CN110414572B - 一种图像识别的方法及装置 - Google Patents
一种图像识别的方法及装置 Download PDFInfo
- Publication number
- CN110414572B CN110414572B CN201910612161.9A CN201910612161A CN110414572B CN 110414572 B CN110414572 B CN 110414572B CN 201910612161 A CN201910612161 A CN 201910612161A CN 110414572 B CN110414572 B CN 110414572B
- Authority
- CN
- China
- Prior art keywords
- image
- preset category
- recognized
- image recognition
- recognition 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.)
- Active
Links
Images
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
- G06F18/22—Matching criteria, e.g. proximity measures
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
本申请公开了一种图像识别的方法及装置,在该方法中将待识别图像输入到预设的图像识别模型中,得到该待识别图像属于各预设类别的概率,针对每个预设类别,可以根据预选确定出的该图像识别模型识别该预设类别的图像的准确率,计算该待识别图像属于该预设类别的补偿概率,根据该待识别图像属于各预设类别的补偿概率,对该待识别图像进行识别。由于可以通过预先确定出的该图像识别模型识别各预设类别的图像的准确率,对该待识别图像属于各预设类别的概率进行补偿,因此,降低了该待识别图像不属于的预设类别在该待识别图像的图像识别过程中所产生的影响,从而提高了图像识别的准确率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种图像识别的方法及装置。
背景技术
目前,图像识别技术作为人工智能的一个重要领域,已在目标识别、商品推荐、无人驾驶等诸多场景中得到了广泛的应用。
在现有技术中,通常采用图像识别模型实现图像识别,通常情况下,当采集到待识别图像后,需要将待识别图像输入到图像识别模型中,从而得到该待识别图像的识别结果,即,识别出该待识别图像属于哪一类别。
发明内容
本申请实施例提供一种图像识别的方法及装置,以部分的解决现有技术存在的上述问题。
本申请采用下述技术方案:
本申请提供了一种图像识别的方法,包括:
将待识别图像输入到预设的图像识别模型中,得到所述待识别图像属于各预设类别的概率;
针对每个预设类别,根据预先确定出的所述图像识别模型识别该预设类别的图像的准确率,计算所述待识别图像属于该预设类别的补偿概率;
根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别。
可选地,计算所述待识别图像属于该预设类别的补偿概率,具体包括:
将预先确定出的所述图像识别模型识别该预设类别的图像的准确率,与所述待识别图像属于该预设类别的概率进行相乘,得到所述待识别图像属于该预设类别的补偿概率。
可选地,根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别,具体包括:
根据所述待识别图像属于各预设类别的补偿概率,确定所述待识别图像对应的待匹配特征向量;
将所述待匹配特征向量与预先确定出的各预设类别的标准特征向量进行匹配,并根据得到的匹配结果,对所述待识别图像进行图像识别。
可选地,根据所述待识别图像属于各预设类别的补偿概率,确定所述待识别图像对应的待匹配特征向量,具体包括:
按照所述待识别图像属于各预设类别的补偿概率从大到小的顺序,将各补偿概率依次进行累加,直至累加的和值超过设定阈值为止;
确定未进行累加的补偿概率;
将所述未进行累加的补偿概率置为指定数值;
根据已进行累加的各补偿概率和置为指定数值的未进行累加的各补偿概率,确定所述待识别图像对应的待匹配特征向量。
可选地,针对每个预设类别,预先确定出所述图像识别模型识别该预设类别的图像的准确率,具体包括:
确定标准图像;
