構建裝置和方法、分類裝置和方法以及電子設備的製作方法

2023-08-22 18:04:11 2

構建裝置和方法、分類裝置和方法以及電子設備的製作方法
【專利摘要】本發明提供了構建裝置和方法、分類裝置和方法以及電子設備，以克服傳統的分類技術由於沒有利用樣本的多種特徵之間的聯繫而導致最終的分類性能較差的問題。上述構建裝置包括：提取訓練樣本的多種特徵的第一提取單元；以及基於提取的多種特徵來訓練分類器的構建單元。構建單元在訓練時考慮如下第一約束：在與多種特徵中的一種特徵有關的分類器對訓練樣本的分類結果的可信度高於第一預定程度的情況下，若與多種特徵中的其他一種或其他多種特徵有關的分類器對訓練樣本的分類結果的可信度低於對應的第二預定程度，則增加對與上述其他一種或其他多種特徵有關的分類器對訓練樣本的分類結果的懲罰。本發明的上述技術能夠應用於信息處理領域。
【專利說明】構建裝置和方法、分類裝置和方法以及電子設備

【技術領域】
[0001] 本發明涉及信息處理領域，尤其涉及構建裝置和方法、分類裝置和方法以及電子 設備。

【背景技術】
[0002] 隨著信息技術的發展，信息處理逐漸成為人們工作、生活中一個熱門的研究領域。 在信息處理技術中，需要處理的樣本往往可以採用多種特徵進行描述。例如，網絡上的圖像 可以使用顏色/紋理特徵來描述，也可以使用文本標註進行描述；視頻片段可以使用視覺、 聽覺以及字幕信息進行描述；植物可以使用花瓣和葉片的特徵進行描述。
[0003] 在傳統的分類技術(諸如模式識別）等處理中，可以分別基於樣本的各種特徵構建 多個基本分類器，然後對多個基本分類器的輸出往往採用一種線性組合的方式來得到最終 的分類結果。在以上處理過程中，傳統的分類技術沒有考慮各種特徵之間的聯繫而得到最 終的分類結果，也就是說，當基於某一種特徵構建分類器的時候，沒有利用基於其它特徵構 建的分類器提供的任何信息。因此，傳統的分類技術由於在構建分類器(或者利用構建的 分類器進行分類）的過程中沒有利用樣本的多種特徵之間的聯繫而導致最終的分類性能較 差。


【發明內容】

[0004] 在下文中給出了關於本發明的簡要概述，以便提供關於本發明的某些方面的基本 理解。應當理解，這個概述並不是關於本發明的窮舉性概述。它並不是意圖確定本發明的 關鍵或重要部分，也不是意圖限定本發明的範圍。其目的僅僅是以簡化的形式給出某些概 念，以此作為稍後論述的更詳細描述的前序。
[0005] 鑑於此，本發明提供了構建裝置和方法、分類裝置和方法以及電子設備，以至少解 決傳統的分類技術由於沒有利用樣本的多種特徵之間的聯繫而導致最終的分類性能較差 的問題。
[0006] 根據本發明的一個方面，提供了一種用於構建分類器的構建裝置，該構建裝置包 括：第一提取單元，其被配置用於提取多個訓練樣本中的每一個的多種特徵；以及構建單 元，其被配置用於基於多個訓練樣本的每一個的多種特徵，對與多種特徵中的每一種分別 對應的分類器進行訓練，以構建包括與多種特徵對應的多個分類器的目標分類器；其中，構 建單元在訓練的過程中考慮了如下的第一約束：對於多個訓練樣本中的每一個，在與多種 特徵中的一種特徵有關的分類器對該訓練樣本的分類結果的可信度高於第一預定程度的 情況下，若與多種特徵中的其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結 果的可信度低於對應的第二預定程度，則增加對與多種特徵中的其他一種或其他多種特徵 有關的分類器對該訓練樣本的分類結果的懲罰。
[0007] 根據本發明的另一個方面，還提供了一種分類裝置，該分類裝置包括：第二提取單 元，其被配置用於提取待測樣本的多種特徵；以及分類單元，其被配置用於基於待測樣本的 多種特徵，獲得與多種特徵有關的多個預定分類器分別對待測樣本的分類結果，以確定待 測樣本的最終分類結果；其中，多個預定分類器通過如上所述的構建裝置而獲得。
