CN108171274B - 用于识别动物的方法和装置 - Google Patents

用于识别动物的方法和装置 Download PDF

Info

Publication number
CN108171274B
CN108171274B CN201810043970.8A CN201810043970A CN108171274B CN 108171274 B CN108171274 B CN 108171274B CN 201810043970 A CN201810043970 A CN 201810043970A CN 108171274 B CN108171274 B CN 108171274B
Authority
CN
China
Prior art keywords
recognized
images
animal
sample image
recognition result
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.)
Active
Application number
CN201810043970.8A
Other languages
English (en)
Other versions
CN108171274A (zh
Inventor
袁宇辰
周峰
张成月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810043970.8A priority Critical patent/CN108171274B/zh
Publication of CN108171274A publication Critical patent/CN108171274A/zh
Application granted granted Critical
Publication of CN108171274B publication Critical patent/CN108171274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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

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

本申请实施例公开了用于识别动物的方法和装置。该方法的一具体实施方式包括：获取待识别图像；将待识别图像输入至预先训练的第一识别模型，得到与待识别图像对应的第一识别结果；基于第一识别结果，确定待识别图像中是否存在动物；响应于确定待识别图像中存在动物，将待识别图像输入至预先训练的第二识别模型，得到与待识别图像对应的第二识别结果；将第一识别结果和第二识别结果进行融合，生成与待识别图像对应的第三识别结果。该实施方式将利用第一识别模型得到的第一识别结果和利用第二识别模型得到的第二识别结果相结合，从而提高了动物识别的准确度。