根据所述图像识别模型从所述标准图像中识别出的属于该预设类别的标准图像的数量,以及所述标准图像中预先标注为该预设类别的标准图像的数量,确定所述图像识别模型识别该预设类别的图像的实际准确率;
根据所述图像识别模型识别该预设类别的图像的实际准确率,以及所述图像识别模型识别其他预设类别的图像的实际准确率,确定所述图像识别模型识别该预设类别的图像的准确率。
可选地,根据所述图像识别模型识别该预设类别的图像的实际准确率,以及所述图像识别模型识别其他预设类别的图像的实际准确率,确定所述图像识别模型识别该预设类别的图像的准确率,具体包括:
将所述图像识别模型识别该预设类别的图像的实际准确率,与所述图像识别模型识别其他预设类别的图像的实际准确率进行归一化,确定所述图像识别模型识别该预设类别的图像的准确率。
可选地,预先确定各预设类别的标准特征向量,具体包括:
确定标准图像;
针对每个标准图像,将该标准图像输入到所述图像识别模型中,得到该标准图像属于各预设类别的概率;
针对每个预设类别,根据确定出的所述图像识别模型识别该预设类别的图像的准确率,计算该标准图像属于该预设类别的补偿概率;
根据该标准图像属于各预设类别的补偿概率,确定该标准图像所属的预设类别所对应的标准特征向量。
本申请提供了一种图像识别的装置,包括:
输入模块,用于将待识别图像输入到预设的图像识别模型中,得到所述待识别图像属于各预设类别的概率;
补偿模块,用于针对每个预设类别,根据预先确定出的所述图像识别模型识别该预设类别的图像的准确率,计算所述待识别图像属于该预设类别的补偿概率;
识别模块,用于根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别。
本申请提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像识别的方法。
本申请提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图像识别的方法。
本申请采用的上述至少一个技术方案能够达到以下有益效果:
从上述方法中可以看出,可以将待识别图像输入到预设的图像识别模型中,得到该待识别图像属于各预设类别的概率,针对每个预设类别,可以根据预选确定出的该图像识别模型识别该预设类别的图像的准确率,计算该待识别图像属于该预设类别的补偿概率,根据该待识别图像属于各预设类别的补偿概率,对该待识别图像进行识别。
由于可以通过预先确定出的该图像识别模型识别各预设类别的图像的准确率,对该待识别图像属于各预设类别的概率进行补偿,因此,降低了该待识别图像不属于的预设类别在该待识别图像的图像识别过程中所产生的影响,从而提高了图像识别的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种图像识别的方法的流程示意图;
图2为本申请提供的一种图像识别的装置示意图;
图3为本申请提供的对应于图1的电子设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在实际应用中,通常采用图像识别模型,对获取到的待识别图像进行图像识别。然而,实际采集到的待识别图像中包含有大量的噪声数据,将对图像识别模型的图像识别造成影响。例如,假设待识别图像中包含有多个目标物A,同时还包含有少量的目标物B,若需要对待识别图像中的目标物A进行图像识别,则待识别图像中的目标物B将会成为噪声数据,对图像识别模型识别待识别图像中的目标物A造成干扰。
除此之外,由于在训练过程中,不同类别的训练样本的数量有所不同,若是一些类别的训练样本过少,则可能导致训练出的图像识别模型对这些类别的图像的识别能力较弱,从而降低了图像识别模型的图像识别的准确率。
为了有效的解决上述问题,本申请提供了一种图像识别的方法,该方法可以通过预先确定出的图像识别模型识别各预设类别的图像的准确率,对图像识别模型输出的待识别图像属于各预设类别的概率进行补偿,有效的降低了待识别图像不属于的预设类别在该待识别图像的图像识别过程中所带来的不利影响,从而提高了图像识别的准确率。下面将对本申请提供的图像识别的方法进行详细说明。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请实施例中一种图像识别的方法的流程示意图,具体包括以下步骤:
S101:将待识别图像输入到预设的图像识别模型中,得到所述待识别图像属于各预设类别的概率。
在实际应用中,需要根据实际需求进行图像识别时,可以获取到待识别图像,进而在后续过程中,完成对该待识别图像的图像识别。在本申请实施例中,获取待识别图像以及对该待识别图像进行图像识别的执行主体可以是服务器,也可以是诸如电脑、图像识别器等终端设备。