[0008] 根據本發明的另一個方面，還提供了一種用於構建分類器的構建方法，該構建方 法包括：提取多個訓練樣本中的每一個的多種特徵；以及基於多個訓練樣本的每一個的多 種特徵，對與多種特徵中的每一種分別對應的分類器進行訓練，以構建包括與多種特徵對 應的多個分類器的目標分類器；其中，在訓練的過程中考慮了如下的第一約束：對於多個 訓練樣本中的每一個，在與多種特徵中的一種特徵有關的分類器對該訓練樣本的分類結果 的可信度高於第一預定程度的情況下，若與多種特徵中的其他一種或其他多種特徵有關的 分類器對該訓練樣本的分類結果的可信度低於對應的第二預定程度，則增加對與多種特徵 中的其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的懲罰。
[0009] 根據本發明的另一個方面，還提供了一種分類方法，該分類方法包括：提取待測樣 本的多種特徵；以及基於待測樣本的多種特徵，獲得與多種特徵有關的多個預定分類器分 別對待測樣本的分類結果，以確定待測樣本的最終分類結果；其中，多個預定分類器通過如 上所述的構建方法而獲得。
[0010] 根據本發明的另一個方面，還提供了一種電子設備，該電子設備包括如上所述的 構建裝置或如上所述的分類裝置。
[0011] 根據本發明的又一個方面，還提供了一種存儲有機器可讀取的指令代碼的程序產 品，上述程序產品在執行時能夠使上述機器執行如上所述的構建方法或如上所述的分類方 法。
[0012] 此外，根據本發明的其他方面，還提供了 一種計算機可讀存儲介質，其上存儲有如 上所述的程序產品。
[0013] 上述根據本發明實施例的構建裝置和方法、分類裝置和方法以及電子設備，其在 構建分類器的過程中或者在利用上述分類器進行分類的過程中，由於考慮了樣本的多種特 徵之間的關係，能夠有效地克服傳統方法的不足，使得利用該構建裝置所構建的分類器進 行分類的結果較為準確、精度較高，分類性能較好。
[0014] 通過以下結合附圖對本發明的最佳實施例的詳細說明，本發明的這些以及其他優 點將更加明顯。

【專利附圖】

【附圖說明】
[0015] 本發明可以通過參考下文中結合附圖所給出的描述而得到更好的理解，其中在所 有附圖中使用了相同或相似的附圖標記來表示相同或者相似的部件。所述附圖連同下面的 詳細說明一起包含在本說明書中並且形成本說明書的一部分，而且用來進一步舉例說明本 發明的優選實施例和解釋本發明的原理和優點。在附圖中：
[0016] 圖1是示意性地示出根據本發明的實施例的用於構建分類器的構建裝置的一種 示例結構的框圖；
[0017] 圖2是示出傳統的標準SVM分類器的原理的示意圖；
[0018] 圖3是示意性地示出根據本發明的實施例的分類裝置的一種示例結構的框圖；
[0019] 圖4是示意性地示出根據本發明的實施例的用於構建分類器的構建方法的一種 示例性處理的流程圖；
[0020] 圖5是示意性地示出根據本發明的實施例的分類方法的一種示例性處理的流程 圖；以及
[0021] 圖6是示出了可用來實現根據本發明的實施例的用於構建分類器的構建裝置和 構建方法、或者根據本發明的實施例的分類裝置和分類方法的一種可能的信息處理設備的 硬體配置的結構簡圖。
[0022] 本領域技術人員應當理解，附圖中的元件僅僅是為了簡單和清楚起見而示出的， 而且不一定是按比例繪製的。例如，附圖中某些元件的尺寸可能相對於其他元件放大了，以 便有助於提高對本發明實施例的理解。

【具體實施方式】
[0023] 在下文中將結合附圖對本發明的示範性實施例進行描述。為了清楚和簡明起見， 在說明書中並未描述實際實施方式的所有特徵。然而，應該了解，在開發任何這種實際實施 例的過程中必須做出很多特定於實施方式的決定，以便實現開發人員的具體目標，例如，符 合與系統及業務相關的那些限制條件，並且這些限制條件可能會隨著實施方式的不同而有 所改變。此外，還應該了解，雖然開發工作有可能是非常複雜和費時的，但對得益於本公開 內容的本領域技術人員來說，這種開發工作僅僅是例行的任務。
