CN110033049A - 用于生成模型、用于输出信息的方法和装置 - Google Patents
用于生成模型、用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN110033049A CN110033049A CN201910313765.3A CN201910313765A CN110033049A CN 110033049 A CN110033049 A CN 110033049A CN 201910313765 A CN201910313765 A CN 201910313765A CN 110033049 A CN110033049 A CN 110033049A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- submodel
- training
- model
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于生成模型、用于输出信息的方法和装置。该用于生成模型的方法的一具体实施方式包括:获取训练样本集;利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。从而丰富了模型的训练方式,将本公开的实施例得到的识别模型用于判断任意图像中是否包含目标物体及确定图像中目标物体的属性信息,可以提高识别速度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成模型、用于输出信息的方法和装置。
背景技术
现有技术中,确定任意图像中特定物体的属性(例如属于预定类别的概率、形状等等)的方法通常为:首先确定图像中是否包括上述特定物体;如果包括该特定物体,则进一步确定上述图像所包括的特定物体的属性。
作为示例,在确定图像中的人脸为男性的人脸还是女性的人脸这一应用场景中,首先,需要确定图像中是否包含人脸对象,如果包含,再对其进行判断分类;如果不包含,则不进行分类判断。或者,即使进行分类判断后得到了分类结果(例如表征图像中的人脸为男性的人脸或者女性的人脸的分类结果),由于图像中本不包含人脸对象,该分类结果也不具有参考意义。
发明内容
本公开提出了用于生成模型、用于输出信息的方法和装置。
第一方面,本公开的实施例提供了一种用于生成模型的方法,该方法包括:获取训练样本集,其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息;利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
在一些实施例中,属性信息用于指示以下任一项:图像包含的目标物体对象在预先确定的类别集合中的类别,或者,图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值。
在一些实施例中,正样本集所包括的正样本的数量与负样本集所包括的负样本的数量相等。
在一些实施例中,初始模型包括第一子模型、第二子模型和第三子模型,第一子模型的实际输出数据为第二子模型和第三子模型的实际输入数据,第二子模型的期望输出数据为第一期望输出数据,第三子模型的期望输出数据为第二期望输出数据;以及将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型,包括:将训练样本集包括的训练样本中的样本图像作为第一子模型的输入数据,得到第一子模型的实际输出数据,将第一子模型的实际输出数据分别作为第二子模型和第三子模型的输入数据,将与输入的样本图像对应的样本判别信息作为第二子模型的期望输出数据,将与输入的样本图像对应的样本属性信息作为第三子模型的期望输出数据,训练得到识别模型。
在一些实施例中,第二子模型和第三子模型的模型参数包括实际输入数据,第二子模型和第三子模型除实际输入数据之外,不包含其他相同的模型参数。
第二方面,本公开的实施例提供了一种用于输出信息的方法,该方法包括:获取目标图像;将目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性,其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的;输出判别信息和属性信息。
在一些实施例中,将目标图像输入至预先训练的识别模型,得到判别信息和属性信息,包括:将目标图像输入至预先训练的识别模型包括的特征提取层,得到目标图像的特征数据;基于特征数据,分别确定判别信息和属性信息。
在一些实施例中,目标物体对象为车辆,方法还包括:响应于所输出的属性信息符合预设条件,向目标控制设备发送用于禁止目标图像包含的车辆对象指示的车辆进行行驶的信号。
第三方面,本公开的实施例提供了一种用于生成模型的装置,该装置包括:第一获取单元,被配置成获取训练样本集,其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息;训练单元,被配置成利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
在一些实施例中,属性信息用于指示以下任一项:图像包含的目标物体对象在预先确定的类别集合中的类别,或者,图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值。
在一些实施例中,正样本集所包括的正样本的数量与负样本集所包括的负样本的数量相等。
在一些实施例中,初始模型包括第一子模型、第二子模型和第三子模型,第一子模型的实际输出数据为第二子模型和第三子模型的实际输入数据,第二子模型的期望输出数据为第一期望输出数据,第三子模型的期望输出数据为第二期望输出数据;以及训练单元包括:训练模块,被配置成将训练样本集包括的训练样本中的样本图像作为第一子模型的输入数据,得到第一子模型的实际输出数据,将第一子模型的实际输出数据分别作为第二子模型和第三子模型的输入数据,将与输入的样本图像对应的样本判别信息作为第二子模型的期望输出数据,将与输入的样本图像对应的样本属性信息作为第三子模型的期望输出数据,训练得到识别模型。
在一些实施例中,第二子模型和第三子模型的模型参数包括实际输入数据,第二子模型和第三子模型除实际输入数据之外,不包含其他相同的模型参数。
第四方面,本公开的实施例提供了一种用于输出信息的装置,该装置包括:第二获取单元,被配置成获取目标图像;输入单元,被配置成将目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性,其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的;输出单元,被配置成输出判别信息和属性信息。
在一些实施例中,输入单元包括:输入模块,被配置成将目标图像输入至预先训练的识别模型包括的特征提取层,得到目标图像的特征数据;确定模块,被配置成基于特征数据,分别确定判别信息和属性信息。
在一些实施例中,目标物体对象为车辆,该装置还包括:发送单元,被配置成响应于所输出的属性信息符合预设条件,向目标控制设备发送用于禁止目标图像包含的车辆对象指示的车辆进行行驶的信号。
第五方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得该一个或多个处理器实现如上述用于生成模型或者用于输出信息的方法中任一实施例的方法。