在不同的应用场景中,可以采用不同的执行主体来完成图像识别的工作,例如,在无人车的场景中,该执行主体可以是无人车的车载电脑,该车载电脑可以通过无人车上设置的摄像头获取到待识别图像;再例如,在商品推荐的场景中,用户可以使用诸如手机、平板电脑等移动终端设备采集指定商品的图像作为待识别图像,并发送给服务器,服务器可以获取到该待识别图像,并在后续过程中,通过对该待识别图像进行图像识别所得到的识别结果,向用户进行商品推荐,其中,服务器即为执行图像识别的执行主体。而为了便于后续描述,下面将仅以电脑、图像识别器等终端设备为执行主体,对本申请提供的图像识别的方法进行说明。
在获取到待识别图像后,可以将该待识别图像输入到预设的图像识别模型中,通过该图像识别模型,可以得到该待识别图像属于各预设类别的概率。例如,假设,将待识别图像输入到图像识别模型,输出的结果为:{0.1,0.3,0.5,0.2,0.8,0.6},该结果中的6个概率分别对应6个不同的预设类别,也就是说,该图像识别模型输出了该待识别图像属于这6个预设类别的概率。
在现有技术中,终端设备可以根据图像识别模型输出的识别结果,直接完成对待识别图像的图像识别工作。继续沿用上例,从上述结果可以看出,第5个预设类别的概率最高,则可以确定待识别图像属于第5个预设类别。
然而在实际的模型训练过程中,人工选取的训练样本可能会存在一部分不适于训练的错误样本,这些错误样本可能会导致图像识别模型学习到错误的模型参数,致使训练后的图像识别模型在后续的图像识别中,可能无法保证对一些个预设类别的图像进行识别的准确率。
与此同时,由于图像识别模型对这些个预设类别的图像识别的准确率较低,导致对于任意待识别图像来说,该图像识别模型针对该待识别图像输出的识别结果中这些个预设类别的概率的准确性、合理性将无法得到有效的保证,致使这些个预设类别的概率可能会最终影响到该待识别图像的图像识别。
例如,假设,经过训练样本的训练后,图像识别模型对第6个预设类别的图像识别的准确率较低。当终端设备获取到待识别图像A后,通过图像识别模型得到的识别结果为:{0.2,0.4,0.5,0.1,0.7,0.8}。从该识别结果看出,该图像识别模型实际输出的是第6个预设类别的概率最高,即,该图像识别模型判断该待识别图像A属于第6个预设类别,而实际上该待识别图像A应属于第5个预设类别。所以从这里可以看出,由于该图像识别模型对第6个预设类别的图像识别的准确率较低,导致无法保证识别结果中第6个预设类别的概率在数值上的准确性和合理性,从而使得对于该待识别图像A来说,该图像识别模型其实是输出了错误的识别结果。
为了降低图像识别模型因学习到错误的模型参数而给后续的图像识别过程带来的不利影响,在本申请实施例中,图像识别模型输出针对待识别图像的识别结果后,终端设备可以根据预先确定出的该图像识别模型识别各预设类别的图像的准确率,对该识别结果进行补偿。这样一来,将有效的降低该待识别图像不属于的预设类别的概率,以及图像识别模型识别能力较低的一些个预设类别的概率在数值上对整体识别结果的影响,这一过程将在后续步骤中进行详细说明。
需要说明的是,选择对图像识别模型输出的识别结果进行补偿,是因为一方面能够根据图像识别模型输出的识别结果,以及预先标注的训练样本的标注结果,得知图像识别模型识别哪些预设类别的图像的能力较弱,从而可以确定出如何对图像识别模型输出的识别结果进行补偿;另一方面,图像识别模型输出识别结果的这一层相对于图像识别模型中其他层具有很好的鲁棒性。
例如,假设图像识别模型采用的是神经网络算法,则图像识别模型输出识别结果的这一层为Softmax层。从Softmax层输出的每一维度的数据即代表了待识别图像属于一个该维度对应的预设类别的概率。而对于图像识别模型中的全连接层来说,全连接层容易对噪声数据产生记忆,从而对图像识别模型输出的识别结果造成不利的影响。并且,由于全连接层中无法体现出待识别图像属于各预设类别的可能性,所以,通常不易从全连接层出发,改善图像识别模型对一些预设类别的图像的识别能力以及准确性。而相比于全连接层,Softmax层不仅对噪声数据具有很好的鲁棒性,并且,能够通过Softmax层输出的识别结果有效的确定出图像识别模型对各预设类别的图像的识别能力以及准确性,基于此,可以选取图像识别模型输出的识别结果(即Softmax层输出的识别结果)进行补偿。
S102:针对每个预设类别,根据预先确定出的所述图像识别模型识别该预设类别的图像的准确率,计算所述待识别图像属于该预设类别的补偿概率。
