CN113435528B - 对象分类的方法、装置、可读介质和电子设备 - Google Patents

Abstract

本公开涉及一种对象分类的方法、装置、可读介质和电子设备，该方法包括：获取包含待分类对象的对象信息以及待分类对象对应的目标任务，对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种，根据对象信息和目标任务，通过联合分类模型，确定待分类对象对应的分类结果，其中，联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，目标样本集是根据每个分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

Description

对象分类的方法、装置、可读介质和电子设备

技术领域

本公开涉及信息处理技术领域，具体地，涉及一种对象分类的方法、装置、可读介质和电子设备。

背景技术

多任务学习作为机器学习领域的重要研究方向之一，受到了人们的广泛关注。多任务学习可以将相近任务或具有互补信息的任务在同一个模型中进行学习和训练，能够节省计算资源和存储空间，并提升多个任务的预测效果。在通过多任务学习得到的多任务模型对待分类对象执行多个分类任务时，由于对多个分类任务进行联合训练的方式难以达到单个分类任务独自训练的性能，这会降低分类结果的准确性。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种对象分类的方法，所述方法包括：

获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务，所述对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种；

根据所述对象信息和所述目标任务，通过预先训练的联合分类模型，确定所述待分类对象对应的分类结果；

其中，所述联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个所述分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，所述多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

第二方面，本公开提供一种对象分类的装置，所述装置包括：

获取模块，用于获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务，所述对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种；

确定模块，用于根据所述对象信息和所述目标任务，通过预先训练的联合分类模型，确定所述待分类对象对应的分类结果；

其中，所述联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个所述分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，所述多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

通过上述技术方案，本公开通过获取包含待分类对象的对象信息以及待分类对象对应的目标任务，并根据对象信息和目标任务，通过联合分类模型，确定待分类对象对应的分类结果，其中，对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种，联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，目标样本集是根据每个分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。本公开可以根据单任务模型和数据样本集，来生成每个分类任务对应的目标样本集，并利用目标样本集更新多任务分类模型，以得到联合分类模型，所得到的联合分类模型对应的每个分类任务均可以达到或超过单个任务独自训练的性能，能够提高分类结果的准确性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性实施例示出的一种对象分类的方法的流程图；

图2是根据一示例性实施例示出的一种获取联合分类模型的流程图；

图3是根据图2所示实施例示出的一种步骤201的流程图；

图4是根据图2所示实施例示出的一种步骤202的流程图；

图5是根据一示例性实施例示出的一种对象分类的装置的框图；

图6是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据一示例性实施例示出的一种对象分类的方法的流程图。如图1所示，该方法可以包括以下步骤：

步骤101，获取包含待分类对象的对象信息以及待分类对象对应的目标任务。

其中，对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种。

举例来说，首先可以获取需要进行分类任务的对象信息。其中，对象信息中包含有待分类对象，对象信息可以包括图像信息、视频信息、文本信息和音频信息中的至少一种。例如，当对象信息仅包括图像信息时，待分类对象可以是图像信息所包括的图像中的物体。再例如，当对象信息仅包括音频信息时，待分类对象可以是音频信息所包括的一段指定时长的音频。又例如，当对象信息同时包括视频信息和文本信息时，待分类对象可以是视频信息所包括的一段指定时长的视频以及文本信息所包括的文本内容。然后，可以根据用户的实际需求，从多个预设的分类任务中，选择待分类对象对应的目标任务。其中，目标任务可以是一个或多个。例如，当待分类对象为图像中的物体时，多个预设的分类任务可以包括分类任务A、B和C，分类任务A用于对物体颜色进行分类，分类任务B用于对物体形状进行分类，分类任务C用于对物体大小进行分类，目标任务可以包括分类任务A、B、C中的至少一个。

步骤102，根据对象信息和目标任务，通过预先训练的联合分类模型，确定待分类对象对应的分类结果。

其中，联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，目标样本集是根据每个分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