[0024] 在此，還需要說明的一點是，為了避免因不必要的細節而模糊了本發明，在附圖中 僅僅示出了與根據本發明的方案密切相關的裝置結構和/或處理步驟，而省略了與本發明 關係不大的其他細節。
[0025] 本發明的實施例提供了一種用於構建分類器的構建裝置，該構建裝置包括：第一 提取單元，其被配置用於提取多個訓練樣本中的每一個的多種特徵；以及構建單元，其被配 置用於基於多個訓練樣本的每一個的多種特徵，對與多種特徵中的每一種分別對應的分類 器進行訓練，以構建包括與多種特徵對應的多個分類器的目標分類器；其中，構建單元在訓 練的過程中考慮了如下的第一約束：對於多個訓練樣本中的每一個，在與多種特徵中的一 種特徵有關的分類器對該訓練樣本的分類結果的可信度高於第一預定程度的情況下，若與 多種特徵中的其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的可信度 低於對應的第二預定程度，則增加對與多種特徵中的其他一種或其他多種特徵有關的分類 器對該訓練樣本的分類結果的懲罰。
[0026] 下面結合圖1來詳細描述根據本發明的實施例的用於構建分類器的構建裝置的 一個示例。
[0027] 如圖1所示，根據本發明的實施例的用於構建分類器的構建裝置100包括第一提 取單元110以及構建單元120。
[0028] 第一提取單元110用於提取多個訓練樣本中的每一個的多種特徵。
[0029] 在根據本發明的實施例的用於構建分類器的構建裝置的一種實現方式中，訓練樣 本例如可以是包括數字圖像、音頻和視頻等多媒體數據中的至少一種的樣本，也可以是實 際應用中能夠利用根據本發明的實施例的上述構建裝置1〇〇進行處理(例如第一提取單元 110和構建單元120的處理）的其他類型樣本(例如植物樣本）等。
[0030] 此外，在根據本發明的實施例的用於構建分類器的構建裝置的一種實現方式中， 對多個訓練樣本中的每個訓練樣本所提取的多種特徵可以是至少兩種預定特徵。其中，在 實際處理中，對於不同類型的訓練樣本（以及後面將要提到的待測樣本）來說，可以選擇對 應的預定特徵來作為其多種特徵。例如，在訓練樣本（以及後面將要提到的待測樣本）為上 文所述的任意一種多媒體數據的情況下，對訓練樣本（以及後面將要提到的待測樣本）所提 取的多種特徵中的每一種例如可以是視覺特徵(例如顏色特徵、和/或紋理特徵、和/或文 本描述特徵（比如字幕信息）等)、音頻特徵(例如聲音的頻率特徵、和/或振幅特徵、和/或 波形特徵）等特徵中的任意一種。又如，在訓練樣本（以及後面將要提到的待測樣本）為上 文所述的植物樣本的情況下，對訓練樣本（以及後面將要提到的待測樣本）所提取的多種特 徵例如可以是花瓣的顏色特徵、花瓣的紋理特徵、花瓣的數量特徵、花瓣的形狀特徵、葉片 的顏色特徵、葉片的紋理特徵、葉片的數量特徵和葉片的形狀特徵等中的至少兩種。
[0031] 其中，需要說明的是，上述多種特徵中的"多種"所對應的數量可以根據預先設定， 例如兩種、三種或更多種。在一個例子中，假設訓練樣本（以及後面將要提到的待測樣本)為 某個預定類型的多媒體數據，則可以對每個訓練樣本分別提取顏色特徵、紋理特徵和聲音 的頻率特徵這三種特徵作為每個訓練樣本的多種特徵。
[0032] 此外，需要說明的是，上述多個訓練樣本中的每一個均是帶類別標籤的訓練樣本。 也就是說，上述多個訓練樣本中可以包括正例樣本和負例樣本，其中，正例樣本是類別標籤 的值為正數的訓練樣本，而負例樣本則是類別標籤的值為負數的訓練樣本。
[0033] 在一個例子中，假設上述多個訓練樣本所組成的集合可以用ΙΛ，、，…，IN}來 表示，其中，N為上述多個訓練樣本中所包括的訓練樣本總數，每個訓練樣本IJi = 1，2, "·，Ν)對應的類別標籤為yi，其中，N為正整數。上述多個訓練樣本中的每個訓練樣本 Ii的類別標籤L例如可以為1或者-1，即 yi e {-1，1}。也就是說，當訓練樣本L的類別 標籤yi = 1時，表示該訓練樣本Ii是正例樣本；而當訓練樣本Ii的類別標籤yi = -1時， 表示該訓練樣本Ii是負例樣本。