在本申请实施例中,终端设备可以预先确定出该图像识别模型识别各预设类别的图像的准确率。具体的,终端设备预先可以获取到各标准图像,这里提到的标准图像可以是指通过人工的方式筛选出的适合训练的样本图像,这些标准图像对于图像识别模型的训练来说,具有显著的代表性。终端设备在获取到各标准图像后,可以分别将各标准图像输入到该图像识别模型中,得到图像识别模型针对各标准图像所识别出的预设类别,从而可以进一步地针对每个预设类别,根据图像识别模型从各标准图像中识别出的属于该预设类别的标准图像的数量,以及预先标注为该预设类别的标准图像的数量,确定出该图像识别模型识别该预设类别的图像的实际准确率。
例如,假设在1000个标准图像中,预先标注为预设类别A的标准图像有50个,而在这50个标准图像中,图像识别模型成功识别成预设类别A的有40个标准图像,则该图像识别模型识别预设类别A的图像的实际准确率为80%。
在确定图像识别模型识别各预设类别的图像的实际准确率后,可以将这些实际准确率进行归一化处理,从而得到图像识别模型识别各预设类别的图像的准确率。例如,假设一个有6个预设类别,终端设备确定出图像识别模型识别这6个预设类别的图像的实际准确率分别为:91%、78%、93%、85%、87%、34%。将这6个预设类别的实际准确率进行归一化处理后,可以得到图像识别模型识别这6个预设类别的图像的准确率为:19.4%、16.7%、19.9%、18.2%、18.6%、7.2%。
这样一来,终端设备可以通过预先确定出的图像识别模型识别各预设类别的图像的准确率,对通过图像识别模型确定出的待识别图像属于各预设类别的概率进行补偿,得到该待识别图像属于各预设类别的补偿概率。具体的,针对每个预设类别,终端设备可以将预先确定出的该图像识别模型识别该预设类别的图像的准确率,与该待识别图像属于该预设类别的概率进行相乘,从而得到该待识别图像属于该预设类别的补偿概率。
例如,假设图像识别模型针对待识别图像得到的识别结果为:{0.2,0.4,0.5,0.1,0.7,0.8},其中,该待识别图像实际应属于第5个预设类别,而从该识别结果上看,待识别图像属于第6个预设类别的概率最高。预先确定出的图像识别模型识别各预设类别的图像的准确率为:{19.4%、16.7%、19.9%、18.2%、18.6%、7.2%}。这里可以分别将每个预设类别的准确率,与待识别图像属于该预设类别的概率进行相乘,得到的补偿概率为:{0.039、0.067、0.100、0.018、0.130、0.006}。
从上述图像识别模型识别各预设类别的图像的准确率可知,图像识别模型识别第6个预设类别的图像的准确率较低,这就导致了图像识别模型输出的识别结果中第6个预设类别的概率在数值上可能是不准确、不合理的。受这一因素的影响,数值本应最高的第5个预设类别的概率(因为该待识别图像实际上应属于第5个预设类别),在该识别结果中并没有超过第6个预设类别的概率,若直接按照该识别结果,则将对待识别图像造成错误的识别。
而通过将预先确定出的图像识别模型识别各预设类别的图像的准确率,与识别结果中各预设类别的概率进行相乘,可以将第6个预设类别的概率在数值上对于整体识别结果所造成的影响极大的降低,即,能够有效的弱化准确率较低的预设类别对整体识别结果的影响,从而有效的保证了终端设备对待识别图像进行图像识别的准确率。
S103:根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别。
在确定出该待识别图像属于各预设类别的补偿概率后,可以根据补偿概率数值最高的预设类别,确定出该待识别图像所属的预设类别。继续沿用上例,从得到的该待识别图像属于各预设类别的补偿概率中可以看出,第5个预设类别的补偿概率最高,则终端设备可以确定出该待识别图像属于第5个预设类别。
当然,在本申请实施例中,终端设备也可以根据得到的该待识别图像属于各预设类别的补偿概率,确定出该待识别图像对应的待匹配特征向量,并通过将该待匹配特征向量与预先确定出的各预设类别的标准特征向量进行匹配,得到匹配结果,进而根据该匹配结果,实现对该待识别图像的图像识别。
其中,终端设备可以直接将得到的补偿概率,作为待识别图像对应的待匹配特征向量。例如,终端设备确定出该待识别图像属于各预设类别的补偿概率为:{0.039、0.067、0.100、0.018、0.130、0.006},则终端设备可以确定出该待识别图像对应的待匹配特征向量为:|0.039、0.067、0.100、0.018、0.130、0.006|。