示例地，在对多个分类任务进行联合训练时，为了避免采用联合训练导致的每个分类任务难以达到该分类任务独自训练的性能的问题，可以通过样本选择的方式，来训练一个能够确保每个分类任务性能的联合分类模型。具体的，可以先根据每个分类任务各自对应的数据样本集中的训练样本，训练一个该分类任务对应的单任务模型，单任务模型用于执行其对应的分类任务，并输出待分类对象对应的该分类任务的分类结果。同时，可以利用全部分类任务对应的数据样本集，进行联合训练，以得到一个多任务分类模型，多任务分类模型用于执行每个分类任务，并输出待分类对象对应的每个分类任务的分类结果。然后，可以针对每个分类任务，从该分类任务对应的数据样本集中，选择该分类任务对应的单任务模型预测的分类结果与多任务分类模型预测的分类结果差异最大的指定数量个训练样本，来构建该分类任务对应的目标样本集。之后利用全部分类任务对应的目标样本集，来对多任务分类模型进行更新，以得到联合分类模型。

在得到联合分类模型后，可以将对象信息和目标任务的ID输入到联合分类模型，由联合分类模型利用判断语句控制特征的传输，以调用目标任务对应的分支，从而输出待分类对象对应的目标任务的分类结果。

综上所述，本公开通过获取包含待分类对象的对象信息以及待分类对象对应的目标任务，并根据对象信息和目标任务，通过联合分类模型，确定待分类对象对应的分类结果，其中，对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种，联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，目标样本集是根据每个分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。本公开可以根据单任务模型和数据样本集，来生成每个分类任务对应的目标样本集，并利用目标样本集更新多任务分类模型，以得到联合分类模型，所得到的联合分类模型对应的每个分类任务均可以达到或超过单个任务独自训练的性能，能够提高分类结果的准确性。

图2是根据一示例性实施例示出的一种获取联合分类模型的流程图。如图2所示，联合分类模型是通过以下方式得到的：

步骤201，针对每个分类任务，根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集。

步骤202，根据每个分类任务对应的目标样本集，对多任务分类模型进行更新，得到更新后的多任务分类模型。

重复执行步骤201至步骤202，直至更新后的多任务分类模型满足预设终止条件，并将更新后的多任务分类模型作为联合分类模型。

举例来说，在获取联合分类模型时，首先可以针对每个分类任务，从该分类任务对应的数据样本集中，选择该分类任务对应的单任务模型和多任务分类模型预测的分类结果差异最大的指定数量个训练样本，来构建该分类任务对应的目标样本集。其次，可以根据每个分类任务对应的目标样本集，对多任务分类模型进行训练，以更新多任务分类模型，得到更新后的多任务分类模型。最后重复以上过程，直至更新后的多任务分类模型满足预设终止条件，并将更新后的多任务分类模型作为联合分类模型。其中，预设终止条件可以是对多任务分类模型进行更新的次数达到预设的次数阈值，也可以是更新后的多任务分类模型对对象进行分类的准确率大于或等于预设的准确率阈值，本公开对此不作具体限制。

图3是根据图2所示实施例示出的一种步骤201的流程图。如图3所示，步骤201可以包括以下步骤：

步骤2011，对该分类任务对应的数据样本集进行随机取样，得到该分类任务对应的训练样本集，训练样本集包括多个训练样本。

示例地，当多个分类任务包括分类任务A、B、C三个分类任务时，可以分别对分类任务A、B、C对应的数据样本集进行随机取样，得到分类任务A、B、C对应的三个训练样本集DataA、DataB、DataC。

步骤2012，根据该分类任务对应的训练样本集中的每个训练样本的第一损失值和该训练样本的第二损失值，确定该分类任务对应的目标样本集。

其中，第一损失值为该训练样本在训练该分类任务对应的单任务分类模型时的损失值，第二损失值为该训练样本在训练多任务分类模型时的损失值。

进一步的，在获取到每个分类任务对应的训练样本集后，可以针对每个训练样本，将该训练样本的第二损失值和该训练样本的第一损失值的差值，作为该训练样本的样本损失值。其中，样本损失值用于表示多任务分类模型和单任务模型预测的分类结果差异，样本损失值最小为0。然后可以将预设训练集中样本损失值最大的指定数量个训练样本作为目标样本集。

