基于单纯形等角紧框架分类器的动态模型校准方法及装置

本公开提供一种基于单纯形等角紧框架分类器的动态模型校准方法及装置，将输入样本通过共享特征提取模块转换为高维特征，通过标准可训练分类器和置信度可调模块生成两组独立的初始概率分布向量，对所述两组概率分布向量进行加权融合，根据最小化预测置信度与实际准确率之间的差异，动态调整校准权重因子；对所述两组概率分布向量分别计算分类损失，基于校准权重因子对其加权融合，得到用于优化网络的总损失函数；基于训练得到的校准权重因子，对标准可训练分类器和置信度可调模块的输出进行加权融合，生成最终预测概率分布。本公开应用于深度神经网络的图像分类中，既能最小化模型校准误差，又能提升模型预测准确性，得到更高质量的预测结果。