当然,为了便于后续的匹配过程,也可以将得到的补偿概率进行处理,得到待识别图像对应的待匹配特征向量。这里提到的处理方式可以有很多,例如,若是补偿概率小数点后面的位数较多,可以通过四舍五入的方式减少小数点后面的位数,从而得到待匹配特征向量;再例如,可以将各预设类别的补偿概率均化成整数,从而得到待匹配特征向量。
再例如,可以按照待识别图像属于各预设类别的补偿概率从大到小的顺序,将各补偿概率依次进行累加,直至累加的和值超过设定阈值为止,以此确定出未进行累加的补偿概率。而后,可以将未进行累加的补偿概率设置为指定数值,进而根据已进行累加的各补偿概率和设置为指定数值的未进行累加的各补偿概率,确定出该待识别图像对应的待匹配特征向量。
例如,假设设定阈值为0.3,终端设备确定出上述补偿概率:{0.039、0.067、0.100、0.018、0.130、0.006}后,可以将这些补偿概率按照从大到小的顺序进行累加,将0.130、0.100、0.067进行累加后发现,累加的和值为0.297,还未超过设定阈值0.3,则继续累加,当累加完下一个补偿概率:0.039后发现,累加的和值超过了设定阈值0.3,则可以确定出0.018以及0.006是未进行累加的补偿概率,进而可以将这两个补偿概率的数值设置为指定数值:0,从而得到待匹配特征向量:|0.039、0.067、0.100、0、0.130、0|。
通过上述这种方式,实际上是进一步的弱化了数值较低的补偿概率对最终识别结果所造成的影响,从而进一步地保证了图像识别的准确性。而至于其他的处理方式在此就不详细举例说明了。
这里提到的标准特征向量是指上述各标准图像所对应的特征向量。对于每个标准图像,终端设备可以将该标准图像输入到该图像识别模型中,得到该标准图像属于各预设类别的概率,进而根据确定出的图像识别模型识别各预设类别的图像的准确率,确定出该标准图像属于各预设类别的补偿概率。通过得到的补偿概率,可以确定出该标准图像对应的特征向量,作为标准特征向量。其中,这里确定补偿概率的方式,以及通过补偿概率确定标准特征向量的方式与上述相同,在此就不详细说明了。
预先确定出各标准图像对应的标准特征向量,实际上是为了根据预先标注出的各标准图像所属的预设类别,以及确定出标准特征向量,建立各标准特征向量与各预设类别之间的对应关系。这样一来,后续可以将与待匹配特征向量相匹配的标准特征向量所属的预设类别,作为待识别图像所属的预设类别。其中,由于一个预设类别对应有多个标准图像,所以,一个预设类别也将对应有多个标准特征向量。
在本申请实施例中,将待匹配特征向量与标准特征向量进行匹配所采用的匹配算法可以是诸如cosine距离、平均KL散度距离、欧氏距离等常规算法。当然,也可以通过混合算法的方式来进行匹配。例如,假设采用cosine距离匹配算法,确定出待匹配特征向量与标准特征向量之间的匹配度作为第一匹配度,采用平均KL散度距离匹配算法,确定出待匹配特征向量与该标准特征向量之间的匹配度作为第二匹配度。而后,可以将第一匹配度与预先设置的cosine距离匹配算法的第一权重进行相乘,将第二匹配度与预先设置的平均KL散度距离匹配算法的第二权重进行相乘,并将得到的两个乘积进行加和,得到最终匹配度。终端设备可以通过判断该最终匹配度是否不低于设定匹配度,来确定待匹配特征向量是否与该标准特征向量相匹配。
从上述方法中可以看出,由于可以通过预先确定出的该图像识别模型识别各预设类别的图像的准确率,对该待识别图像属于各预设类别的概率进行补偿,因此,降低了该待识别图像不属于的预设类别在该待识别图像的图像识别过程中所产生的影响,从而提高了图像识别的准确率。
需要说明的是,在本申请实施例中,也可以先根据预先确定出的图像识别模型识别各预设类别的图像的实际准确率,以及图像识别模型确定出的待识别图像属于各预设类别的概率,确定出该待识别图像属于各预设类别的实际补偿概率。然后,再对各实际补偿概率进行归一化,得到该待识别图像属于各预设类别的补偿概率。
考虑到若通过特征向量匹配的方式来实现对图像识别,则终端设备确定出未进行累加的补偿概率后,也可以将未进行累加的补偿概率设置为除0以外的其他数值,只要保证未进行累加的补偿概率设置为相同的数值即可。因为在一些匹配算法(如欧式距离)中,最终决定匹配结果的其实是未设置成指定数值的补偿概率(即参与累加的补偿概率)。所以,对于这些匹配算法来说,指定数值选取任何数值均可,并不会因选取的指定数值不同而对最终的匹配结果造成影响。而需要保证的是,确定标准特征向量所使用的指定数值,与确定待匹配特征向量所使用的指定数值应是相同的。
以上为本申请的一个或多个实施例提供的图像识别的方法,基于同样的思路,本申请还提供了相应的图像识别的装置,如图2所示。