Description

用于识别动物的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及图像识别技术领域，尤其涉及用于识别动物的方法和装置。
背景技术
世界上的动物类别繁多，人们通过肉眼通常只能辨别出极少数类别的动物。因此，帮助用户进行动物识别成为了一种需求。现有的动物识别方式通常是通过相似图进行检索查询来识别图像中的动物的类别。
发明内容
本申请实施例提出了用于识别动物的方法和装置。
第一方面，本申请实施例提供了一种用于识别动物的方法，该方法包括：获取待识别图像；将待识别图像输入至预先训练的第一识别模型，得到与待识别图像对应的第一识别结果；基于第一识别结果，确定待识别图像中是否存在动物；响应于确定待识别图像中存在动物，将待识别图像输入至预先训练的第二识别模型，得到与待识别图像对应的第二识别结果；将第一识别结果和第二识别结果进行融合，生成与待识别图像对应的第三识别结果。
在一些实施例中，第一识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度；以及基于第一识别结果，确定待识别图像中是否存在动物，包括：对第一识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第一置信度进行加权求和，得到待识别图像中存在动物的第一置信度；基于待识别图像中存在动物的第一置信度，确定待识别图像中是否存在动物。
在一些实施例中，第二识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第二置信度，第三识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第三置信度；以及将第一识别结果和第二识别结果进行融合，生成与待识别图像对应的第三识别结果，包括：对于预设类别集合中的每种类别，对第一识别结果中的待识别图像中存在该种类别的动物的第一置信度与第二识别结果中的待识别图像中存在该种类别的动物的第二置信度进行加权求和；对所得到的和进行归一化处理，生成待识别图像中存在该种类别的动物的第三置信度。
在一些实施例中，该方法还包括：按照数值大小顺序对第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度进行排序；从数值大的一侧开始选取出预设数目个第三置信度，输出所选取出的第三置信度和与所选取出的第三置信度对应的类别。
在一些实施例中，该方法还包括：将第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度与预设阈值进行比较；若存在大于预设阈值的第三置信度，输出大于预设阈值的第三置信度和与大于预设阈值的第三置信度对应的类别。
在一些实施例中，该方法还包括：响应于确定待识别图像中不存在动物，输出用于提示待识别图像中不存在动物的提示信息和待识别图像中不存在动物的第一置信度。
在一些实施例中，第一识别模型和第二识别模型通过如下步骤训练得到：获取样本图像集合和与样本图像集合中的样本图像对应的标注结果；利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第一卷积神经网络进行训练，得到第一识别模型；利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第二卷积神经网络进行训练，得到第二识别模型。
在一些实施例中，利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第二卷积神经网络进行训练，得到第二识别模型，包括：将样本图像集合输入至第二卷积神经网络，得到与样本图像集合中的样本图像对应的第二识别结果；基于与样本图像集合中的样本图像对应的标注结果和与样本图像集合中的样本图像对应的第二识别结果，生成混淆矩阵；对混淆矩阵中的数据进行分析，确定是否存在混淆的类别对；若存在，则将确定出的混淆的类别对合并成至少一种类别，并利用合并后的类别，更新与样本图像集合中的样本图像对应的标注结果；将样本图像集合作为输入，将与样本图像集合中的样本图像当前对应的标注结果作为输出，对第二卷积神经网络进行训练得到第二识别模型。
第二方面，本申请实施例提供了一种用于识别动物的装置，该装置包括：获取单元，配置用于获取待识别图像；第一识别单元，配置用于将待识别图像输入至预先训练的第一识别模型，得到与待识别图像对应的第一识别结果；确定单元，配置用于基于第一识别结果，确定待识别图像中是否存在动物；第二识别单元，配置用于响应于确定待识别图像中存在动物，将待识别图像输入至预先训练的第二识别模型，得到与待识别图像对应的第二识别结果；融合单元，配置用于将第一识别结果和第二识别结果进行融合，生成与待识别图像对应的第三识别结果。
在一些实施例中，第一识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度；以及确定单元包括：第一求和子单元，配置用于对第一识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第一置信度进行加权求和，得到待识别图像中存在动物的第一置信度；确定子单元，配置用于基于待识别图像中存在动物的第一置信度，确定待识别图像中是否存在动物。
在一些实施例中，第二识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第二置信度，第三识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第三置信度；以及融合单元包括：第二求和子单元，配置用于对于预设类别集合中的每种类别，对第一识别结果中的待识别图像中存在该种类别的动物的第一置信度与第二识别结果中的待识别图像中存在该种类别的动物的第二置信度进行加权求和；生成子单元，配置用于对所得到的和进行归一化处理，生成待识别图像中存在该种类别的动物的第三置信度。
在一些实施例中，该装置还包括：排序单元，配置用于按照数值大小顺序对第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度进行排序；第一输出单元，配置用于从数值大的一侧开始选取出预设数目个第三置信度，输出所选取出的第三置信度和与所选取出的第三置信度对应的类别。
在一些实施例中，该装置还包括：比较单元，配置用于将第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度与预设阈值进行比较；第二输出单元，配置用于若存在大于预设阈值的第三置信度，输出大于预设阈值的第三置信度和与大于预设阈值的第三置信度对应的类别。
在一些实施例中，该装置还包括：第三输出单元，配置用于响应于确定待识别图像中不存在动物，输出用于提示待识别图像中不存在动物的提示信息和待识别图像中不存在动物的第一置信度。
