CN111709480B - 用于识别图像类别的方法及装置 - Google Patents
用于识别图像类别的方法及装置 Download PDFInfo
- Publication number
- CN111709480B CN111709480B CN202010554738.8A CN202010554738A CN111709480B CN 111709480 B CN111709480 B CN 111709480B CN 202010554738 A CN202010554738 A CN 202010554738A CN 111709480 B CN111709480 B CN 111709480B
- Authority
- CN
- China
- Prior art keywords
- image
- image category
- category
- threshold
- sample
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于识别图像类别的方法及装置,涉及人工智能技术深度学习和图像识别领域。该方法的一具体实施方式包括:将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息;查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果;根据上述最终识别结果确定上述待识别图像的图像类别。该实施方式有利于提高识别待识别图像的图像类别的准确性。
Description
技术领域
本公开的实施例涉及人工智能技术深度学习和图像识别领域技术领域,具体涉及用于识别图像类别的方法及装置。
背景技术
图像识别是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。图像识别在日常工作和生活中发挥的重要作用。
发明内容
本公开的实施例提出了用于识别图像类别的方法及装置。
第一方面,本公开的实施例提供了一种用于识别图像类别的方法,该方法包括:将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息,上述图像识别模型用于对上述待识别图像进行识别,得到识别结果信息,上述识别结果信息包括上述待识别图像属于至少一个图像类别中每个图像类别的概率;查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果,上述阈值用于表征上述待识别图像属于对应图像类别的概率,上述权值用于表征对应的图像类别在全部图像类别中的权重比例;根据上述最终识别结果确定上述待识别图像的图像类别。
在一些实施例中,上述根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果,包括:获取上述识别结果信息中对应图像类别的初始概率;响应于上述初始概率小于上述阈值,标记上述最终识别结果为0,否则,将上述初始概率与上述权值的乘积设置为对应图像类别的最终识别结果的取值。
在一些实施例中,上述根据上述最终识别结果确定上述待识别图像的图像类别,包括:响应于对应图像类别的、取值最大的最终识别结果为0,标记上述待识别图像的图像类别为空,否则,将取值最大的最终识别结果对应的图像类别标记为上述待识别图像的图像类别。
在一些实施例中,上述方法还包括:设置图像类别的阈值和权值的步骤,上述设置图像类别的阈值和权值,包括:获取多个样本图像及对应上述多个样本图像中每个样本图像的样本图像类别;将上述多个样本图像中的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本图像类别作为输出,设置对应图像类别的阈值和权值。
在一些实施例中,上述将上述多个样本图像中的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本图像类别作为输出,设置对应图像类别的阈值和权值,包括:执行以下训练步骤:将上述多个样本图像中的每个样本图像依次输入至深度学习模型,得到上述多个样本图像中的每个样本图像所对应的预测图像类别,将上述多个样本图像中的每个样本图像所对应的预测图像类别与该样本图像所对应的样本图像类别进行比较,得到对应图像类别的初始准确率,确定上述初始准确率是否大于对应图像类别的预设准确率阈值,若对应图像类别的初始准确率都大于对应的预设准确率阈值,则将对应的初始准确率设置为对应图像类别的基准阈值,并根据对应图像类别的基准阈值设置对应图像类别的基准权值。
在一些实施例中,上述将上述多个样本图像中的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本图像类别作为输出,设置对应图像类别的阈值和权值,包括:响应于不大于上述预设准确率阈值,调整上述深度学习模型的参数和对应图像类别的预设准确率阈值,并继续执行上述训练步骤。
第二方面,本公开的实施例提供了一种用于识别图像类别的装置,该装置包括:识别结果信息获取单元,被配置成将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息,上述图像识别模型用于对上述待识别图像进行识别,得到识别结果信息,上述识别结果信息包括上述待识别图像属于至少一个图像类别中每个图像类别的概率;最终识别结果获取单元,被配置成查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果,上述阈值用于表征上述待识别图像属于对应图像类别的概率,上述权值用于表征对应的图像类别在全部图像类别中的权重比例;图像类别识别单元,被配置成根据上述最终识别结果确定上述待识别图像的图像类别。
在一些实施例中,上述最终识别结果获取单元包括:初始概率获取子单元,被配置成获取上述识别结果信息中对应图像类别的初始概率;最终识别结果获取子单元,响应于上述初始概率小于上述阈值,被配置成标记上述最终识别结果为0,否则,将上述初始概率与上述权值的乘积设置为对应图像类别的最终识别结果的取值。