图4是根据图2所示实施例示出的一种步骤202的流程图。如图4所示，步骤202可以包括以下步骤：

步骤2021，确定每个目标样本集的集合损失值，集合损失值为该目标样本集中的全部训练样本在训练多任务分类模型时的损失值的平均值。

步骤2022，根据集合损失值，对多任务分类模型进行更新，得到更新后的多任务分类模型。

举例来说，在获取到每个分类任务对应的目标样本集，可以先确定该分类任务对应的目标样本集的集合损失值。然后可以对每个分类任务的集合损失值，按照该分类任务对应的预设权重，进行加权求和，得到多任务分类模型的目标损失值。之后可以根据目标损失值，确定多任务分类模型对应的目标梯度，并根据目标梯度更新多任务分类模型，得到更新后的多任务分类模型。

综上所述，本公开通过获取包含待分类对象的对象信息以及待分类对象对应的目标任务，并根据对象信息和目标任务，通过联合分类模型，确定待分类对象对应的分类结果，其中，对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种，联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，目标样本集是根据每个分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。本公开可以根据单任务模型和数据样本集，来生成每个分类任务对应的目标样本集，并利用目标样本集更新多任务分类模型，以得到联合分类模型，所得到的联合分类模型对应的每个分类任务均可以达到或超过单个任务独自训练的性能，能够提高分类结果的准确性。

图5是根据一示例性实施例示出的一种对象分类的装置的框图。如图5所示，该装置300包括：

获取模块301，用于获取包含待分类对象的对象信息以及待分类对象对应的目标任务，对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种。

确定模块302，用于根据对象信息和目标任务，通过预先训练的联合分类模型，确定待分类对象对应的分类结果。

其中，联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，目标样本集是根据每个分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

可选地，确定模块302用于通过以下方式得到联合分类模型：

针对每个分类任务，根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集。

根据每个分类任务对应的目标样本集，对多任务分类模型进行更新，得到更新后的多任务分类模型。

重复执行根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，至根据每个分类任务对应的目标样本集，对多任务分类模型进行更新，得到更新后的多任务分类模型的步骤，直至更新后的多任务分类模型满足预设终止条件，并将更新后的多任务分类模型作为联合分类模型。