图2为本申请提供的一种图像识别的装置示意图,具体包括:
输入模块201,用于将待识别图像输入到预设的图像识别模型中,得到所述待识别图像属于各预设类别的概率;
补偿模块202,用于针对每个预设类别,根据预先确定出的所述图像识别模型识别该预设类别的图像的准确率,计算所述待识别图像属于该预设类别的补偿概率;
识别模块203,用于根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别。
可选地,所述补偿模块202具体用于,将预先确定出的所述图像识别模型识别该预设类别的图像的准确率,与所述待识别图像属于该预设类别的概率进行相乘,得到所述待识别图像属于该预设类别的补偿概率。
可选地,所述识别模块203具体用于,根据所述待识别图像属于各预设类别的补偿概率,确定所述待识别图像对应的待匹配特征向量;将所述待匹配特征向量与预先确定出的各预设类别的标准特征向量进行匹配,并根据得到的匹配结果,对所述待识别图像进行图像识别。
可选地,所述识别模块203具体用于,按照所述待识别图像属于各预设类别的补偿概率从大到小的顺序,将各补偿概率依次进行累加,直至累加的和值超过设定阈值为止;确定未进行累加的补偿概率;将所述未进行累加的补偿概率置为指定数值;根据已进行累加的各补偿概率和置为指定数值的未进行累加的各补偿概率,确定所述待识别图像对应的待匹配特征向量。
可选地,所述装置还包括:
第一确定模块204,用于确定标准图像;根据所述图像识别模型从所述标准图像中识别出的属于该预设类别的标准图像的数量,以及所述标准图像中预先标注为该预设类别的标准图像的数量,确定所述图像识别模型识别该预设类别的图像的实际准确率;根据所述图像识别模型识别该预设类别的图像的实际准确率,以及所述图像识别模型识别其他预设类别的图像的实际准确率,确定所述图像识别模型识别该预设类别的图像的准确率。
可选地,所述第一确定模块204,将所述图像识别模型识别该预设类别的图像的实际准确率,与所述图像识别模型识别其他预设类别的图像的实际准确率进行归一化,确定所述图像识别模型识别该预设类别的图像的准确率。
可选地,所述装置还包括:
第二确定模块205,用于确定标准图像;针对每个标准图像,将该标准图像输入到所述图像识别模型中,得到该标准图像属于各预设类别的概率;针对每个预设类别,根据确定出的所述图像识别模型识别该预设类别的图像的准确率,计算该标准图像属于该预设类别的补偿概率;根据该标准图像属于各预设类别的补偿概率,确定该标准图像所属的预设类别所对应的标准特征向量。
本申请实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的图像识别的方法。
本申请实施例还提供了图3所示的电子设备的示意结构图。如图3所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的图像识别的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种图像识别的方法,其特征在于,包括:
将待识别图像输入到预设的图像识别模型中,得到所述待识别图像属于各预设类别的概率;
针对每个预设类别,根据预先确定出的所述图像识别模型识别该预设类别的图像的准确率,以及得到的所述待识别图像属于该预设类别的概率,计算所述待识别图像属于该预设类别的补偿概率;
根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别。
2.如权利要求1所述的方法,其特征在于,计算所述待识别图像属于该预设类别的补偿概率,具体包括:
将预先确定出的所述图像识别模型识别该预设类别的图像的准确率,与所述待识别图像属于该预设类别的概率进行相乘,得到所述待识别图像属于该预设类别的补偿概率。
3.如权利要求1所述的方法,其特征在于,根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别,具体包括:
根据所述待识别图像属于各预设类别的补偿概率,确定所述待识别图像对应的待匹配特征向量;
将所述待匹配特征向量与预先确定出的各预设类别的标准特征向量进行匹配,并根据得到的匹配结果,对所述待识别图像进行图像识别。
4.如权利要求3所述的方法,其特征在于,根据所述待识别图像属于各预设类别的补偿概率,确定所述待识别图像对应的待匹配特征向量,具体包括:
按照所述待识别图像属于各预设类别的补偿概率从大到小的顺序,将各补偿概率依次进行累加,直至累加的和值超过设定阈值为止;
确定未进行累加的补偿概率;