在一些实施例中，该装置还包括训练单元，训练单元包括：获取子单元，配置用于获取样本图像集合和与样本图像集合中的样本图像对应的标注结果；第一训练子单元，配置用于利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第一卷积神经网络进行训练，得到第一识别模型；第二训练子单元，配置用于利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第二卷积神经网络进行训练，得到第二识别模型。
在一些实施例中，第二训练子单元，包括：识别模块，配置用于将样本图像集合输入至第二卷积神经网络，得到与样本图像集合中的样本图像对应的第二识别结果；生成模块，配置用于基于与样本图像集合中的样本图像对应的标注结果和与样本图像集合中的样本图像对应的第二识别结果，生成混淆矩阵；确定模块，配置用于对混淆矩阵中的数据进行分析，确定是否存在混淆的类别对；更新模块，配置用于若存在，则将确定出的混淆的类别对合并成至少一种类别，并利用合并后的类别，更新与样本图像集合中的样本图像对应的标注结果；训练模块，配置用于将样本图像集合作为输入，将与样本图像集合中的样本图像当前对应的标注结果作为输出，对第二卷积神经网络进行训练得到第二识别模型。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于识别动物的方法和装置，通过将所获取的待识别图像输入至第一识别模型，从而得到与待识别图像对应的第一识别结果；然后在确定待识别图像中存在动物的情况下，将所获取的待识别图像输入至第二识别模型，从而得到与待识别图像对应的第二识别结果；最后将第一识别结果和第二识别结果进行融合，从而生成与待识别图像对应的第三识别结果。将利用第一识别模型得到的第一识别结果和利用第二识别模型得到的第二识别结果相结合，从而提高了动物识别的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于识别动物的方法的一个实施例的流程图；
图3是根据本申请的用于识别动物的方法的应用场景的一个示意图；
图4是根据本申请的用于训练第二识别模型的方法的一个实施例的流程图；
图5是根据本申请的用于识别动物的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于识别动物的方法或用于识别动物的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如摄影摄像类应用、图像处理类应用等。
终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的待识别图像等进行分析等处理，并生成处理结果(例如第三识别结果)。
需要说明的是，本申请实施例所提供的用于识别动物的方法一般由服务器105执行，相应地，用于识别动物的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在服务器105本地存储有待识别图像的情况下，系统架构100可以不设置终端设备101、102、103。
继续参考图2，其示出了根据本申请的用于识别动物的方法的一个实施例的流程200。该用于识别动物的方法，包括以下步骤：
步骤201，获取待识别图像。
在本实施例中，用于识别动物的方法运行于其上的电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的终端设备(例如图1所示的终端设备101、102、103)获取待识别图像。其中，待识别图像可以包括但不限于灰度图像、彩色图像(RGB图像)、深度图像(Depth图像)和红外图像等。通常，待识别图像可以是包括动物图像区域的图像，也可以是不包括动物图像区域的图像。
实践中，终端设备可以将本地存储的图像上传至电子设备，以使电子设备对接收到的图像进行识别，也可以将网络图像的URL(Uniform Resource Locator，统一资源定位符)发送至电子设备，以使电子设备根据接收到的URL从网络上获取图像进行识别。
步骤202，将待识别图像输入至预先训练的第一识别模型，得到与待识别图像对应的第一识别结果。
在本实施例中，基于步骤201所获取的待识别图像，电子设备可以将待识别图像输入至预先训练的第一识别模型，从而得到与待识别图像对应的第一识别结果。其中，第一识别结果可以包括用于指示待识别图像中是否存在动物图像区域的信息，第一识别结果也可以包括待识别图像中存在的动物类别，第一识别结果还可以包括待识别图像中存在预设类别集合(例如10000种类别)中的每种类别的动物的第一置信度和不存在动物的第一置信度。每种类别的动物的第一置信度可以用于表征第一识别模型识别出的待识别图像中存在该种类别的动物的可能性或概率。预设类别集合中的类别可以是物理世界中的各种动物类别。作为示例，预设类别集合中的类别可以是被粗分为属的动物类别，例如是狗、猫、猴子、大象等，也可以是被细分为物种的动物类别，例如是哈士奇、泰迪、波斯猫、金丝猴等。
在本实施例中，第一识别模型可以用于表征图像和第一识别结果之间的对应关系，其可以是通过多种方式训练得到的。
作为一种示例，本领域技术人员可以对大量包括预设类别集合中的每种类别的动物图像区域的图像进行统计分析，从而制定出存储有包括预设类别集合中的每种类别的动物图像区域的图像和预设类别集合中的每种类别的对应关系表，并将该对应关系表作为第一识别模型。电子设备可以计算待识别图像和对应关系表中的包括预设类别集合中的每种类别的动物图像区域的图像的相似度，并基于所计算出的相似度，生成待识别图像中存在预设类别集合中的每种类别的动物的第一置信度。通常，相似度与第一置信度呈正比关系，即，相似度越高，第一置信度越大。同时，对待识别图像和对应关系表中的包括预设类别集合中的每种类别的动物图像区域的图像的相似度进行分析，生成待识别图像中不存在动物的第一置信度。例如，若待识别图像和对应关系表中的包括预设类别集合中的每种类别的动物图像区域的图像的相似度均小于预设数值(例如0.001)，则待识别图像中不存在动物的第一置信度为1。
作为另一种示例，第一识别模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。具体地，电子设备可以首先获取样本图像集合和与样本图像集合中的样本图像对应的标注结果；然后利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第一卷积神经网络进行训练，得到第一识别模型。这里，样本图像可以是包括动物图像区域的图像，本领域技术人员可以在样本图像中的动物图像区域处人工标注出对应的动物种类。其中，第一卷积神经网络可以是未经训练或未训练完成的卷积神经网络(例如ResNet-50，共50层)。这里，对于未经训练的卷积神经网络，其各个网络参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证网络可以正常地学习。对于未训练完成的卷积神经网络，其各个网络参数可以是被调整后网络参数，但是该多层卷积神经网络的识别效果通常尚未满足预先设置的约束条件。