可选地，确定模块302用于：

对该分类任务对应的数据样本集进行随机取样，得到该分类任务对应的训练样本集，训练样本集包括多个训练样本。

根据该分类任务对应的训练样本集中的每个训练样本的第一损失值和该训练样本的第二损失值，确定该分类任务对应的目标样本集。

其中，第一损失值为该训练样本在训练该分类任务对应的单任务分类模型时的损失值，第二损失值为该训练样本在训练多任务分类模型时的损失值。

可选地，确定模块302用于：

针对每个训练样本，将该训练样本的第二损失值和该训练样本的第一损失值的差值，作为该训练样本的样本损失值。

将预设训练集中样本损失值最大的指定数量个训练样本作为目标样本集。

可选地，确定模块302用于：

确定每个目标样本集的集合损失值，集合损失值为该目标样本集中的全部训练样本在训练多任务分类模型时的损失值的平均值。

根据集合损失值，对多任务分类模型进行更新，得到更新后的多任务分类模型。

可选地，确定模块302用于：

对每个分类任务的集合损失值，按照该分类任务对应的预设权重，进行加权求和，得到多任务分类模型的目标损失值。

根据目标损失值，确定多任务分类模型对应的目标梯度，并根据目标梯度更新多任务分类模型，得到更新后的多任务分类模型。

综上所述，本公开通过获取包含待分类对象的对象信息以及待分类对象对应的目标任务，并根据对象信息和目标任务，通过预先训练的联合分类模型，确定待分类对象对应的分类结果，其中，对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种，联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，目标样本集是根据每个分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。本公开可以根据单任务模型和数据样本集，来生成每个分类任务对应的目标样本集，并利用目标样本集更新多任务分类模型，以得到联合分类模型，所得到的联合分类模型对应的每个分类任务均可以达到或超过单个任务独自训练的性能，能够提高分类结果的准确性。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务，所述对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种；根据所述对象信息和所述目标任务，通过预先训练的联合分类模型，确定所述待分类对象对应的分类结果；其中，所述联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个所述分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，所述多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种对象分类的方法，包括：获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务，所述对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种；根据所述对象信息和所述目标任务，通过预先训练的联合分类模型，确定所述待分类对象对应的分类结果；其中，所述联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个所述分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，所述多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述联合分类模型是通过以下方式得到的：针对每个所述分类任务，根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集；根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型；重复执行所述根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，至所述根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型的步骤，直至所述更新后的多任务分类模型满足预设终止条件，并将所述更新后的多任务分类模型作为所述联合分类模型。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，包括：对该分类任务对应的数据样本集进行随机取样，得到该分类任务对应的训练样本集，所述训练样本集包括多个训练样本；根据该分类任务对应的训练样本集中的每个所述训练样本的第一损失值和该训练样本的第二损失值，确定该分类任务对应的目标样本集；所述第一损失值为该训练样本在训练该分类任务对应的单任务分类模型时的损失值，所述第二损失值为该训练样本在训练所述多任务分类模型时的损失值。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据该分类任务对应的训练样本集中的每个所述训练样本的第一损失值和该训练样本的第二损失值，确定该分类任务对应的目标样本集，包括：针对每个所述训练样本，将该训练样本的第二损失值和该训练样本的第一损失值的差值，作为该训练样本的样本损失值；将所述预设训练集中样本损失值最大的指定数量个训练样本作为所述目标样本集。

根据本公开的一个或多个实施例，示例5提供了示例2的方法，所述根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型，包括：确定每个所述目标样本集的集合损失值，所述集合损失值为该目标样本集中的全部训练样本在训练所述多任务分类模型时的损失值的平均值；根据所述集合损失值，对所述多任务分类模型进行更新，得到更新后的多任务分类模型。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据所述集合损失值，对所述多任务分类模型进行更新，得到更新后的多任务分类模型，包括：对每个所述分类任务的集合损失值，按照该分类任务对应的预设权重，进行加权求和，得到所述多任务分类模型的目标损失值；根据所述目标损失值，确定所述多任务分类模型对应的目标梯度，并根据所述目标梯度更新所述多任务分类模型，得到更新后的多任务分类模型。

根据本公开的一个或多个实施例，示例7提供了一种对象分类的装置，包括：获取模块，用于获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务；确定模块，用于根据所述对象信息和所述目标任务，通过预先训练的联合分类模型，确定所述待分类对象对应的分类结果；其中，所述联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个所述分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，所述多任务分类模型为根据多个分类任务对应的数据样本集进行模型训练得到的模型。

根据本公开的一个或多个实施例，示例8提供了示例7的装置，所述确定模块用于通过以下方式得到所述联合分类模型：针对每个所述分类任务，根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集；根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型；重复执行所述根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，至所述根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型的步骤，直至所述更新后的多任务分类模型满足预设终止条件，并将所述更新后的多任务分类模型作为所述联合分类模型。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例6中所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例6中所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (9)

1.一种对象分类的方法，其特征在于，所述方法包括：

获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务，所述对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种；

根据所述对象信息和所述目标任务，通过预先训练的联合分类模型，确定所述待分类对象对应的分类结果；

其中，所述联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个所述分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，所述多任务分类模型为根据多个所述分类任务对应的数据样本集进行模型训练得到的模型；

所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的包括：所述目标样本集是每个所述分类任务对应的训练样本集中的每个训练样本的第一损失值和该训练样本的第二损失值确定的，所述分类任务对应的训练样本集是对该分类任务对应的数据样本集进行随机取样后得到的，所述训练样本集包括多个所述训练样本，所述第一损失值为所述训练样本在训练所述分类任务对应的单任务分类模型时的损失值，所述第二损失值为所述训练样本在训练所述多任务分类模型时的损失值。

2.根据权利要求1所述的方法，其特征在于，所述联合分类模型是通过以下方式得到的：

针对每个所述分类任务，根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集；

根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型；

重复执行所述根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，至所述根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型的步骤，直至所述更新后的多任务分类模型满足预设终止条件，并将所述更新后的多任务分类模型作为所述联合分类模型；