[0034] 這樣，通過第一提取單元110的處理可以得到上述多個訓練樣本中每一個訓練樣 本的多種特徵。然後，構建單元120基於上述多個訓練樣本的每一個訓練樣本的多種特徵， 對與多種特徵中的每一種特徵分別對應的分類器進行訓練，以構建包括與上述多種特徵對 應的多個分類器的目標分類器。
[0035] 在構建單元120進行訓練的過程中，其考慮了如下的第一約束：對於多個訓練樣 本中的每個訓練樣本，在與上述多種特徵中的其中一種特徵有關的分類器對該訓練樣本的 分類結果的可信度高於第一預定程度(例如70%等）的情況下，若與上述多種特徵中的其他 一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的可信度低於對應的第二預 定程度(例如30%，或者70%等）的話，則增加對與上述多種特徵中的上述其他一種或其他多 種特徵有關的分類器對該訓練樣本的分類結果的懲罰。需要說明的是，第二預定程度小於 或等於第一預定程度。
[0036] 其中，上述第一預定程度和第二預定程度例如可以根據經驗來設定，或者也可以 通過試驗的方法來確定，這裡不再贅述。
[0037] 例如，假設訓練樣本為視頻樣本，並且對視頻樣本提取的特徵為字幕特徵和音頻 特徵。若對於某個訓練樣本來說，通過與字幕特徵有關的分類器對之進行分類的結果的可 信度高於第一預定程度(例如70%)，而此時通過與音頻特徵有關的分類器對之進行分類的 結果的可信度卻低於第二預定程度(例如70%)，則可以增加與音頻特徵有關的分類器對該 訓練樣本的分類結果的懲罰。
[0038] 在根據本發明的實施例的構建裝置的具體實現方式中，"與上述多種特徵對應的 多個分類器"例如可以是SVM (support vector machine，支持向量機)分類器、基於圖的學 習的分類器等各種分類器中的任意一種。
[0039] 在根據本發明的實施例的構建裝置的一種實現方式中，以"與上述多種特徵對應 的多個分類器"為SVM分類器的情況為例，構建單元120在訓練中考慮上述第一約束的過程 中，對於多個訓練樣本中的每個訓練樣本來說，在與上述多種特徵中的其中一種特徵有關 的分類器對該訓練樣本的分類結果的可信度高於第一預定程度的情況下、若與上述多種特 徵中的其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的可信度低於對 應的第二預定程度的話，則可以增大與上述多種特徵中的上述其他一種或其他多種特徵有 關的分類器對應於該訓練樣本的鬆弛變量，由此實現了 "增加對與上述多種特徵中的上述 其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的懲罰"。
[0040] 此外，在根據本發明的實施例的構建裝置的一種實現方式中，構建單元120在訓 練的過程中所考慮的第一約束中還可以包括：對於上述多個訓練樣本中的每個訓練樣本， 在增加對與上述多種特徵中的上述其他一種或其他多種特徵有關的分類器對該訓練樣本 的分類結果的懲罰的過程中，當與上述多種特徵中的上述其中一種特徵有關的分類器對該 訓練樣本的分類結果的可信度越高時，對與上述多種特徵中的上述其他一種或其他多種特 徵有關的分類器對該訓練樣本的分類結果的懲罰越嚴厲。這樣，在該實現方式中，對於訓練 樣本來說，當與一種特徵有關的分類器對其分類結果可信度越高時，相當於要求與其他一 種或其他幾種特徵有關的另外一個或另外幾個分類器對該訓練樣本的分類結果的可信度 也相對較高。