第六方面,本公开的实施例提供了一种用于输出信息的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述用于生成模型或者用于输出信息的方法中任一实施例的方法。
本公开的实施例提供的用于生成模型、用于输出信息的方法和装置,通过获取训练样本集,其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息,然后,利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型,丰富了模型的训练方式,将本公开的实施例得到的识别模型用于判断任意图像中是否包含目标物体及确定图像中目标物体的属性信息,可以提高识别速度。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成模型的方法的一个实施例的流程图;
图3是根据本公开的用于生成模型的方法的一个实施例的识别模型的结构示意图;
图4是根据本公开的用于生成模型的方法的一个应用场景的示意图;
图5是根据本公开的用于输出信息的方法的一个实施例的流程图;
图6是根据本公开的用于输出信息的方法的一个应用场景的示意图;
图7是根据本公开的用于生成模型的装置的一个实施例的结构示意图;
图8是根据本公开的用于输出信息的装置的一个实施例的结构示意图;
图9是适于用来实现本公开的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公开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,本公开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公开。
图1示出了可以应用本公开的实施例的用于生成模型的方法或用于生成模型的装置,或者,用于输出信息的方法或用于输出信息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,以接收或发送数据(例如训练样本)等。终端设备101、102、103上可以安装有各种客户端应用,例如视频播放软件、新闻资讯类应用、图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。例如,当终端设备101、102、103为硬件时,可以是具有摄像装置的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如采用终端设备101、102、103发送的训练样本进行模型训练的后台服务器。后台服务器可以采用机器学习算法,基于训练样本集训练得到识别模型。以及将训练得到的识别模型存储于本地或发送至终端设备101、102、103。作为示例,服务器105可以是云端服务器,也可以是物理服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的用于生成模型的方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,用于生成模型的装置包括的各个部分(例如各个单元、模块)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。相类似的,本公开的实施例所提供的用于输出信息的方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,用于输出信息的装置包括的各个部分(例如各个单元、模块)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
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。例如,当用于生成模型方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括用于生成模型方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2,示出了根据本公开的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法,包括以下步骤:
步骤201,获取训练样本集。
在本实施例中,用于生成模型的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取训练样本集。
其中,训练样本集包括正样本集和负样本集。训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息。
可以理解,训练样本中所包含的样本图像可以是任意图像,例如,样本图像可以是包含目标物体对象的图像,也可以是不包含目标物体对象的图像。对于一个训练样本,如果该训练样本中的样本图像包含目标物体对象,则可以称之为正样本;反之,如果该训练样本中的样本图像不包含目标物体对象,则可以称之为负样本。
在这里,目标物体对象可以是对任何物理实体进行拍摄得到的图像上所呈现的该物理实体的对象。例如,对车辆进行拍摄得到了车辆图像,那么,该车辆图像包含的目标物体对象可以为该车辆图像中的车辆。作为示例,目标物体对象可以包括但不限于以下任一项:车辆对象、人脸对象、人体对象、树木对象、房屋对象等等。示例性的,当目标物体对象为车辆对象时,样本图像可以是包含有车辆对象的图像,例如,自行车的图像、火车的图像、汽车的图像、轿车的图像、地铁的图像等等。也可以是不包含车辆的图像,例如,人脸图像、风景图像等等。可以理解,当样本图像中包含车辆对象时,该样本图像可以为对车辆进行拍摄而得到的图像;当样本图像中不包含车辆对象时,目标图像并非对车辆进行拍摄而得到的图像(例如可以是拍摄动物而得到的图像)。
样本判别信息可以是标注人员,或者具有标注功能的设备(例如上述执行主体或者与上述执行主体通信连接的电子设备)预先标注的。作为示例,可以通过样本判别信息“0”来表征“样本图像包含目标物体对象”,通过样本判别信息“1”来表征“样本图像不包含目标物体对象”;也可以通过样本判别信息“1”来表征“样本图像包含目标物体对象”,通过判别信息“0”来表征“样本图像不包含目标物体对象”。
上述目标物体对象的属性可以是目标物体对象的任何属性。作为示例,该属性可以包括但不限于以下任一项:年龄、颜色、形状、目标物体对象与预先确定的物体对象之间的相似度、目标物体对象为车辆对象的概率等等。可以理解,样本属性信息可以是标注人员,或者具有标注功能的设备(例如上述执行主体或者与上述执行主体通信连接的电子设备)预先标注的。
需要说明的是,由于负样本集中的负样本所包括的样本图像为不包含目标物体对象的图像,因而,负样本所包括的样本属性信息可以为预先确定的一个或多个字符,例如,“null”、“0”等等。应该理解的是,负样本所包括的样本属性信息应与正样本所包括的样本属性信息采用不同的字符进行标识。
步骤202,利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
在本实施例中,上述执行主体可以利用机器学习算法,将步骤201获取到的训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
其中,初始模型可以是未经训练或者经过训练但不符合预设条件的模型。作为示例,初始模型可以是卷积神经网络(Convolutional Neural Networks,CNN)。