步骤203，基于第一识别结果，确定待识别图像中是否存在动物。
在本实施例中，基于步骤202所得到的第一识别结果，电子设备可以确定待识别图像中是否存在动物。
在本实施例的一些可选的实现方式中，在第一识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度的情况下，电子设备可以首先对第一识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第一置信度进行加权求和，从而得到待识别图像中存在动物的第一置信度；然后基于待识别图像中存在动物的第一置信度，确定待识别图像中是否存在动物。具体地，电子设备可以将待识别图像中存在动物的第一置信度与预设数值(例如0.2)进行比较；若待识别图像中存在动物的第一置信度大于预设数值，则确定待识别图像中存在动物；若待识别图像中存在动物的第一置信度不大于预设数值，则确定待识别图像中不存在动物。其中，预设类别集合中的每种类别可以对应相应的权重。作为示例，预设类别集合中包括N(N为正整数)种类别，其中，待识别图像中存在预设类别集合中的第i(1≤i≤N，且i为整数)种类别的动物的第一置信度是pi，预设类别集合中的第i种类别对应的权重是wi，那么待识别图像中存在动物的第一置信度P可以通过如下公式得到：
在本实施例的一些可选的实现方式中，在第一识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度的情况下，电子设备可以将第一识别结果中的待识别图像中不存在动物的第一置信度与预设数值(例如，0.8)进行比较；若待识别图像中不存在动物的第一置信度不小于预设数值，则确定待识别图像中不存在动物；若待识别图像中不存在动物的第一置信度小于预设数值，则确定待识别图像中存在动物。
在本实施例的一些可选的实现方式中，在确定待识别图像中不存在动物的情况下，电子设备可以输出用于提示待识别图像中不存在动物的提示信息和待识别图像中不存在动物的第一置信度，同时结束流程。例如，电子设备可以输出“非动物——0.95”。
步骤204，响应于确定待识别图像中存在动物，将待识别图像输入至预先训练的第二识别模型，得到与待识别图像对应的第二识别结果。
在本实施例中，在确定待识别图像中存在动物的情况下，电子设备可以将待识别图像输入至预先训练的第二识别模型，从而得到与待识别图像对应的第二识别结果。其中，第二识别结果可以包括待识别图像中存在动物的类别，第二识别结果也可以包括待识别图像中存在预设类别集合中的每种类别的动物的第二置信度。每种类别的动物的第二置信度可以用于表征第二识别模型识别出的待识别图像中存在该种类别的动物的可能性或概率。
在本实施例中，第二识别模型可以用于表征图像和第二识别结果之间的对应关系，其可以是通过多种方式训练得到的。
作为一种示例，本领域技术人员可以对大量包括预设类别集合中的每种类别的动物图像区域的图像进行统计分析，从而制定出存储有包括预设类别集合中的每种类别的动物图像区域的图像和预设类别集合中的每种类别的对应关系表，并将该对应关系表作为第二识别模型。电子设备可以计算待识别图像和对应关系表中的包括预设类别集合中的每种类别的动物图像区域的图像的相似度，并基于所计算出的相似度，生成待识别图像中存在预设类别集合中的每种类别的动物的第二置信度。通常，相似度与第二置信度呈正比关系，即，相似度越高，第二置信度越大。例如，电子设备可以对待识别图像和对应关系表中的包括预设类别集合中的每种类别的动物图像区域的图像的相似度进行归一化处理，并将归一化处理后的相似度作为第二置信度。
作为另一种示例，第二识别模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。具体地，电子设备可以首先获取样本图像集合和与样本图像集合中的样本图像对应的标注结果；然后利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第二卷积神经网络进行训练，得到第二识别模型。这里，样本图像可以是包括动物图像区域的图像，本领域技术人员可以在样本图像中的动物图像区域处人工标注出对应的动物类别。其中，第二卷积神经网络可以是未经训练或未训练完成的卷积神经网络(例如ResNeXt-101，共101层)。这里，对于未经训练的卷积神经网络，其各个网络参数用一些不同的小随机数进行初始化。对于未训练完成的卷积神经网络，其各个网络参数可以是被调整后网络参数，但是该多层卷积神经网络的识别效果通常尚未满足预先设置的约束条件。
步骤205，将第一识别结果和第二识别结果进行融合，生成与待识别图像对应的第三识别结果。
在本实施例中，基于步骤202所得到的第一识别结果和步骤204所得到的第二识别结果，电子设备可以将第一识别结果和第二识别结果进行融合，从而生成与待识别图像对应的第三识别结果。其中，第三识别结果也可以包括待识别图像中存在动物类别，第三识别结果也可以包括待识别图像中存在预设类别集合中的每种类别的动物的第三置信度。每种类别的动物的第三置信度可以用于表征待识别图像中存在该种类别的动物的可能性或概率。
在本实施例的一些可选的实现方式中，在第一识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度，第二识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第二置信度，第三识别结果包括待识别图像中存在预设类别集合中的每种类别的动物的第三置信度的情况下，对于预设类别集合中的每种类别，电子设备可以首先对第一识别结果中的待识别图像中存在该种类别的动物的第一置信度与第二识别结果中的待识别图像中存在该种类别的动物的第二置信度进行加权求和；然后对所得到的和进行归一化处理，生成待识别图像中存在该种类别的动物的第三置信度。其中，第一置信度和第二置信度可以对应相应的权重。作为示例，预设类别集合中包括N(N为正整数)种类别，其中，待识别图像中存在预设类别集合中的第i(1≤i≤N，且i为整数)种类别的动物的第一置信度是pi，待识别图像中存在预设类别集合中的第i种类别的动物的第二置信度是qi，待识别图像中存在预设类别集合中的第j(1≤j≤N，且j为整数)种类别的动物的第一置信度是pj，待识别图像中存在预设类别集合中的第j种类别的动物的第二置信度是qj，第一置信度对应的权重是m，第二置信度对应的权重是n，那么待识别图像中存在第j种类别的动物的第三置信度rj可以通过如下公式得到：
在本实施例的一些可选的实现方式中，在生成第三识别结果之后，电子设备可以首先按照数值大小顺序对第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度进行排序；然后从数值大的一侧开始选取出预设数目个第三置信度，输出所选取出的第三置信度和与所选取出的第三置信度对应的类别。其中，电子设备可以按照数值从大到小的顺序进行排序，也可以按照数值从小到大的顺序进行排序。作为示例，电子设备可以选取出数值排在前5个的第三置信度，输出所选取出的5个第三置信度和对应的类别，输出信息可以例如是“拉布拉多——0.831，金毛——0.024，秋田犬——0.006，柴犬——0.005，中华田园犬——0.001”。