将所述未进行累加的补偿概率置为指定数值;
根据已进行累加的各补偿概率和置为指定数值的未进行累加的各补偿概率,确定所述待识别图像对应的待匹配特征向量。
5.如权利要求1所述的方法,其特征在于,针对每个预设类别,预先确定出所述图像识别模型识别该预设类别的图像的准确率,具体包括:
确定标准图像;
根据所述图像识别模型从所述标准图像中识别出的属于该预设类别的标准图像的数量,以及所述标准图像中预先标注为该预设类别的标准图像的数量,确定所述图像识别模型识别该预设类别的图像的实际准确率;
根据所述图像识别模型识别该预设类别的图像的实际准确率,以及所述图像识别模型识别其他预设类别的图像的实际准确率,确定所述图像识别模型识别该预设类别的图像的准确率。
6.如权利要求5所述的方法,其特征在于,根据所述图像识别模型识别该预设类别的图像的实际准确率,以及所述图像识别模型识别其他预设类别的图像的实际准确率,确定所述图像识别模型识别该预设类别的图像的准确率,具体包括:
将所述图像识别模型识别该预设类别的图像的实际准确率,与所述图像识别模型识别其他预设类别的图像的实际准确率进行归一化,确定所述图像识别模型识别该预设类别的图像的准确率。
7.如权利要求3所述的方法,其特征在于,预先确定各预设类别的标准特征向量,具体包括:
确定标准图像;
针对每个标准图像,将该标准图像输入到所述图像识别模型中,得到该标准图像属于各预设类别的概率;
针对每个预设类别,根据确定出的所述图像识别模型识别该预设类别的图像的准确率,计算该标准图像属于该预设类别的补偿概率;
根据该标准图像属于各预设类别的补偿概率,确定该标准图像所属的预设类别所对应的标准特征向量。
8.一种图像识别的装置,其特征在于,包括:
输入模块,用于将待识别图像输入到预设的图像识别模型中,得到所述待识别图像属于各预设类别的概率;
补偿模块,用于针对每个预设类别,根据预先确定出的所述图像识别模型识别该预设类别的图像的准确率,以及得到的所述待识别图像属于该预设类别的概率,计算所述待识别图像属于该预设类别的补偿概率;
识别模块,用于根据所述待识别图像属于各预设类别的补偿概率,对所述待识别图像进行识别。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612161.9A CN110414572B (zh) | 2019-07-08 | 2019-07-08 | 一种图像识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612161.9A CN110414572B (zh) | 2019-07-08 | 2019-07-08 | 一种图像识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414572A CN110414572A (zh) | 2019-11-05 |
CN110414572B true CN110414572B (zh) | 2021-09-07 |
Family
ID=68360704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910612161.9A Active CN110414572B (zh) | 2019-07-08 | 2019-07-08 | 一种图像识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414572B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991417B (zh) * | 2019-12-23 | 2023-12-01 | 珠海格力电器股份有限公司 | 厨具处理方法、装置和橱柜 |
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 |
CN112182265A (zh) * | 2020-09-17 | 2021-01-05 | 国家电网有限公司 | 广谱集成多算法的图像识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2075739A1 (en) * | 2007-12-27 | 2009-07-01 | Kabushiki Kaisha Toshiba | Bar code processing apparatus, sorting apparatus and bar code processing method |