在这里,上述与输入的样本图像对应的样本判别信息可以是与该样本图像包括于同一训练样本中的样本判别信息。上述与输入的样本图像对应的样本属性信息可以是与该样本图像包括于同一训练样本中的样本属性信息。
具体地,可以从上述训练样本集中选取训练样本,以及执行如下训练步骤:将所选取的训练样本中的样本图像作为初始模型的输入数据,输入至初始模型,得到初始模型的第一实际输出数据和第二实际输出数据,采用反向传播算法,分别基于第一实际输出数据和与输入的样本图像对应的样本判别信息(即第一期望输出数据),以及第二实际输出数据和与输入的样本图像对应的样本属性信息(即第二期望输出数据),来调整初始模型的模型参数。然后确定初始模型是否满足上述预设条件,如果满足,则将满足预设条件的初始模型确定为训练完成的识别模型。
如果不满足,则从上述训练样本集中选取未被选取过的训练样本,继续执行上述训练步骤。
其中,上述预设条件可以包括但不限于以下至少一项:训练时长超过预设时长;训练次数超过预设次数;预先设置的损失函数的函数值小于预设阈值。
可以理解,可以采用随机训练或者批量训练的训练方式,来训练识别模型,本申请实施例对此不做限定。上述训练样本集可以是用于训练的全部的训练样本的集合,也可以是批量训练中,单个批次的训练样本的集合。
在这里,上述训练样本集中的正样本集所包括的正样本的数量与上述负样本集所包括的负样本的数量可以是任意的。例如,正样本的数量与训练样本集中的总的训练样本的数量的比值可以为20%、30%、50%、88%、90%等等,相对应地,负样本的数量与训练样本集中的总的训练样本的数量的比值可以为80%、70%、50%、12%、10%。
需要说明的是,上述初始模型可以是包括用于确定判别信息的模型分支和用于确定属性信息的模型分支的模型,也可以是不具有模型分支结构,而经由同一个输出层输出判别信息和属性信息的模型。
还需要说明的是,上述第一期望输出数据和第二期望输出数据中的第一、第二仅用作区分期望输出数据,并不构成对期望输出数据的特殊限定。类似的,第一实际输出数据和第二实际输出数中的第一、第二仅用作区分实际输出数据,并不构成对实际输出数据的特殊限定。
在本实施例的一些可选的实现方式中,上述正样本集所包括的正样本的数量与上述负样本集所包括的负样本的数量相等。
可以理解,当正样本集所包括的正样本的数量与负样本集所包括的负样本的数量相等时,可以称之为正负样本平衡。由于在正负样本不平衡的情况下,训练得到的识别模型可能会对比例大的样本造成过拟合,由此将降低模型的范化能力,进而导致准确率(Accuracy)较高,但AUC(Area Under Curve)较低。在这里,AUC为ROC(receiver operatingcharacteristic curve,受试者工作特征曲线)与坐标轴围成的面积。并且,通常,AUC越大表征分类效果越好。然而,通过确保正样本的数量与负样本的数量相等,可以避免上述情况的发生。
在本实施例的一些可选的实现方式中,属性信息用于指示以下任一项:图像包含的目标物体对象在预先确定的类别集合中的类别,或者,图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值。
可以理解,实践中,可以将模型划分为如下两类:分类(classification)模型和回归(regression)模型。相应地,分类模型可以用于解决分类问题,回归模型可以用于解决回归问题。分类模型的输出数据的取值通常为离散化的,回归模型的输出数据的取值则可以为连续的。实践中,分类模型的输出数据通常是经过归一化处理(例如归一化指数运算,即,softmax)后得到的。
应该理解,当属性信息用于确定图像包含的目标物体对象在预先确定的类别集合中的类别时,步骤202训练得到的识别模型为分类模型,可以用于处理分类问题。当属性信息用于图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值时,步骤202训练得到的识别模型为回归模型,可以用于处理回归问题。
在本实施例的一些可选的实现方式中,初始模型包括第一子模型、第二子模型和第三子模型。第一子模型的实际输出数据为第二子模型和第三子模型的实际输入数据。第二子模型的期望输出数据为第一期望输出数据。第三子模型的期望输出数据为第二期望输出数据。以及上述执行主体还可以采用如下方式,来执行步骤202:
将训练样本集包括的训练样本中的样本图像作为第一子模型的输入数据,得到第一子模型的实际输出数据,将第一子模型的实际输出数据分别作为第二子模型和第三子模型的输入数据,将与输入的样本图像对应的样本判别信息作为第二子模型的期望输出数据,将与输入的样本图像对应的样本属性信息作为第三子模型的期望输出数据,训练得到识别模型。
示例性的,请参考图3。图3示出了根据本公开的一个实施例的识别模型的结构示意图。如图3所示,识别模型300包括第一子模型3001、第二子模型3002和第三子模型3003。第一子模型3001的实际输出数据为第二子模型3002和第三子模型3003的实际输入数据。第二子模型3002的期望输出数据为第一期望输出数据。第三子模型3003的期望输出数据为第二期望输出数据。上述第一子模型3001可以用于提取图像的特征数据。上述第二子模型3002可以用于表征图像的特征数据与判别信息之间的对应关系。上述第三子模型3003可以用于表征图像的特征数据与属性信息之间的对应关系。在这里,第二子模型3002和第三子模型3003可以分别以第一子模型3001输出的数据作为输入数据。由此,上述执行主体可以采用如下步骤训练得到识别模型:
将训练样本集包括的训练样本中的样本图像作为第一子模型3001的输入数据,得到第一子模型3001的实际输出数据,将第一子模型3001的实际输出数据分别作为第二子模型3002和第三子模型3003的输入数据,将与输入的样本图像对应的样本判别信息作为第二子模型3002的期望输出数据,将与输入的样本图像对应的样本属性信息作为第三子模型3003的期望输出数据,训练得到识别模型。
在这里,特征数据可以是但不限于以下至少一项特征的数据:颜色特征、纹理特征、形状特征和空间关系特征。
可以理解,采用训练得到的识别模型包括的第一子模型3003,提取到的图像的特征数据中既包含该图像对应的判别信息对应的数据,又包含有该图像对应的属性信息对应的数据。因而,第一子模型3001输出的特征数据可以用于确定图像对应的判别信息和属性信息。
需要说明的是,上述所得到的特征数据可以是任意卷积层和池化层的输出数据。作为示例,该特征数据可以是分类模型中的分类器的前级输出单元的输出数据,也可以是回归模型的任意特征提取层(例如与输出层相邻,且位于输出层之前的特征提取层)输出的输出数据。
还需要说明的是,第二子模型和第三子模型可以分别包括诸如权重、步长、输入、输出等模型参数。上述第二子模型和第三子模型所包含的共同的模型参数可以仅仅包括第一子模型输出的特征数据(即第二子模型和第三子模型的输入数据),而不包括其他共同的模型参数。可选的,二者共同的模型参数也可以包括第一子模型输出的特征数据以及其他模型参数。
在本实施例的一些可选的实现方式中,第二子模型和第三子模型的模型参数包括实际输入数据,第二子模型和第三子模型除实际输入数据之外,不包含其他相同的模型参数。
可以理解,当二者(即第二子模型和第三子模型)共同的模型参数仅仅包括第一子模型输出的特征数据时,在训练模型的过程中,由于共用的模型参数较少,因而可以相对独立地调整二者各自的模型参数,从而减少彼此间的影响,进而提高所得结果的准确性。
此外仍需要说明的是,当上述识别模型为分类模型时,上述第二子模型可以用于计算特征向量的1范数,进而通过比较计算结果与目标阈值的大小关系,来确定图像中是否包含目标物体对象。上述第三子模型可以用于对上述特征向量进行归一化指数运算,得到与上述特征向量所包括的元素对应的运算结果,进而确定所得到的各个运算结果中最大的运算结果对应的类别作为图像中车辆对象的类别。可以理解,在上述识别模型为分类模型的情况下,目标物体对象的属性可以理解为目标物体对象的类别。
其中,上述目标阈值可以是预先确定的数值,也可以是在对识别模型进行训练的过程中所得到的参数值。
作为示例,当上述计算结果大于等于上述目标阈值时,可以确定判别信息表征“目标图像中包含车辆对象”,当上述计算结果小于上述目标阈值时,可以确定判别信息为“目标图像中不包含车辆对象”。
在本实施例的一些可选的实现方式中,上述目标阈值是上述识别模型的模型参数的参数值。
在这里,当上述识别模型为分类模型时,特征向量中还可以包含对应除类别集合中的类别之外的其他类别的元素,例如,上述其他类别可以用于指示“不确定类”。可以理解,当所得到的类别信息指示“不确定类”时,可以表征图像中的目标物体对象的类别不属于上述类别集合中的任一类别。具体地,可以表征在确定类别集合时,未将该图像中的目标物体对象的类别纳入其中,或者,也可以表征图像中不包含目标物体对象等等。
类似的,当上述识别模型为回归模型时,上述第二子模型可以用于计算特征向量的1范数,进而通过比较计算结果与目标阈值的大小关系,来确定图像中是否包含目标物体对象。上述第三子模型可以为全连接层,用于输出图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值。
需要说明的是,所属领域的技术人员应当理解,在训练识别模型的过程中,并非所有的训练样本对损失函数中的各项均有贡献。例如,对于负样本而言,由于其中的样本图像不包含目标物体对象,因而,负样本对第二子模型的损失函数(例如交叉熵损失函数)是没有贡献或者贡献很小的(因为它们前面的系数是0或者是很小的值,即使去掉对模型也没有什么影响)。
继续参见图4,图4是根据本实施例的用于生成模型的方法的应用场景的一个示意图。在图4的应用场景中,服务器401首先获取训练样本集4001。其中,训练样本集4001包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息。然后,服务器401利用机器学习算法,将训练样本集4001包括的训练样本中的样本图像作为初始模型4002的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型4002的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型4002的第二期望输出数据,训练得到识别模型4003。
现有技术中,确定任意图像中特定物体的属性的方式通常为:首先确定图像中是否包括上述特定物体;如果包括该特定物体,则进一步确定上述图像所包括的特定物体的属性。
本公开的上述实施例提供的方法,通过获取训练样本集,其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息,然后,利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型,可以通过训练得到的一个模型,来确定任意图像(可以是包含目标物体对象的图像,也可以是不包含目标物体对象的图像)中是否包含目标物体对象,及所包含的目标物体对象的属性信息。相对于现有技术中,首先采用模型确定图像中是否包含目标物体对象,然后,再通过另一个模型来确定包含目标物体对象的图像中目标物体对象的属性信息时所使用的模型,本公开的上述实施例训练得到了一个新的模型,提出了一种新的判断任意图像中是否包含目标物体对象及目标物体对象的属性的方案,丰富了图像识别的方式,并且,本公开的实施例所采用的一个模型的方案,相对于采用两个模型的方案,在确保模型输出信息的准确度的前提下,提高了模型的训练速度和识别速度,简化了采用模型进行识别的过程中的识别步骤,降低了模型训练及使用过程中CPU消耗的计算资源。
进一步参考图5,其示出了用于输出信息的方法的一个实施例的流程500。该用于输出信息的方法的流程500,包括以下步骤:
步骤501,获取目标图像。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取目标图像。
其中,上述目标图像可以是任意图像,例如,待确定其中是否包含目标物体对象的图像。作为示例,该目标图像可以是包含有目标物体对象的图像,例如,对目标物体进行拍摄得到的图像。也可以是不包含目标物体对象的图像,例如,对除上述目标物体之外的其他物体进行拍摄得到的图像。
上述目标物体对象可以是对任何物理实体进行拍摄得到的图像上所呈现的该物理实体的对象。例如,对车辆进行拍摄得到了车辆图像,那么,该车辆图像包含的目标物体对象可以为该车辆图像中的车辆。作为示例,目标物体对象可以包括但不限于以下任一项:车辆对象、人脸对象、人体对象、树木对象、房屋对象等等。示例性的,当目标物体对象为车辆对象时,目标图像可以是包含有车辆对象的图像,例如,自行车的图像、火车的图像、汽车的图像、轿车的图像、地铁的图像等等。也可以是不包含车辆的图像,例如,人脸图像、风景图像等等。可以理解,当目标图像中包含车辆对象时,该目标图像可以为对车辆进行拍摄而得到的图像;当目标图像中不包含车辆对象时,目标图像并非对车辆进行拍摄而得到的图像(例如可以是拍摄动物而得到的图像)。
步骤502,将目标图像输入至预先训练的识别模型,得到判别信息和属性信息。
在本实施例中,上述执行主体可以将步骤501获取到的目标图像输入至预先训练的识别模型,得到判别信息和属性信息。
其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性。其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的。可以理解,识别模型可以用于确定目标图像的判别信息和属性信息。
上述目标物体对象的属性可以是目标物体对象的任何属性。作为示例,该属性可以包括但不限于以下任一项:年龄、颜色、形状、目标物体对象与预先确定的物体对象之间的相似度、目标物体对象为车辆对象的概率等等。
步骤503,输出判别信息和属性信息。
在本实施例中,上述执行主体可以输出上述步骤502中所得到的判别信息和属性信息。
可以理解,上述执行主体可以采用呈现文字、图像,或者播放音频的方式,来输出上述判别信息和上述属性信息,也可以向与上述执行主体通信连接的电子设备发送上述判别信息和属性信息,以输出判别信息和属性信息。
在本实施例的一些可选的实现方式中,上述步骤502可以包括如下子步骤:
子步骤一,将目标图像输入至预先训练的识别模型包括的特征提取层,得到目标图像的特征数据。
其中,上述特征提取层可以是图2对应的实施例中所描述的第一子模型,也可以是用于提取所输入的图像的特征数据任意一个或多个卷积层和池化层。在这里,图像的特征数据可以是但不限于以下至少一项特征的数据:颜色特征、纹理特征、形状特征和空间关系特征。
可以理解,特征数据可以采用多种形式来表征。例如,向量、矩阵等等。
实践中,识别模型可以包括多个卷积池化层,这里,每个卷积池化层包括卷积层和池化层。上述特征提取层可以包括一个或多个卷积池化层。
子步骤二,基于特征数据,分别确定判别信息和属性信息。