在本实施例的一些可选的实现方式中，在生成第三识别结果之后，电子设备可以将第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度与预设阈值(例如0.03)进行比较；若存在大于预设阈值的第三置信度，输出大于预设阈值的第三置信度和与大于预设阈值的第三置信度对应的类别。作为示例，电子设备可以输出大于0.02的第三置信度和对应的类别，输出信息可以例如是“拉布拉多——0.831，金毛——0.024”。
继续参见图3，图3是根据本申请的用于识别动物的方法的应用场景的一个示意图。在图3的应用场景中，首先，用户通过终端设备将包括狗图像区域的图像301上传至电子设备；而后，电子设备将包括狗图像区域的图像301输入至第一识别模型，从而得到与包括狗图像区域的图像301对应的第一识别结果；之后，在确定包括狗图像区域的图像301中存在动物的情况下，电子设备将包括狗图像区域的图像301输入至第二识别模型，从而得到与包括狗图像区域的图像301对应的第二识别结果；然后，电子设备将第一识别结果和第二识别结果进行融合，生成与包括狗图像区域的图像301对应的第三识别结果；最后，电子设备可以将数值排在前5个的第三置信度和对应的类别作为输出结果302，并发送至终端设备。其中，终端设备上可以呈现包括狗图像区域的图像301和输出结果302。
本申请实施例提供的用于识别动物的方法，通过将所获取的待识别图像输入至第一识别模型，从而得到与待识别图像对应的第一识别结果；然后在确定待识别图像中存在动物的情况下，将所获取的待识别图像输入至第二识别模型，从而得到与待识别图像对应的第二识别结果；最后将第一识别结果和第二识别结果进行融合，从而生成与待识别图像对应的第三识别结果。将利用第一识别模型得到的第一识别结果和利用第二识别模型得到的第二识别结果相结合，从而提高了动物识别的准确度。
进一步参考图4，其示出了根据本申请的用于训练第二识别模型的方法的一个实施例的流程400。该用于训练第二识别模型的方法的流程400，包括以下步骤：
步骤401，获取样本图像集合和与样本图像集合中的样本图像对应的标注结果。
在本实施例中，用于训练第二识别模型的方法运行于其上的电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的终端设备(例如图1所示的终端设备101、102、103)获取样本图像集合和与样本图像集合中的样本图像对应的标注结果。其中，样本图像可以是包括动物图像区域的图像，这里，本领域技术人员可以在样本图像中的动物图像区域处人工标注出动物类别，从而生成与样本图像对应的标注结果。
步骤402，将样本图像集合输入至第二卷积神经网络，得到与样本图像集合中的样本图像对应的第二识别结果。
在本实施例中，基于步骤401所获取的样本图像集合，电子设备可以将样本图像集合中的样本图像输入至第二卷积神经网络，从而得到与样本图像集合中的样本图像对应的第二识别结果。其中，第二卷积神经网络可以是未训练完成的卷积神经网络，其各个网络参数可以是被调整后网络参数，但是该卷积神经网络的识别效果通常尚未满足预先设置的约束条件。例如，第二卷积神经网络可以是以样本图像集合为输入，以与样本图像集合中的样本图像对应的标注结果为输出，对未经训练的卷积神经网络进行训练所得到的。具体地，电子设备可以首先将样本图像集合输入至未经训练的卷积神经网络，从而得到与样本图像集合中的样本图像对应的第二识别结果；然后基于与样本图像集合中的样本图像对应的第二识别结果和与样本图像集合中的样本图像对应的标注结果的差异，调整未经训练的卷积神经网络的网络参数，从而得到第二卷积神经网络。
步骤403，基于与样本图像集合中的样本图像对应的标注结果和与样本图像集合中的样本图像对应的第二识别结果，生成混淆矩阵。
在本实施例中，基于步骤401所获取的与样本图像集合中的样本图像对应的标注结果和步骤402所得到的与样本图像集合中的样本图像对应的第二识别结果，电子设备可以生成混淆矩阵。其中，混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在混淆矩阵里。通常，混淆矩阵的每一列代表了预测类别，每一列的数据总数表示预测为存在该种类别的动物的样本图像的数目；每一行代表了真实类别，每一行的数据总数表示存在该种类别的动物的样本图像的真实数目。每一列中的数据表示被预测为存在该种类的动物的样本图像的数目。主对角线上的数据为准确预测的样本图像的数目，非主对角线上的数据为错误预测的样本图像的数目。
步骤404，对所述混淆矩阵中的数据进行分析，确定是否存在混淆的类别对。
在本实施例中，基于步骤403所生成的混淆矩阵，电子设备可以对混淆矩阵中的数据进行分析，从而确定是否存在混淆的类别对。具体地，对于每个非对角线上的数据，电子设备可以计算该数据与该数据所在的行的数据总数的比值，并确定该比值是否大于预设数值(例如20％)，若大于预设数值，则该数据所对应的真实类别和预测类别是混淆的类别对，若不大于预设数值，则该数据所对应的真实类别和预测类别不是混淆的类别对。
步骤405，若存在，则将确定出的混淆的类别对合并成至少一种类别。
在本实施例中，在存在混淆的类别对的情况下，电子设备可以将混淆的类别对合并成至少一种类别。例如，若“贵宾犬”和“玩具型贵宾犬”是混淆的类别对，则可以将“贵宾犬”和“玩具型贵宾犬”合并为“贵宾犬”；若“白色德国牧羊犬”和“白色瑞士牧羊犬”是混淆的类别对，则可以将“白色德国牧羊犬”和“白色瑞士牧羊犬”合并为“白色德国牧羊犬”。
步骤406，利用合并后的类别，更新与样本图像集合中的样本图像对应的标注结果。
在本实施例中，基于步骤405所得到的合并后的类别，电子设备可以更新与样本图像集合中的样本图像对应的标注结果。例如，若“贵宾犬”和“玩具型贵宾犬”被合并为“贵宾犬”，则电子设备可以从与样本图像集合中的样本图像对应的标注结果中查找出标注为“玩具型贵宾犬”的标注结果，并将其标注修改为“贵宾犬”；若“白色德国牧羊犬”和“白色瑞士牧羊犬”被合并为“白色德国牧羊犬”，则电子设备可以从与样本图像集合中的样本图像对应的标注结果中查找出标注为“白色瑞士牧羊犬”的标注结果，并将其标注修改为“白色德国牧羊犬”。
步骤407，将样本图像集合作为输入，将与样本图像集合中的样本图像当前对应的标注结果作为输出，对第二卷积神经网络进行训练得到第二识别模型。