所述根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，包括：

对该分类任务对应的数据样本集进行随机取样，得到该分类任务对应的训练样本集，所述训练样本集包括多个训练样本；

根据该分类任务对应的训练样本集中的每个所述训练样本的第一损失值和该训练样本的第二损失值，确定该分类任务对应的目标样本集；所述第一损失值为该训练样本在训练该分类任务对应的单任务分类模型时的损失值，所述第二损失值为该训练样本在训练所述多任务分类模型时的损失值。

3.根据权利要求2所述的方法，其特征在于，所述根据该分类任务对应的训练样本集中的每个所述训练样本的第一损失值和该训练样本的第二损失值，确定该分类任务对应的目标样本集，包括：

针对每个所述训练样本，将该训练样本的第二损失值和该训练样本的第一损失值的差值，作为该训练样本的样本损失值；

将所述训练样本集中样本损失值最大的指定数量个训练样本作为所述目标样本集。

4.根据权利要求2所述的方法，其特征在于，所述根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型，包括：

确定每个所述目标样本集的集合损失值，所述集合损失值为该目标样本集中的全部训练样本在训练所述多任务分类模型时的损失值的平均值；

根据所述集合损失值，对所述多任务分类模型进行更新，得到更新后的多任务分类模型。

5.根据权利要求4所述的方法，其特征在于，所述根据所述集合损失值，对所述多任务分类模型进行更新，得到更新后的多任务分类模型，包括：

对每个所述分类任务的集合损失值，按照该分类任务对应的预设权重，进行加权求和，得到所述多任务分类模型的目标损失值；

根据所述目标损失值，确定所述多任务分类模型对应的目标梯度，并根据所述目标梯度更新所述多任务分类模型，得到更新后的多任务分类模型。

6.一种对象分类的装置，其特征在于，所述装置包括：

获取模块，用于获取包含待分类对象的对象信息以及所述待分类对象对应的目标任务，所述对象信息包括图像信息、视频信息、文本信息和音频信息中的至少一种；

确定模块，用于根据所述对象信息和所述目标任务，通过预先训练的联合分类模型，确定所述待分类对象对应的分类结果；

其中，所述联合分类模型是利用多个分类任务对应的目标样本集，对多任务分类模型进行更新后得到的模型，所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的，每个所述分类任务对应的单任务模型为根据该分类任务对应的数据样本集进行模型训练得到的模型，所述多任务分类模型为根据多个所述分类任务对应的数据样本集进行模型训练得到的模型；

所述目标样本集是根据每个所述分类任务对应的单任务模型和该分类任务对应的数据样本集确定的包括：所述目标样本集是每个所述分类任务对应的训练样本集中的每个训练样本的第一损失值和该训练样本的第二损失值确定的，所述分类任务对应的训练样本集是对该分类任务对应的数据样本集进行随机取样后得到的，所述训练样本集包括多个所述训练样本，所述第一损失值为所述训练样本在训练所述分类任务对应的单任务分类模型时的损失值，所述第二损失值为所述训练样本在训练所述多任务分类模型时的损失值。

7.根据权利要求6所述的装置，其特征在于，所述确定模块用于通过以下方式得到所述联合分类模型：

针对每个所述分类任务，根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集；

根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型；

重复执行所述根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，至所述根据每个所述分类任务对应的目标样本集，对所述多任务分类模型进行更新，得到更新后的多任务分类模型的步骤，直至所述更新后的多任务分类模型满足预设终止条件，并将所述更新后的多任务分类模型作为所述联合分类模型；

所述根据该分类任务对应的单任务模型和该分类任务对应的数据样本集，确定该分类任务对应的目标样本集，包括：

对该分类任务对应的数据样本集进行随机取样，得到该分类任务对应的训练样本集，所述训练样本集包括多个训练样本；

根据该分类任务对应的训练样本集中的每个所述训练样本的第一损失值和该训练样本的第二损失值，确定该分类任务对应的目标样本集；所述第一损失值为该训练样本在训练该分类任务对应的单任务分类模型时的损失值，所述第二损失值为该训练样本在训练所述多任务分类模型时的损失值。

8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。

9.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。