作为示例,上述执行主体可以将特征数据输入至上述识别模型包括的用于确定判别信息的模型分支(例如图2对应的实施例中所描述的第二子模型),得到判别信息,以及将特征数据输入至上述识别模型包括的用于确定属性信息的模型分支(例如图2对应的实施例中所描述的第三子模型),得到属性信息。
可以理解,上述用于确定判别信息的模型分支可以用于表征图像的特征数据与判别信息之间的对应关系。上述用于确定属性信息的模型分支可以用于表征图像的特征数据与属性信息之间的对应关系。
在本实施例的一些可选的实现方式中,当上述识别模型为分类模型,并且,上述特征数据为通过向量形式表征的特征向量时,上述执行主体还可以采用如下方式,来基于上述特征数据分别确定判别信息和属性信息:
第一步,计算上述特征向量的1范数,得到计算结果。
可以理解,上述特征向量包含的各个元素为数值,由此,上述执行主体可以计算上述特征向量的1范数,即特征向量包含的各个元素的绝对值之和。
第二步,基于上述计算结果与目标阈值之间的大小关系,确定判别信息。
其中,上述目标阈值可以是预先确定的数值,也可以是在对识别模型进行训练的过程中所得到的参数值。
作为示例,当上述计算结果大于等于上述目标阈值时,可以确定判别信息为“目标图像中包含车辆对象”,当上述计算结果小于上述目标阈值时,可以确定判别信息为“目标图像中不包含车辆对象”。
在本实施例的一些可选的实现方式中,上述目标阈值是上述识别模型的模型参数的参数值。
第三步,对上述特征向量进行归一化指数运算(softmax),得到与上述特征向量所包括的元素对应的运算结果。
可以理解,对上述特征向量进行归一化指数运算之后,所得到的每个运算结果可以用于指示目标图像包含的车辆对象属于预先确定的类别集合中的一个类别的概率,由此,在得到与特征向量所包括的各个元素对应的运算结果之后,可以得到目标图像包含的车辆对象属于类别集合中的各个类别的概率。
第四步,从上述类别集合中,确定所得到的各个运算结果中最大的运算结果对应的类别的类别信息作为上述子步骤二所确定出的属性信息。
可以理解,上述运算结果即为概率,最大的运算结果,即最大的概率。因此,各个运算结果中最大的运算结果对应的类别通常即为:上述类别集合中,目标图像包含的目标物体对象所属的类别。
在本实施例的一些可选的实现方式中,当上述识别模型为回归模型,并且,上述特征数据为通过向量形式表征的特征向量时,上述执行主体还可以采用如下方式,来基于上述特征数据分别确定判别信息和属性信息:
第一步,计算上述特征向量的1范数,得到计算结果。
可以理解,上述特征向量包含的各个元素为数值,由此,上述执行主体可以计算上述特征向量的1范数,即特征向量包含的各个元素的绝对值之和。
第二步,基于上述计算结果与目标阈值之间的大小关系,确定判别信息。
第三步,将上述特征向量输入至上述识别模型包括的全连接层,得到属性信息。
应该理解,当属性信息用于确定图像包含的目标物体对象在预先确定的类别集合中的类别时,上述识别模型为分类模型,可以用于处理分类问题。当属性信息用于图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值时,上述识别模型为回归模型,可以用于处理回归问题。
在本实施例的一些可选的实现方式中,目标物体对象为车辆。由此,在所输出的属性信息符合预设条件的情况下,上述执行主体还可以向目标控制设备发送用于禁止目标图像包含的车辆对象指示的车辆进行行驶的信号。
其中,上述预设条件可以是预先设置的各种条件。例如,当属性信息为类别信息时,预设条件可以是“属性信息指示车辆处于违章逃逸状态”。目标控制设备可以是用于控制车辆对象指示的车辆的设备,例如,车辆拦截装置、车辆起步阻止装置等。由此,在所输出的属性信息指示车辆处于违章逃逸状态的情况下,上述执行主体还可以向目标控制设备发送用于禁止上述目标图像包含的车辆对象指示的车辆进行行驶的信号,从而阻止处于违章逃逸状态车辆行驶,以便相关管理人员对处于违章逃逸状态车辆及其驾驶者进行管理。
可以理解,上述执行主体可以通过对车辆的车牌进行识别,从而通过判断该车牌是否属于预先确定的处于违章逃逸状态的车牌集合,来确定属性信息指示车辆是否处于违章逃逸状态。
下面请参考图6,图6是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图6的应用场景中,服务器601首先从终端设备602获取目标图像6001,然后,服务器601将上述目标图像6001输入至预先训练的识别模型6002,得到判别信息和属性信息6003。其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的。图示中,判别信息用于指示目标图像6001包含车辆对象,属性信息用于指示目标图像6001所包含的车辆对象在预先确定的类别集合中的类别(例如当图示中的“属性信息:3”指示目标图像6001所包含的车辆对象所属的类别,为类别集合(这里为类别序列)中的第三个类别,类别集合为“正前方、正后方、斜侧方、正侧方”时,图示中的属性信息可以用于指示目标图像6001所包含的车辆对象的类别为“斜侧方”),最后,服务器601向终端设备602发送判别信息和属性信息6003,以输出上述判别信息和属性信息。
现有技术中,确定任意图像中特定物体的属性的方法通常为:首先确定图像中是否包括上述特定物体;如果包括该特定物体,则进一步确定上述图像所包括的特定物体的属性。
本公开的上述实施例提供的方法,通过获取目标图像,然后,将目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性,其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的,最后,输出判别信息和属性信息,实现了对图像中的目标物体的识别,可以通过一个模型,来确定任意图像(可以是包含目标物体对象的图像,也可以是不包含目标物体对象的图像)中是否包含目标物体对象,及所包含的目标物体对象的属性。相对于现有技术中,首先采用模型确定图像中是否包含目标物体对象,然后,再通过另一个模型来确定包含目标物体对象的图像中目标物体对象的属性的技术方案,本公开的上述实施例提出了一种新的判断任意图像中是否包含目标物体对象及目标物体对象的属性的方案,丰富了图像识别的方式,并且,本公开的实施例所采用的一个模型的方案,相对于采用两个模型的方案,在确保所得到的判别信息和属性信息的准确度的前提下,提高了模型的训练速度和识别速度,简化了识别步骤,降低了模型使用过程中CPU消耗的计算资源。
进一步参考图7,作为对上述用于生成模型的方法的实现,本公开提供了一种用于生成模型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,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征,以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的用于生成模型的装置700包括:第一获取单元701和训练单元702。其中,第一获取单元701,被配置成获取训练样本集,其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息;训练单元702,被配置成利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
在本实施例中,用于生成模型的装置700的第一获取单元701可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取训练样本集。其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息。
在本实施例中,上述训练单元702可以利用机器学习算法,将第一获取单元701获取到的训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
其中,初始模型可以是未经训练或者经过训练但不符合预设条件的模型。作为示例,初始模型可以是卷积神经网络(Convolutional Neural Networks,CNN)。
在本实施例的一些可选的实现方式中,属性信息用于指示以下任一项:图像包含的目标物体对象在预先确定的类别集合中的类别,或者,图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值。
在本实施例的一些可选的实现方式中,正样本集所包括的正样本的数量与负样本集所包括的负样本的数量相等。
在本实施例的一些可选的实现方式中,初始模型由第一子模型、第二子模型和第三子模型组成,第一子模型的实际输出数据为第二子模型和第三子模型的实际输入数据,第二子模型的期望输出数据为第一期望输出数据,第三子模型的期望输出数据为第二期望输出数据。以及训练单元702包括:训练模块(图中未示出)被配置成将训练样本集包括的训练样本中的样本图像作为第一子模型的输入数据,得到第一子模型的实际输出数据,将第一子模型的实际输出数据分别作为第二子模型和第三子模型的输入数据,将与输入的样本图像对应的样本判别信息作为第二子模型的期望输出数据,将与输入的样本图像对应的样本属性信息作为第三子模型的期望输出数据,训练得到识别模型。
在本实施例的一些可选的实现方式中,第二子模型和第三子模型的模型参数包括实际输入数据,第二子模型和第三子模型除实际输入数据之外,不包含其他相同的模型参数。
本公开的上述实施例提供的装置,通过第一获取单元701获取训练样本集,其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息,然后,训练单元702利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型,可以通过训练得到的一个模型,来确定任意图像(可以是包含目标物体对象的图像,也可以是不包含目标物体对象的图像)中是否包含目标物体对象,及所包含的目标物体对象的属性信息。相对于现有技术中,首先采用模型确定图像中是否包含目标物体对象,然后,再通过另一个模型来确定包含目标物体对象的图像中目标物体对象的属性信息时所使用的模型,本公开的上述实施例训练得到了一个新的模型,提出了一种新的判断任意图像中是否包含目标物体对象及目标物体对象的属性的方案,丰富了图像识别的方式,并且,本公开的实施例所采用的一个模型的方案,相对于采用两个模型的方案,在确保模型输出信息的准确度的前提下,提高了模型的训练速度和识别速度,简化了采用模型进行识别的过程中的识别步骤,降低了模型训练及使用过程中CPU消耗的计算资源。
进一步参考图8,作为对上述用于输出信息的方法的实现,本公开提供了一种用于输出信息的装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图5所示的方法实施例相同或相应的特征,以及产生与图5所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的用于输出信息的装置800包括:第二获取单元801,被配置成获取目标图像;输入单元802,被配置成将目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性,其中,识别模型是通过如权利要求1-5之一的方法训练得到的;输出单元803,被配置成输出判别信息和属性信
在本实施例中,用于输出信息的装置800的第二获取单元801可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取目标图像。
其中,上述目标图像可以是任意图像,例如,待确定其中是否包含目标物体对象的图像。作为示例,该目标图像可以是包含有目标物体对象的图像,例如,对目标物体进行拍摄得到的图像。也可以是不包含目标物体对象的图像,例如,对除上述目标物体之外的其他物体进行拍摄得到的图像。
在本实施例中,上述输入单元802可以将第二获取单元801获取到的目标图像输入至预先训练的识别模型,得到判别信息和属性信息。其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性。其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的。可以理解,识别模型可以用于确定目标图像的判别信息和属性信息。上述目标物体对象的属性可以是目标物体对象的任何属性。
在本实施例中,上述输出单元803可以输出上述输入单元802所得到的判别信息和属性信息。
在本实施例的一些可选的实现方式中,输入单元802包括:输入模块(图中未示出)被配置成将目标图像输入至预先训练的识别模型包括的特征提取层,得到目标图像的特征数据;确定模块(图中未示出)被配置成基于特征数据,分别确定判别信息和属性信息。
在本实施例的一些可选的实现方式中,目标物体对象为车辆,装置800还包括:发送单元(图中未示出)被配置成响应于所输出的属性信息符合预设条件,向目标控制设备发送用于禁止目标图像包含的车辆对象指示的车辆进行行驶的信号。
本公开的上述实施例提供的装置,通过第一获取单元801获取目标图像,然后,输入单元802将目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性,其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的,最后,输出单元803输出判别信息和属性信息,实现了对图像中的目标物体的识别,可以通过一个模型,来确定任意图像(可以是包含目标物体对象的图像,也可以是不包含目标物体对象的图像)中是否包含目标物体对象,及所包含的目标物体对象的属性。相对于现有技术中,首先采用模型确定图像中是否包含目标物体对象,然后,再通过另一个模型来确定包含目标物体对象的图像中目标物体对象的属性的技术方案,本公开的上述实施例提出了一种新的判断任意图像中是否包含目标物体对象及目标物体对象的属性的方案,丰富了图像识别的方式,并且,本公开的实施例所采用的一个模型的方案,相对于采用两个模型的方案,在确保所得到的判别信息和属性信息的准确度的前提下,提高了模型的训练速度和识别速度,简化了识别步骤,降低了模型使用过程中CPU消耗的计算资源。
下面参考图9,其示出了适于用来实现本公开的用于生成模型的方法的实施例和用于输出信息的方法的实施例的电子设备(例如图1中的服务器或终端设备)900的结构示意图。本公开的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9示出的终端设备/服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905: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906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900,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。图9中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例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。在本公开的实施例中,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。而在本公开的实施例中,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。
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:获取训练样本集,其中,训练样本集包括正样本集和负样本集,训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息;利用机器学习算法,将训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。或者,使得该电子设备:获取目标图像;将目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,判别信息用于指示目标图像是否包含目标物体对象,属性信息用于指示目标图像包含的目标物体对象的属性,其中,识别模型是通过如上述用于生成模型的方法中任一实施例的方法训练得到的;输出判别信息和属性信息。
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实施例的操作的计算机程序代码,所述程序设计语言包括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。
描述于本公开的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:一种处理器包括第一获取单元和训练单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取训练样本集的单元”。
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。
Claims (18)
1.一种用于生成模型的方法,包括:
获取训练样本集,其中,所述训练样本集包括正样本集和负样本集,所述训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息;
利用机器学习算法,将所述训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
2.根据权利要求1所述的方法,其中,属性信息用于指示以下任一项:
图像包含的目标物体对象在预先确定的类别集合中的类别;或者
图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值。
3.根据权利要求1所述的方法,其中,所述正样本集所包括的正样本的数量与所述负样本集所包括的负样本的数量相等。
4.根据权利要求1-3之一所述的方法,其中,初始模型包括第一子模型、第二子模型和第三子模型,所述第一子模型的实际输出数据为所述第二子模型和所述第三子模型的实际输入数据,第二子模型的期望输出数据为第一期望输出数据,第三子模型的期望输出数据为第二期望输出数据;以及
所述将所述训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型,包括:
将所述训练样本集包括的训练样本中的样本图像作为第一子模型的输入数据,得到第一子模型的实际输出数据,将第一子模型的实际输出数据分别作为第二子模型和第三子模型的输入数据,将与输入的样本图像对应的样本判别信息作为第二子模型的期望输出数据,将与输入的样本图像对应的样本属性信息作为第三子模型的期望输出数据,训练得到识别模型。
5.根据权利要求4所述的方法,其中,第二子模型和第三子模型的模型参数包括实际输入数据,第二子模型和第三子模型除实际输入数据之外,不包含其他相同的模型参数。
6.一种用于输出信息的方法,包括:
获取目标图像;
将所述目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,所述判别信息用于指示所述目标图像是否包含目标物体对象,所述属性信息用于指示所述目标图像包含的目标物体对象的属性,其中,所述识别模型是通过如权利要求1-5之一所述的方法训练得到的;
输出所述判别信息和所述属性信息。
7.根据权利要求6所述的方法,其中,所述将所述目标图像输入至预先训练的识别模型,得到判别信息和属性信息,包括:
将所述目标图像输入至预先训练的识别模型包括的特征提取层,得到所述目标图像的特征数据;
基于所述特征数据,分别确定判别信息和属性信息。
8.根据权利要求6或7所述的方法,其中,所述目标物体对象为车辆,所述方法还包括:
响应于所输出的属性信息符合预设条件,向目标控制设备发送用于禁止所述目标图像包含的车辆对象指示的车辆进行行驶的信号。
9.一种用于生成模型的装置,包括:
第一获取单元,被配置成获取训练样本集,其中,所述训练样本集包括正样本集和负样本集,所述训练样本集中的训练样本包括样本图像、用于指示样本图像是否包含目标物体对象的样本判别信息和用于指示样本图像包含的目标物体对象的属性的样本属性信息;
训练单元,被配置成利用机器学习算法,将所述训练样本集包括的训练样本中的样本图像作为初始模型的输入数据,将与输入的样本图像对应的样本判别信息作为初始模型的第一期望输出数据,将与输入的样本图像对应的样本属性信息作为初始模型的第二期望输出数据,训练得到识别模型。
10.根据权利要求9所述的装置,其中,属性信息用于指示以下任一项:
图像包含的目标物体对象在预先确定的类别集合中的类别;或者
图像包含的目标物体对象在预先确定的连续的数值范围中对应的取值。
11.根据权利要求9所述的装置,其中,所述正样本集所包括的正样本的数量与所述负样本集所包括的负样本的数量相等。
12.根据权利要求8-11之一所述的装置,其中,初始模型包括第一子模型、第二子模型和第三子模型,所述第一子模型的实际输出数据为所述第二子模型和所述第三子模型的实际输入数据,第二子模型的期望输出数据为第一期望输出数据,第三子模型的期望输出数据为第二期望输出数据;以及
所述训练单元包括:
训练模块,被配置成将所述训练样本集包括的训练样本中的样本图像作为第一子模型的输入数据,得到第一子模型的实际输出数据,将第一子模型的实际输出数据分别作为第二子模型和第三子模型的输入数据,将与输入的样本图像对应的样本判别信息作为第二子模型的期望输出数据,将与输入的样本图像对应的样本属性信息作为第三子模型的期望输出数据,训练得到识别模型。
13.根据权利要求12所述的装置,其中,第二子模型和第三子模型的模型参数包括实际输入数据,第二子模型和第三子模型除实际输入数据之外,不包含其他相同的模型参数。
14.一种用于输出信息的装置,包括:
第二获取单元,被配置成获取目标图像;
输入单元,被配置成将所述目标图像输入至预先训练的识别模型,得到判别信息和属性信息,其中,所述判别信息用于指示所述目标图像是否包含目标物体对象,所述属性信息用于指示所述目标图像包含的目标物体对象的属性,其中,所述识别模型是通过如权利要求1-5之一所述的方法训练得到的;
输出单元,被配置成输出所述判别信息和所述属性信息。