CN107690660A (zh) * | 2016-12-21 | 2018-02-13 | 深圳前海达闼云端智能科技有限公司 | 图像识别方法及装置 |
CN108154160A (zh) * | 2017-12-27 | 2018-06-12 | 苏州科达科技股份有限公司 | 车牌颜色识别方法及系统 |
CN108665457A (zh) * | 2018-05-16 | 2018-10-16 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、存储介质及计算机设备 |
CN109740627A (zh) * | 2018-11-27 | 2019-05-10 | 南京邮电大学 | 一种基于并行卷积神经网络的昆虫图像识别系统及其方法 |
-
2019
- 2019-07-08 CN CN201910612161.9A patent/CN110414572B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2075739A1 (en) * | 2007-12-27 | 2009-07-01 | Kabushiki Kaisha Toshiba | Bar code processing apparatus, sorting apparatus and bar code processing method |
CN107690660A (zh) * | 2016-12-21 | 2018-02-13 | 深圳前海达闼云端智能科技有限公司 | 图像识别方法及装置 |
CN108154160A (zh) * | 2017-12-27 | 2018-06-12 | 苏州科达科技股份有限公司 | 车牌颜色识别方法及系统 |
CN108665457A (zh) * | 2018-05-16 | 2018-10-16 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、存储介质及计算机设备 |
CN109740627A (zh) * | 2018-11-27 | 2019-05-10 | 南京邮电大学 | 一种基于并行卷积神经网络的昆虫图像识别系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110414572A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437416B (zh) | 一种基于语音识别的咨询业务处理方法及装置 | |
CN110414572B (zh) | 一种图像识别的方法及装置 | |
CN111508258B (zh) | 一种定位方法及装置 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN109598414B (zh) | 风险评估模型训练、风险评估方法、装置及电子设备 | |
CN113221555A (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN114419679B (zh) | 基于可穿戴设备数据的数据分析方法、装置及系统 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN113010562B (zh) | 一种信息推荐的方法以及装置 | |
CN114419420A (zh) | 一种模型检测方法、装置、设备以及存储介质 | |
CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN112966577A (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN115130621A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN115618237A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN113344198B (zh) | 一种模型训练的方法及装置 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN112734851A (zh) | 一种位姿确定的方法以及装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |