，以確定所述K個模型參數(shù)的迭代值，基于所述N個圖像樣本的特征向量， 以及所述K個模型參數(shù)的迭代值，確定所述負圖像樣本隱變量的迭代值，并利用所述負圖 像樣本隱變量的迭代值更新所述負圖像樣本隱變量的初始值，當所述K個模型參數(shù)的迭代 值滿足預設(shè)的迭代停止條件時，將所述K個模型參數(shù)的迭代值確定為所述K個模型參數(shù)的 當前值，否則，重復執(zhí)行本步驟直到所述K個模型參數(shù)的當前值滿足所述迭代停止條件。
[0103] 可選地，作為一個實施例，所述訓練單元430具體用于根據(jù)公式
，確定所述K個模型參數(shù)的迭代值，其中，
i表示所述N個圖像樣本中的 第i樣本，^表示所述K個模型參數(shù)中的第1個模型參數(shù)，Θ表示所述K個模型參數(shù)組 成的K維變量，表示Xi的類別對應(yīng)的模型參數(shù)，Z(Xi)表示Xi的隱變量z的取值范圍， f(Xi，z)表示X;的特征向量。
[0104] 可選地，作為一個實施例，所述訓練單元430具體用于根據(jù)公式
確定h對應(yīng)的梯度，其中，

1 (θ)關(guān)于βk的偏 導函數(shù)，^^表示所述K個模型參數(shù)中的第k個模型參數(shù)，Zl(i3k)表示模型參數(shù)為^^時\ 的隱變量的初始值，f(Xl，Zl (βk))表示隱變量z取值Zl (βk)時Xl的特征向量；基于所述 βk對應(yīng)的梯度，以1 (Θ)為目標函數(shù)，采用梯度上升算法，確定所述βk的迭代值。
[0105] 可選地，作為一個實施例，所述迭代停止條件為所述目標函數(shù)值1(Θ)的變化小 于預設(shè)閾值；或者，所述迭代停止條件為迭代次數(shù)達到預設(shè)次數(shù)。
[0106] 可選地，作為一個實施例，所述訓練單元430具體用于根據(jù)公式
，并行計算所 述K個模型參數(shù)的迭代值，其中，ΜΘ)是對1(θ)中的對數(shù)取凹上界轉(zhuǎn)化而來的，
[0107] 可選地，作為一個實施例，所述訓練單元430具體用于根據(jù)公式
，確定所述負圖像樣本隱變量的迭代值，其中，Xl表示所述Ν 個圖像樣本中的第i樣本，βt表示所述K個模型參數(shù)中的第t個模型參數(shù)，且A# 爲， 表示Xi類別對應(yīng)的模型參數(shù)，Z(Xi)表示Xi的隱變量z的取值范圍，f(Xi,z)表示Xi的特 征向量，4表示模型參數(shù)為βt時Xi隱變量的迭代值，i為1至N中的任意整數(shù)，t為1至 K中的任意整數(shù)。
[0108] 可選地，作為一個實施例，所述訓練單元430具體用于根據(jù)公式
角定所述正圖像樣本隱變量的當前值，其中，Xl表示所述N 個圖像樣本中的第i樣本，/?表示Xi類別對應(yīng)的模型參數(shù)，Z(Xl)表示Xl的隱變量z的取 值范圍，f(Xi,z)表示Xi的特征向量，< 表示模型參數(shù)為時Xi隱變量的當前值，i為1至N中的任意整數(shù)。
[0109] 可選地，作為一個實施例，所述訓練單元430具體用于根據(jù)公式
確定每一個所述圖像樣本的隱變量的初始值，其中，Xl表示 所述N個圖像樣本中的第i樣本，βk表示所述K個模型參數(shù)中的第k個模型參數(shù)，Z(Xl)表 示Xi的隱變量Z的取值范圍，f(Xi,z)表示Xi的特征向量，4表示模型參數(shù)為βk時Xi隱 變量Z的初始值，i為1至N中的任意整數(shù)，k為1至K中的任意整數(shù)。
[0110] 圖5是本發(fā)明實施例的圖像分類器的生成裝置的示意性結(jié)構(gòu)圖。圖5的裝置500 包括：
[0111] 存儲器510,用于存儲程序；
[0112] 處理器520,用于執(zhí)行所述程序，當所述程序被執(zhí)行時，所述處理器520具體用于 獲取訓練樣本集，所述訓練樣本集包括N個圖像樣本，所述N個圖像樣本屬于K個類別，N、 K為正整數(shù)，N大于K;獲取每一個所述圖像樣本的特征向量，其中，所述特征向量包括圖像 樣本的隱變量；基于所述N個圖像樣本的隱變量，通過多元邏輯回歸模型，訓練所述K個類 別的分類器。
[0113] 本發(fā)明實施例中，通過多元邏輯回歸模型，以最大似然的形式同時訓練K個分類 器，也就是說，多元邏輯回歸模型的使用保留了K個類別的分類器之間的相互關(guān)聯(lián)，與LVSM 將物體分類領(lǐng)域的K類分類問題轉(zhuǎn)換成相互孤立的多個二類問題的方式相比，訓練結(jié)果更 加準確。
[0114] 可選地，作為一個實施例，所述K個類別的分類器分別包括K個模型參數(shù)，所述處 理器520具體用于獲取所述K個模型參數(shù)的初始值；基于每一個所述模型參數(shù)的初始值，確 定每一個所述圖像樣本的隱變量的初始值；基于所述N個圖像樣本的特征向量，以及所述N 個圖像樣本隱變量的初始值，通過所述多元邏輯回歸模型，訓練所述K個類別的分類器，以 確定所述K個模型參數(shù)的目標值。
[0115] 可選地，作為一個實施例，所述N個圖像樣本隱變量的初始值包括：正圖像樣本隱 變量的初始值和負圖像樣本隱變量的初始值，所述處理器520具體用于基于所述N個圖像 樣本的特征向量，以及所述N個圖像樣本隱變量的初始值，通過所述多元邏輯回歸模型，訓 練所述K個類別的分類器，以確定所述K個模型參數(shù)的當前值，當所述K個模型參數(shù)的當前 值滿足預設(shè)的收斂條件時，將所述K個模型參數(shù)的當前值確定為所述K個模型參數(shù)的目標 值，當所述K個模型參數(shù)的當前值不滿足所述收斂條件時，基于所述N個圖像樣本的特征向 量，以及所述K個模型參數(shù)的當前值，確定所述正圖像樣本隱變量的當前值，并利用所述正 圖像樣本隱變量的當前值更新所述正圖像樣本隱變量的初始值，重復執(zhí)行本步驟直到所述 K個模型參數(shù)的當前值滿足所述收斂條件。
[0116] 可選地，作為一個實施例，所述處理器520具體用于基于所述N個圖像樣本的特征 向量，以及所述N個圖像樣本隱變量的初始值，通過所述多元邏輯回歸模型，訓練所述K個 類別的分類器，以確定所述K個模型參數(shù)的迭代值，基于所述N個圖像樣本的特征向量，以 及所述K個模型參數(shù)的迭代值，確定所述負圖像樣本隱變量的迭代值，并利用所述負圖像 樣本隱變量的迭代值更新所述負圖像樣本隱變量的初始值，當所述K個模型參數(shù)的迭代值 滿足預設(shè)的迭代停止條件時，將所述K個模型參數(shù)的迭代值確定為所述K個模型參數(shù)的當 前值，否則，重復執(zhí)行本步驟直到所述K個模型參數(shù)的當前值滿足所述迭代停止條件。
[0117] 可選地，作為一個實施例，所述處理器520具體用于根據(jù)公式
確定所述K個模型參數(shù)的迭代值，其中， '
4表示所述N個圖像樣本中的 第i樣本，^表示所述K個模型參數(shù)中的第1個模型參數(shù)，Θ表示所述K個模型參數(shù)組 成的K維變量，表示Xl的類別對應(yīng)的模型參數(shù)，Z(Xl)表示Xl的隱變量Z的取值范圍，f(Xi，Z)表示Xi的特征向量。
[0118] 可選地，作為一個實施例，所述處理器520具體用于根據(jù)公式
確定i3k對應(yīng)的梯度，其中，

表示1 (Θ)關(guān)于βk的偏 導函數(shù)，^^表示所述K個模型參數(shù)中的第k個模型參數(shù)，Zl(i3k)表示模型參數(shù)為^^時\ 的隱變量的初始值，f(Xl，Zl (βk))表示隱變量z取值Zl (βk)時Xl的特征向量；基于所述 βk對應(yīng)的梯度，以1 (Θ)為目標函數(shù)，采用梯度上升算法，確定所述βk的迭代值。
[0119] 可選地，作為一個實施例，所述迭代停止條件為所述目標函數(shù)值1(Θ)的變化小 于預設(shè)閾值；或者，所述迭代停止條件為迭代次數(shù)達到預設(shè)次數(shù)。
[0120] 可選地，作為一個實施例，所述處理器520具體用于根據(jù)公式
并行計算所 述κ個模型參數(shù)的迭代值，其中，ΜΘ)是對ι(θ)中的對數(shù)取凹上界轉(zhuǎn)化而來的，
[0121] 可選地，作為一個實施例，所述處理器520具體用于根據(jù)公式
含定所述負圖像樣本隱變量的迭代值，其中，Xl表示所述Ν個 圖像樣本中的第i樣本，βt表示所述K個模型參數(shù)中的第t個模型參數(shù)，且/( #及..，表 示Xi類別對應(yīng)的模型參數(shù)，Z(Xi)表示Xi的隱變量z的取值范圍，f(Xi,z)表示Xi的特征向 量，》丨:表示模型參數(shù)為βt時Xi隱變量的迭代值，i為1至N中的任意整數(shù)，t為1至K中 的任意整數(shù)。
[0122] 可選地，作為一個實施例，所述處理器520具體用于根據(jù)公式
確定所述正圖像樣本隱變量的當前值，其中，^表示所述N 個圖像樣本中的第i樣本，爲i表示Xi類