15.根据权利要求14所述的装置,其中,所述输入单元包括:
输入模块,被配置成将所述目标图像输入至预先训练的识别模型包括的特征提取层,得到所述目标图像的特征数据;
确定模块,被配置成基于所述特征数据,分别确定判别信息和属性信息。
16.根据权利要求14或15所述的装置,其中,所述目标物体对象为车辆,所述装置还包括:
发送单元,被配置成响应于所输出的属性信息符合预设条件,向目标控制设备发送用于禁止所述目标图像包含的车辆对象指示的车辆进行行驶的信号。
17.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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。
18.一种计算机可读介质,其上存储有计算机程序,其中,所述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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313765.3A CN110033049A (zh) | 2019-04-18 | 2019-04-18 | 用于生成模型、用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910313765.3A CN110033049A (zh) | 2019-04-18 | 2019-04-18 | 用于生成模型、用于输出信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110033049A true CN110033049A (zh) | 2019-07-19 |
Family
ID=67239106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910313765.3A Pending CN110033049A (zh) | 2019-04-18 | 2019-04-18 | 用于生成模型、用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033049A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175973A (zh) * | 2019-12-31 | 2020-05-19 | Oppo广东移动通信有限公司 | 头箍调节方法及调节装置、计算机存储介质及头戴式设备 |
CN112258622A (zh) * | 2020-10-26 | 2021-01-22 | 北京字跳网络技术有限公司 | 图像处理方法、装置、可读介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
CN108898185A (zh) * | 2018-07-03 | 2018-11-27 | 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 |
-
2019
- 2019-04-18 CN CN201910313765.3A patent/CN110033049A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
CN108898185A (zh) * | 2018-07-03 | 2018-11-27 | 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 |
Non-Patent Citations (3)
Title |
---|
ROSS GIRSHICK 等: "Fast R-CNN", 《ARXIV》 * |
ROSS GIRSHICK 等: "Rich feature hierarchies for accurate object detection and semantic segmentation", 《ARXIV》 * |
SHAOQING REN 等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ARXIV》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175973A (zh) * | 2019-12-31 | 2020-05-19 | Oppo广东移动通信有限公司 | 头箍调节方法及调节装置、计算机存储介质及头戴式设备 |
CN112258622A (zh) * | 2020-10-26 | 2021-01-22 | 北京字跳网络技术有限公司 | 图像处理方法、装置、可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578017A (zh) | 用于生成图像的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109325541A (zh) | 用于训练模型的方法和装置 | |
CN108520220A (zh) | 模型生成方法和装置 | |
CN111476871B (zh) | 用于生成视频的方法和装置 | |
CN108446387A (zh) | 用于更新人脸注册库的方法和装置 | |
CN108229419A (zh) | 用于聚类图像的方法和装置 | |
CN108427939A (zh) | 模型生成方法和装置 | |
CN109101602A (zh) | 图像检索模型训练方法、图像检索方法、设备及存储介质 | |
CN109492160A (zh) | 用于推送信息的方法和装置 | |
CN109872242A (zh) | 信息推送方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN107609506A (zh) | 用于生成图像的方法和装置 | |
CN107992478A (zh) | 确定热点事件的方法和装置 | |
CN108121800A (zh) | 基于人工智能的信息生成方法和装置 | |
CN108345387A (zh) | 用于输出信息的方法和装置 | |
CN110188719A (zh) | 目标跟踪方法和装置 | |
CN111667275B (zh) | 用户身份识别方法、装置、设备及其介质 | |
CN109800730A (zh) | 用于生成头像生成模型的方法和装置 | |
CN108363999A (zh) | 基于人脸识别的操作执行方法和装置 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
CN113516227B (zh) | 一种基于联邦学习的神经网络训练方法及设备 | |
CN111046757B (zh) | 人脸画像生成模型的训练方法、装置及相关设备 | |
CN109934191A (zh) | 信息处理方法和装置 | |
CN112668482B (zh) | 人脸识别训练方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |
|
RJ01 | Rejection of invention patent application after publication |