在本实施例中，电子设备可以将样本图像集合作为输入，将与样本图像集合中的样本图像当前对应的标注结果作为输出，对第二卷积神经网络进行训练得到第二识别模型。具体地，电子设备可以首先将样本图像集合输入至第二卷积神经网络，从而得到与样本图像集合中的样本图像当前对应的第二识别结果；然后确定出与样本图像集合中的样本图像当前对应的第二识别结果和与样本图像集合中的样本图像当前对应的标注结果之间的差异；最后基于差异调整第二卷积神经网络的网络参数，从而得到第二识别模型。这里，电子设备可以采用各种损失函数来确定差异，采用损失函数确定差异的方式是目前广泛研究和应用的公知技术，在此不再赘述。同时，可以采用各种实现方式基于差异调整第二卷积神经网络的网络参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整第二卷积神经网络的网络参数。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于识别动物的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于识别动物的装置500可以包括：获取单元501、第一识别单元502、确定单元503、第二识别单元504和融合单元505。其中，获取单元501，配置用于获取待识别图像；第一识别单元502，配置用于将待识别图像输入至预先训练的第一识别模型，得到与待识别图像对应的第一识别结果；确定单元503，配置用于基于第一识别结果，确定待识别图像中是否存在动物；第二识别单元504，配置用于响应于确定待识别图像中存在动物，将待识别图像输入至预先训练的第二识别模型，得到与待识别图像对应的第二识别结果；融合单元505，配置用于将第一识别结果和第二识别结果进行融合，生成与待识别图像对应的第三识别结果。
在本实施例中，用于识别动物的装置500中：获取单元501、第一识别单元502、确定单元503、第二识别单元504和融合单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，第一识别结果可以包括待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度；以及确定单元503可以包括：第一求和子单元(图中未示出)，配置用于对第一识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第一置信度进行加权求和，得到待识别图像中存在动物的第一置信度；确定子单元(图中未示出)，配置用于基于待识别图像中存在动物的第一置信度，确定待识别图像中是否存在动物。
在本实施例的一些可选的实现方式中，第二识别结果可以包括待识别图像中存在预设类别集合中的每种类别的动物的第二置信度，第三识别结果可以包括待识别图像中存在预设类别集合中的每种类别的动物的第三置信度；以及融合单元505可以包括：第二求和子单元(图中未示出)，配置用于对于预设类别集合中的每种类别，对第一识别结果中的待识别图像中存在该种类别的动物的第一置信度与第二识别结果中的待识别图像中存在该种类别的动物的第二置信度进行加权求和；生成子单元(图中未示出)，配置用于对所得到的和进行归一化处理，生成待识别图像中存在该种类别的动物的第三置信度。
在本实施例的一些可选的实现方式中，用于识别动物的装置500还可以包括：排序单元(图中未示出)，配置用于按照数值大小顺序对第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度进行排序；第一输出单元(图中未示出)，配置用于从数值大的一侧开始选取出预设数目个第三置信度，输出所选取出的第三置信度和与所选取出的第三置信度对应的类别。
在本实施例的一些可选的实现方式中，用于识别动物的装置500还可以包括：比较单元(图中未示出)，配置用于将第三识别结果中的待识别图像中存在预设类别集合中的每种类别的动物的第三置信度与预设阈值进行比较；第二输出单元(图中未示出)，配置用于若存在大于预设阈值的第三置信度，输出大于预设阈值的第三置信度和与大于预设阈值的第三置信度对应的类别。
在本实施例的一些可选的实现方式中，用于识别动物的装置500还可以包括：第三输出单元(图中未示出)，配置用于响应于确定待识别图像中不存在动物，输出用于提示待识别图像中不存在动物的提示信息和待识别图像中不存在动物的第一置信度。
在本实施例的一些可选的实现方式中，用于识别动物的装置500还可以包括训练单元(图中未示出)，训练单元可以包括：获取子单元(图中未示出)，配置用于获取样本图像集合和与样本图像集合中的样本图像对应的标注结果；第一训练子单元(图中未示出)，配置用于利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第一卷积神经网络进行训练，得到第一识别模型；第二训练子单元(图中未示出)，配置用于利用机器学习方法，基于样本图像集合和与样本图像集合中的样本图像对应的标注结果对预设的第二卷积神经网络进行训练，得到第二识别模型。
在本实施例的一些可选的实现方式中，第二训练子单元可以包括：识别模块(图中未示出)，配置用于将样本图像集合输入至第二卷积神经网络，得到与样本图像集合中的样本图像对应的第二识别结果；生成模块(图中未示出)，配置用于基于与样本图像集合中的样本图像对应的标注结果和与样本图像集合中的样本图像对应的第二识别结果，生成混淆矩阵；确定模块(图中未示出)，配置用于对混淆矩阵中的数据进行分析，确定是否存在混淆的类别对；更新模块(图中未示出)，配置用于若存在，则将确定出的混淆的类别对合并成至少一种类别，并利用合并后的类别，更新与样本图像集合中的样本图像对应的标注结果；训练模块(图中未示出)，配置用于将样本图像集合作为输入，将与样本图像集合中的样本图像当前对应的标注结果作为输出，对第二卷积神经网络进行训练得到第二识别模型。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
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部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—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，图示了按照本申请各种实施例的系统、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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一识别单元、确定单元、第二识别单元和融合单元。其中，这些单元的种类在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的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：获取待识别图像；将待识别图像输入至预先训练的第一识别模型，得到与待识别图像对应的第一识别结果；基于第一识别结果，确定待识别图像中是否存在动物；响应于确定待识别图像中存在动物，将待识别图像输入至预先训练的第二识别模型，得到与待识别图像对应的第二识别结果；将第一识别结果和第二识别结果进行融合，生成与待识别图像对应的第三识别结果。
以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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。

Claims (18)

1.一种用于识别动物的方法，包括：
获取待识别图像；
将所述待识别图像输入至预先训练的第一识别模型，得到与所述待识别图像对应的第一识别结果；
基于所述第一识别结果，确定所述待识别图像中是否存在动物；
响应于确定所述待识别图像中存在动物，将所述待识别图像输入至预先训练的第二识别模型，得到与所述待识别图像对应的第二识别结果；
将所述第一识别结果和所述第二识别结果进行融合，生成与所述待识别图像对应的第三识别结果；
其中，用于训练所述第二识别模型的训练样本通过如下步骤更新：
基于与样本图像集合中的样本图像对应的更新前的标注结果和预设的第二卷积神经网络输出的与所述样本图像集合中的样本图像对应的第二识别结果，生成混淆矩阵；
将所述混淆矩阵中存在混淆的类别对合并成至少一种类别，并基于合并后的类别，更新与所述样本图像集合中的样本图像对应的标注结果。
2.根据权利要求1所述的方法，其中，所述第一识别结果包括所述待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度；以及
所述基于所述第一识别结果，确定所述待识别图像中是否存在动物，包括：
对所述第一识别结果中的所述待识别图像中存在所述预设类别集合中的每种类别的动物的第一置信度进行加权求和，得到所述待识别图像中存在动物的第一置信度；
基于所述待识别图像中存在动物的第一置信度，确定所述待识别图像中是否存在动物。
3.根据权利要求2所述的方法，其中，所述第二识别结果包括所述待识别图像中存在所述预设类别集合中的每种类别的动物的第二置信度，所述第三识别结果包括所述待识别图像中存在所述预设类别集合中的每种类别的动物的第三置信度；以及
所述将所述第一识别结果和所述第二识别结果进行融合，生成与所述待识别图像对应的第三识别结果，包括：
对于所述预设类别集合中的每种类别，对所述第一识别结果中的所述待识别图像中存在该种类别的动物的第一置信度与所述第二识别结果中的所述待识别图像中存在该种类别的动物的第二置信度进行加权求和；
对所得到的和进行归一化处理，生成所述待识别图像中存在该种类别的动物的第三置信度。
4.根据权利要求3所述的方法，其中，所述方法还包括：
按照数值大小顺序对所述第三识别结果中的所述待识别图像中存在所述预设类别集合中的每种类别的动物的第三置信度进行排序；
从数值大的一侧开始选取出预设数目个第三置信度，输出所选取出的第三置信度和与所选取出的第三置信度对应的类别。
5.根据权利要求3所述的方法，其中，所述方法还包括：
将所述第三识别结果中的所述待识别图像中存在所述预设类别集合中的每种类别的动物的第三置信度与预设阈值进行比较；
若存在大于所述预设阈值的第三置信度，输出大于所述预设阈值的第三置信度和与大于所述预设阈值的第三置信度对应的类别。
6.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述待识别图像中不存在动物，输出用于提示所述待识别图像中不存在动物的提示信息和所述待识别图像中不存在动物的第一置信度。
7.根据权利要求1-6之一所述的方法，其中，所述第一识别模型和所述第二识别模型通过如下步骤训练得到：
获取所述样本图像集合和与所述样本图像集合中的样本图像对应的标注结果；
利用机器学习方法，基于所述样本图像集合和与所述样本图像集合中的样本图像对应的标注结果对预设的第一卷积神经网络进行训练，得到第一识别模型；
利用机器学习方法，基于所述样本图像集合和与所述样本图像集合中的样本图像对应的标注结果对所述第二卷积神经网络进行训练，得到第二识别模型。
8.根据权利要求7所述的方法，其中，所述利用机器学习方法，基于所述样本图像集合和与所述样本图像集合中的样本图像对应的标注结果对所述第二卷积神经网络进行训练，得到第二识别模型，包括：
将所述样本图像集合作为输入，将与所述样本图像集合中的样本图像对应的更新后的标注结果作为输出，对所述第二卷积神经网络进行训练得到第二识别模型。
9.一种用于识别动物的装置，包括：
获取单元，配置用于获取待识别图像；
第一识别单元，配置用于将所述待识别图像输入至预先训练的第一识别模型，得到与所述待识别图像对应的第一识别结果；
确定单元，配置用于基于所述第一识别结果，确定所述待识别图像中是否存在动物；
第二识别单元，配置用于响应于确定所述待识别图像中存在动物，将所述待识别图像输入至预先训练的第二识别模型，得到与所述待识别图像对应的第二识别结果；
融合单元，配置用于将所述第一识别结果和所述第二识别结果进行融合，生成与所述待识别图像对应的第三识别结果；
其中，所述装置还包括更新单元，所述更新单元包括：
生成子单元，配置用于基于与样本图像集合中的样本图像对应的更新前的标注结果和预设的第二卷积神经网络输出的与所述样本图像集合中的样本图像对应的第二识别结果，生成混淆矩阵；
更新子单元，配置用于将所述混淆矩阵中存在混淆的类别对合并成至少一种类别，并基于合并后的类别，更新与所述样本图像集合中的样本图像对应的标注结果。
10.根据权利要求9所述的装置，其中，所述第一识别结果包括所述待识别图像中存在预设类别集合中的每种类别的动物的第一置信度和不存在动物的第一置信度；以及
所述确定单元包括：
第一求和子单元，配置用于对所述第一识别结果中的所述待识别图像中存在所述预设类别集合中的每种类别的动物的第一置信度进行加权求和，得到所述待识别图像中存在动物的第一置信度；
确定子单元，配置用于基于所述待识别图像中存在动物的第一置信度，确定所述待识别图像中是否存在动物。
11.根据权利要求10所述的装置，其中，所述第二识别结果包括所述待识别图像中存在所述预设类别集合中的每种类别的动物的第二置信度，所述第三识别结果包括所述待识别图像中存在所述预设类别集合中的每种类别的动物的第三置信度；以及
所述融合单元包括：
第二求和子单元，配置用于对于所述预设类别集合中的每种类别，对所述第一识别结果中的所述待识别图像中存在该种类别的动物的第一置信度与所述第二识别结果中的所述待识别图像中存在该种类别的动物的第二置信度进行加权求和；
生成子单元，配置用于对所得到的和进行归一化处理，生成所述待识别图像中存在该种类别的动物的第三置信度。
12.根据权利要求11所述的装置，其中，所述装置还包括：
排序单元，配置用于按照数值大小顺序对所述第三识别结果中的所述待识别图像中存在所述预设类别集合中的每种类别的动物的第三置信度进行排序；
第一输出单元，配置用于从数值大的一侧开始选取出预设数目个第三置信度，输出所选取出的第三置信度和与所选取出的第三置信度对应的类别。
13.根据权利要求11所述的装置，其中，所述装置还包括：
比较单元，配置用于将所述第三识别结果中的所述待识别图像中存在所述预设类别集合中的每种类别的动物的第三置信度与预设阈值进行比较；
第二输出单元，配置用于若存在大于所述预设阈值的第三置信度，输出大于所述预设阈值的第三置信度和与大于所述预设阈值的第三置信度对应的类别。
14.根据权利要求9所述的装置，其中，所述装置还包括：
第三输出单元，配置用于响应于确定所述待识别图像中不存在动物，输出用于提示所述待识别图像中不存在动物的提示信息和所述待识别图像中不存在动物的第一置信度。
15.根据权利要求9-14之一所述的装置，其中，所述装置还包括训练单元，所述训练单元包括：
获取子单元，配置用于获取所述样本图像集合和与所述样本图像集合中的样本图像对应的标注结果；
第一训练子单元，配置用于利用机器学习方法，基于所述样本图像集合和与所述样本图像集合中的样本图像对应的标注结果对预设的第一卷积神经网络进行训练，得到第一识别模型；
第二训练子单元，配置用于利用机器学习方法，基于所述样本图像集合和与所述样本图像集合中的样本图像对应的标注结果对所述第二卷积神经网络进行训练，得到第二识别模型。
16.根据权利要求15所述的装置，其中，所述第二训练子单元进一步配置用于：
将所述样本图像集合作为输入，将与所述样本图像集合中的样本图像对应的更新后的标注结果作为输出，对所述第二卷积神经网络进行训练得到第二识别模型。
17.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN201810043970.8A 2018-01-17 2018-01-17 用于识别动物的方法和装置 Active CN108171274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810043970.8A CN108171274B (zh) 2018-01-17 2018-01-17 用于识别动物的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810043970.8A CN108171274B (zh) 2018-01-17 2018-01-17 用于识别动物的方法和装置