[0041] 例如，假設訓練樣本為視頻樣本，並且對視頻樣本提取的特徵為字幕特徵和音頻 特徵。若對於某個訓練樣本I a和另一個訓練樣本Ib來說，通過與音頻特徵有關的分類器對 訓練樣本Ia進行分類的結果的可信度、以及通過與音頻特徵有關的分類器對訓練樣本I b進 行分類的結果的可信度均低於第二預定程度(例如70%)。在這種情況下，假設第一預定程度 也為70%，若通過與字幕特徵有關的分類器對訓練樣本I a進行分類的結果的可信度例如為 80% (高於上述第一預定程度)，而通過與字幕特徵有關的分類器對訓練樣本Ib進行分類的 結果的可信度例如為90% (高於上述第一預定程度)，則可以使得對與音頻特徵有關的分類 器對訓練樣本Ib的分類結果的懲罰比對與音頻特徵有關的分類器對訓練樣本I a的分類結 果的懲罰更嚴厲。
[0042] 此外，在根據本發明的實施例的構建裝置的一種實現方式中，以"與上述多種特徵 對應的多個分類器"為SVM分類器的情況為例，構建單元120在訓練的過程中、在考慮第一 約束時，針對上述多種特徵中的每種特徵，可以用上述多個訓練樣本中的每個訓練樣本到 表示與該種特徵有關的分類器的超平面的函數間隔來反映與該種特徵有關的分類器對上 述每個訓練樣本的分類結果的可信度，其中，值越高的函數間隔對應的可信度越高。
[0043] 其中，針對與上述多種特徵中的每種特徵，對於上述多個訓練樣本中的每個訓練 樣本，若該訓練樣本到表示與該種特徵有關的分類器的超平面的函數間隔的值大於對應的 第一預定閾值的話，則可以判定與該種特徵有關的分類器對該訓練樣本的分類結果的可信 度高於第一預定程度。
[0044] 此外，針對與所述多種特徵中的每種特徵，對於上述多個訓練樣本中的每個訓練 樣本，若該訓練樣本到表示與該種特徵有關的分類器的超平面的函數間隔的值小於第二預 定閾值的話，則可以判定與該種特徵有關的分類器對該訓練樣本的分類結果的可信度低於 第二預定程度。
[0045] 其中，上述第一預定閾值和第二預定閾值例如可以根據經驗來設定，或者也可以 通過試驗的方法來確定，這裡不再贅述。
[0046] 為清楚起見，下面結合圖2來介紹標準SVM分類器的相關概念。圖2示意性地示出 了傳統的標準SVM分類器的原理圖。如圖2所示，圖中的方形樣本和圓形樣本可以是待區 分的兩個類別(例如，方形樣本和圓形樣本中的一種可以是上文所述的正例圖像，而另一種 是負例圖像)，H為表示SVM分類器的超平面，可以用分類函數f (X) = w *x+b表示上述SVM 分類器，並可以用w · x+b = 0來表示上述超平面H。其中，w和b為待求解的SVM參數，而 X則為待分類的樣本(訓練樣本或下文中所說的待測樣本）的特徵向量。w和X之間的"·" 表示w和X這兩個向量的內積。以圖2中的圓形樣本Pi為例，Pi到超平面Η的函數間隔如 圖2中的h所示（S卩Pi在圖中縱向上到Η的距離)，而Pi到超平面Η的幾何間隔如圖2中 的屯所示（即Pi到Η的最短距離，相當於Pi到Pi在Η上的投影之間的距離）。這樣，在數學 上，可以用f,. =7,(wi + 句表示X對應的待分類的樣本到超平面Η的函數間隔，以及可以用

【權利要求】
1. 一種用於構建分類器的構建裝置，包括： 第一提取單元，其被配置用於提取多個訓練樣本中的每一個的多種特徵；以及 構建單元，其被配置用於基於所述多個訓練樣本的每一個的多種特徵，對與所述多種 特徵中的每一種分別對應的分類器進行訓練，以構建包括與所述多種特徵對應的多個分類 器的目標分類器； 其中，所述構建單元在所述訓練的過程中考慮了如下的第一約束：對於所述多個訓練 樣本中的每一個，在與所述多種特徵中的一種特徵有關的分類器對該訓練樣本的分類結果 的可信度高於第一預定程度的情況下，若與所述多種特徵中的其他一種或其他多種特徵有 關的分類器對該訓練樣本的分類結果的可信度低於對應的第二預定程度，則增加對與所述 多種特徵中的所述其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的懲 罰。
2. 根據權利要求1所述的構建裝置，其中，所述構建單元在所述訓練的過程中所考慮 的所述第一約束還包括： 對於所述多個訓練樣本中的每一個，在增加對與所述多種特徵中的所述其他一種或其 他多種特徵有關的分類器對該訓練樣本的分類結果的懲罰的過程中，當與所述多種特徵中 的一種特徵有關的分類器對該訓練樣本的分類結果的可信度越高時，對與所述多種特徵中 的所述其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的懲罰越嚴厲。
3. 根據權利要求1或2所述的構建裝置，其中，所述多個分類器中的每個均為支持向量 機分類器。
4. 根據權利要求3所述的構建裝置，其中，所述構建單元在所述訓練中考慮所述第一 約束的過程中， 針對所述多種特徵中的每種特徵， 用所述多個訓練樣本中的每個訓練樣本到表示與該種特徵有關的分類器的超平面的 函數間隔來反映與該種特徵有關的分類器對所述每個訓練樣本的分類結果的可信度，其 中，值越高的函數間隔對應的可信度越高。
5. 根據權利要求3或4所述的構建裝置，其中，所述構建單元在所述訓練中考慮所述第 一約束的過程中，對於所述多個訓練樣本中的每一個，在與所述多種特徵中的一種特徵有 關的分類器對該訓練樣本的分類結果的可信度高於第一預定程度的情況下，若與所述多種 特徵中的其他一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的可信度低於 對應的第二預定程度，則增大與所述多種特徵中的所述其他一種或其他多種特徵有關的分 類器對應於該訓練樣本的鬆弛變量來實現增加對與所述多種特徵中的所述其他一種或其 他多種特徵有關的分類器對該訓練樣本的分類結果的懲罰。
6. 根據權利要求3-5中任一項所述的構建裝置，其中，所述構建單元在所述訓練中考 慮所述第一約束的過程中， 對於所述多個訓練樣本中的每一個，在與所述多種特徵中的一種特徵有關的分類器對 該訓練樣本的分類結果的可信度高於第一預定程度、而與所述多種特徵中的其他一種或其 他多種特徵有關的分類器對該訓練樣本的分類結果的可信度低於對應的第二預定程度的 情況下，當與所述多種特徵中的一種特徵有關的分類器對該訓練樣本的分類結果的可信度 越高時，令與所述多種特徵中的其他一種或其他多種特徵有關的分類器對應於該訓練樣本 的鬆弛變量越大。
7. -種分類裝置，包括： 第二提取單元，其被配置用於提取待測樣本的多種特徵；以及 分類單元，其被配置用於基於所述待測樣本的所述多種特徵，獲得與所述多種特徵有 關的多個預定分類器分別對所述待測樣本的分類結果，以確定所述待測樣本的最終分類結 果； 其中，所述多個預定分類器通過如權利要求1-6中任一項所述的構建裝置而獲得。
8. -種用於構建分類器的構建方法，包括： 提取多個訓練樣本中的每一個的多種特徵；以及 基於所述多個訓練樣本的每一個的多種特徵，對與所述多種特徵中的每一種分別對應 的分類器進行訓練，以構建包括與所述多種特徵對應的多個分類器的目標分類器； 其中，在所述訓練的過程中考慮了如下的第一約束： 對於所述多個訓練樣本中的每一個，在與所述多種特徵中的一種特徵有關的分類器對 該訓練樣本的分類結果的可信度高於第一預定程度的情況下，若與所述多種特徵中的其他 一種或其他多種特徵有關的分類器對該訓練樣本的分類結果的可信度低於對應的第二預 定程度，則增加對與所述多種特徵中的所述其他一種或其他多種特徵有關的分類器對該訓 練樣本的分類結果的懲罰。
9. 一種分類方法，包括： 提取待測樣本的多種特徵；以及 基於所述待測樣本的所述多種特徵，獲得與所述多種特徵有關的多個預定分類器分別 對所述待測樣本的分類結果，以確定所述待測樣本的最終分類結果； 其中，所述多個預定分類器通過如權利要求8所述的構建方法而獲得。
10. -種電子設備，包括如權利要求1-6中任一項所述的構建裝置或如權利要求7所述 的分類裝置。
【文檔編號】G06F17/30GK104281569SQ201310270851
【公開日】2015年1月14日 申請日期:2013年7月1日 優先權日:2013年7月1日
【發明者】李斐, 劉汝傑, 石原正樹, 馬場孝之, 上原祐介 申請人:富士通株式會社