Publications (2)

Publication Number Publication Date
CN108171274A CN108171274A (zh) 2018-06-15
CN108171274B true CN108171274B (zh) 2019-08-09

Family

ID=62515104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810043970.8A Active CN108171274B (zh) 2018-01-17 2018-01-17 用于识别动物的方法和装置

Country Status (1)

Country Link
CN (1) CN108171274B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960110A (zh) * 2018-06-26 2018-12-07 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN109241998B (zh) * 2018-08-06 2020-12-29 百度在线网络技术（北京）有限公司 模型训练方法、装置、设备及存储介质
CN110826581B (zh) * 2018-08-10 2023-11-07 京东科技控股股份有限公司 一种动物数量识别方法、装置、介质及电子设备
CN109377509B (zh) * 2018-09-26 2021-03-26 达闼机器人有限公司 图像语义分割标注的方法、装置、存储介质和设备
CN109740671B (zh) * 2019-01-03 2021-02-23 北京妙医佳信息技术有限公司 一种图像识别方法及装置
CN109871883B (zh) * 2019-01-24 2022-04-05 北京市商汤科技开发有限公司 神经网络训练方法及装置、电子设备和存储介质
CN110288049B (zh) * 2019-07-02 2022-05-24 北京字节跳动网络技术有限公司 用于生成图像识别模型的方法和装置
US11051493B2 (en) * 2019-09-09 2021-07-06 Council Of Agriculture Method and system for distinguishing identities based on nose prints of animals
CN111144378B (zh) * 2019-12-30 2023-10-31 众安在线财产保险股份有限公司 一种目标对象的识别方法及装置
CN111242214A (zh) * 2020-01-13 2020-06-05 浙江工业大学 一种基于图像的小型动物识别方法
CN111310815A (zh) * 2020-02-07 2020-06-19 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备及存储介质
CN111339904B (zh) * 2020-02-21 2023-11-03 腾讯科技（深圳）有限公司 动物精子图像识别方法和装置
CN111368116B (zh) * 2020-05-26 2020-09-18 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机设备及存储介质
CN111709480B (zh) * 2020-06-17 2023-06-23 北京百度网讯科技有限公司 用于识别图像类别的方法及装置
CN111931844B (zh) * 2020-08-07 2023-11-28 商汤集团有限公司 图像处理方法及装置、电子设备和存储介质
CN112036455B (zh) * 2020-08-19 2023-09-01 浙江大华技术股份有限公司 一种图像识别方法、智能终端和存储介质
CN112699842A (zh) * 2021-01-13 2021-04-23 上海镜河科技有限公司 宠物识别方法、装置、设备及计算机可读存储介质
CN113239804B (zh) * 2021-05-13 2023-06-02 杭州睿胜软件有限公司 图像识别方法、可读存储介质及图像识别系统
CN113282644B (zh) * 2021-06-18 2022-06-07 浙江师范大学 自然环境动物调查数据快速检核方法及装置
CN113657318B (zh) * 2021-08-23 2024-05-07 平安科技（深圳）有限公司 基于人工智能的宠物分类方法、装置、设备及存储介质
CN115546824B (zh) * 2022-04-18 2023-11-28 荣耀终端有限公司 禁忌图片识别方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095919A (zh) * 2015-09-08 2015-11-25 北京百度网讯科技有限公司 图像识别方法和装置
CN105205486A (zh) * 2015-09-15 2015-12-30 浙江宇视科技有限公司 一种车标识别方法及装置
CN105426455A (zh) * 2015-11-12 2016-03-23 中国科学院重庆绿色智能技术研究院 基于图片处理来对衣服进行分类管理的方法和装置
CN105608444A (zh) * 2016-01-27 2016-05-25 大连楼兰科技股份有限公司 一种用于自动驾驶的野生动物图像识别方法
CN107256410A (zh) * 2017-05-26 2017-10-17 北京郁金香伙伴科技有限公司 对类镜像图像分类的方法及装置
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095919A (zh) * 2015-09-08 2015-11-25 北京百度网讯科技有限公司 图像识别方法和装置
CN105205486A (zh) * 2015-09-15 2015-12-30 浙江宇视科技有限公司 一种车标识别方法及装置
CN105426455A (zh) * 2015-11-12 2016-03-23 中国科学院重庆绿色智能技术研究院 基于图片处理来对衣服进行分类管理的方法和装置
CN105608444A (zh) * 2016-01-27 2016-05-25 大连楼兰科技股份有限公司 一种用于自动驾驶的野生动物图像识别方法
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images
CN107256410A (zh) * 2017-05-26 2017-10-17 北京郁金香伙伴科技有限公司 对类镜像图像分类的方法及装置

Also Published As

Publication number Publication date
CN108171274A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN108171274B (zh) 用于识别动物的方法和装置
CN108154196B (zh) 用于输出图像的方法和装置
CN109359676A (zh) 用于生成车辆损伤信息的方法和装置
CN108171203A (zh) 用于识别车辆的方法和装置
CN108898186A (zh) 用于提取图像的方法和装置
CN108898185A (zh) 用于生成图像识别模型的方法和装置
CN108446387A (zh) 用于更新人脸注册库的方法和装置
CN108830235A (zh) 用于生成信息的方法和装置
CN108416323A (zh) 用于识别人脸的方法和装置
CN108229485A (zh) 用于测试用户界面的方法和装置
CN108831505A (zh) 用于识别应用的使用场景的方法和装置
CN109446990A (zh) 用于生成信息的方法和装置
CN109934242A (zh) 图片识别方法和装置
CN108491825A (zh) 信息生成方法和装置
CN110443824A (zh) 用于生成信息的方法和装置
CN108960110A (zh) 用于生成信息的方法和装置
CN109241934A (zh) 用于生成信息的方法和装置
CN108509921A (zh) 用于生成信息的方法和装置
CN109285181A (zh) 用于识别图像的方法和装置
CN108427941A (zh) 用于生成人脸检测模型的方法、人脸检测方法和装置
CN109389182A (zh) 用于生成信息的方法和装置
CN109214501A (zh) 用于识别信息的方法和装置
CN108171275A (zh) 用于识别花卉的方法和装置
CN108133197A (zh) 用于生成信息的方法和装置
CN110046571A (zh) 用于识别年龄的方法和装置

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