在一些实施例中,上述图像类别识别单元包括:图像类别识别子单元,响应于对应图像类别的、取值最大的最终识别结果为0,被配置成标记上述待识别图像的图像类别为空,否则,将取值最大的最终识别结果对应的图像类别标记为上述待识别图像的图像类别。
在一些实施例中,上述装置还包括:参数设置单元,被配置成设置图像类别的阈值和权值,上述参数设置单元包括:样本获取子单元,被配置成获取多个样本图像及对应上述多个样本图像中每个样本图像的样本图像类别;参数设置子单元,被配置成将上述多个样本图像中的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本图像类别作为输出,设置对应图像类别的阈值和权值。
在一些实施例中,上述参数设置子单元包括:参数设置模块,被配置成将上述多个样本图像中的每个样本图像依次输入至深度学习模型,得到上述多个样本图像中的每个样本图像所对应的预测图像类别,将上述多个样本图像中的每个样本图像所对应的预测图像类别与该样本图像所对应的样本图像类别进行比较,得到对应图像类别的初始准确率,确定上述初始准确率是否大于对应图像类别的预设准确率阈值,若对应图像类别的初始准确率都大于对应的预设准确率阈值,则将对应的初始准确率设置为对应图像类别的基准阈值,并根据对应图像类别的基准阈值设置对应图像类别的基准权值。
在一些实施例中,上述参数设置子单元包括:参数调整模块,响应于不大于上述预设准确率阈值,被配置成调整上述深度学习模型的参数和对应图像类别的预设准确率阈值,并返回上述参数设置模块。
第三方面,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;存储器,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时,使得上述一个或多个处理器执行上述第一方面的用于识别图像类别的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面的用于识别图像类别的方法。
本公开的实施例提供的用于识别图像类别的方法及装置,首先将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息;然后查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果,实现了对识别结果信息的数据均衡处理;最后根据上述最终识别结果确定上述待识别图像的图像类别,有利于提高识别待识别图像的图像类别的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的用于识别图像类别的方法的电子设备的框图;
图6是适于用来实现本公开的实施例的电子设备结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本公开的实施例的用于识别图像类别的方法或用于识别图像类别的装置的示例性系统架构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,以接收或发送消息等。终端设备101、102、103上可以安装有各种图像客户端应用,例如图像搜索应用、图像存储应用、图像编辑应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持图像显示的各种电子设备,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。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),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,例如对终端设备101、102、103发来的待识别图像进行处理的服务器。服务器可以对接收到的待识别图像等数据进行分析等处理,并将处理结果(例如待识别图像的图像类别信息)反馈给终端设备。
需要说明的是,本公开的实施例所提供的用于识别图像类别的方法一般由服务器105执行,相应地,用于识别图像类别的装置一般设置于服务器105中。
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),也可以实现成单个软件或软件模块,在此不做具体限定。
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。
继续参考图2,示出了根据本公开的用于识别图像类别的方法的一个实施例的流程200。该用于识别图像类别的方法可用于云服务等场景,包括以下步骤:
步骤201,将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息。
在本实施例中,用于识别图像类别的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备101、102、103接收待识别图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(Ultra Wideband)连接、以及其他现在已知或将来开发的无线连接方式。
现有的图像识别方法,通常通过对应的样本图像训练生成对应的图像识别模型,以使得图像识别模型能够识别出图像中的内容,得到图像类别。实际中,训练图像识别模型的样本图像的数量通常是不同的,包含常见的物体的图像的数量通常很多,而包含不常见的物体的图像的数量通常较少。例如,狗、猫之类的动物经常出现在我们的生活中。相应的,网络上也能够获取到大量的包含狗的图像和包含猫的图像。而对应某种稀有的昆虫而言,由于其与人们的生活相关性不大,且因部分人群的喜好等原因,使得包含这类昆虫的图像的数量远小于包含狗、猫的图像的数量。如此,在训练图像识别模型时就存在了、由于不同类别的图像的数量不同而带来的数据不均衡。相应的,在识别图像类别时,容易出现对图像数量多的图像识别准确性高,对图像数量少的图像识别准确性低的情况。容易导致对不同图像类别识别的准确性不高。
本申请中,用户可以通过终端设备101、102、103采集待识别图像。例如,用户不知晓图片中的动物的名称,则用户可以通过终端设备101、102、103采集待识别图像,并将待识别图像发送给执行主体。执行主体可以将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息。其中,上述图像识别模型可以用于对上述待识别图像进行识别,得到识别结果信息。上述识别结果信息可以包括上述待识别图像属于至少一个图像类别中每个图像类别的概率。其中,图像类别是指图像内物体图像对应的物体的类别。例如,待识别图像包含狗的图像,则对应的识别结果信息可以是:属于图像类别为狗的概率可以为0.8;属于图像类别为猫的概率可以为0.3;属于图像类别为鸟的概率可以为0.02;属于图像类别为鱼的概率可以为0.01;属于图像类别为昆虫A的概率可以为0.03等。待识别图像包含昆虫A的图像,则对应的识别结果信息可以是:属于图像类别为狗的概率可以为0.08;属于图像类别为猫的概率可以为0.03;属于图像类别为鸟的概率可以为0.02;属于图像类别为鱼的概率可以为0.01;属于图像类别为昆虫A的概率可以为0.08等。
步骤202,查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果。
上述举例中,通过待识别图像包含狗的图像和待识别图像包含昆虫A的图像对识别结果信息进行了说明。由上述描述可知,当待识别图像包含狗的图像时,属于图像类别为狗的概率可以为0.8,明显高于其他图像类别的取值。这与待识别图像包含狗的图像也是对应的。而当待识别图像包含昆虫A的图像时,属于图像类别为昆虫A的概率可以为0.08,其概率与其他图像类别的取值并没有明显区别。此时,若直接选用概率最大的图像类别作为待识别图像的图像类别,则结果明显是错误的。为了提高对待识别图像识别的准确性,本申请可以进一步查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果。其中,每个图像类别的阈值和权值是预先就确定的。上述阈值可以用于表征上述待识别图像属于对应图像类别的概率。通常,越是常见的图像,阈值取值越高,即,阈值越高说明能够准确地确定待识别图像属于的图像类别。越是少见的图像,阈值取值越低,即,阈值越低说明不易准确地确定待识别图像属于的图像类别。上述权值可以用于表征对应的图像类别在全部图像类别中的权重比例。需要说明的是,此处的权重比例为反比。例如,狗的图像占了全部图像的80%,则权值可以为20%;昆虫A的图像占了全部图像的1%,则权值可以为99%。如此,可以提高数据的均衡性,有利于提高对待识别图像的图像类别的识别准确率和鲁棒性。之后,执行主体可以对根据阈值和权值对识别结果信息进行分析,得到待识别图像对应每个图像类别的最终识别结果。其中,最终识别结果为待识别图像属于对应图像类别的概率值。最终识别结果的取值越大,待识别图像属于对应图像类别的可能性越高。
在本实施例的一些可选的实现方式中,设置图像类别的阈值和权值的步骤,上述设置图像类别的阈值和权值,可以包括以下步骤:
第一步,获取多个样本图像及对应上述多个样本图像中每个样本图像的样本图像类别。
为了设置图像类别的阈值和权值,执行主体可以首先获取多个样本图像及对应上述多个样本图像中每个样本图像的样本图像类别。其中,样本图像类别可以是技术人员根据样本图像设置的类别。
第二步,将上述多个样本图像中的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本图像类别作为输出,设置对应图像类别的阈值和权值。
执行主体可以将多个样本图像中的每个样本图像作为智能网络的输入,将上述多个样本图像中的每个样本图像所对应的上述样本图像类别作为智能网络的输出,设置对应图像类别的阈值和权值。此处,智能网络可以是深度学习网络、遗传算法构成的网络等。有利于对不同图像类别的阈值和权值的针对性设置,使得阈值和权值的取值更加符合实际,有利于提高阈值和权值的有效性。
步骤203,根据上述最终识别结果确定上述待识别图像的图像类别。
得到最终识别结果后,执行主体可以进一步对最终识别结果进行分析,从而确定上述待识别图像的图像类别。如此,考虑了各种不同图像类别的数据均衡性,使得通过最终识别结果确定的图像类别的准确性更高。
需要说明的是,当待识别图像包含多个物体图像时,执行主体可以分别对每个物体图像进行识别,进而得到对应每个物体图像的图像类型。即,一个待识别图像可以对应多个图像类别。例如,当待识别图像包括狗和猫的图像时,待识别图像的图像类别可以是狗类图像类别和猫类图像类别。
继续参考图3,示出了根据本公开的用于识别图像类别的方法的一个实施例的流程300。该用于识别图像类别的方法包括以下步骤:
步骤301,将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息。
步骤301的内容与步骤201的内容相同,此处不再一一赘述。
步骤302,查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值。
步骤302的内容与步骤202的内容相同,此处不再一一赘述。
步骤303,获取上述识别结果信息中对应图像类别的初始概率。
执行主体可以从识别结果信息中获取每一种图像类别的初始概率。此处,初始概率即为识别结果信息中待识别图像属于至少一个图像类别中每个图像类别的概率。
步骤304,响应于上述初始概率小于上述阈值,标记上述最终识别结果为0,否则,将上述初始概率与上述权值的乘积设置为对应图像类别的最终识别结果的取值。
当初始概率小于对应图像类别的阈值时,说明待识别图像很可能不属于该图像类别。此时,执行主体可以标记上述最终识别结果为0。除了“0”以外,执行主体还可以通过其他方式(例如可以是字符等)标识待识别图像不属于该图像类型。当初始概率大于等于上述阈值时,说明待识别图像很可能属于该图像类别。此时,执行主体可以进一步将上述初始概率与上述权值的乘积设置为对应图像类别的最终识别结果的取值。由于权值可以用于表征对应的图像类别在全部图像类别中的权重比例。因此,将初始概率与上述权值的乘积设置为对应图像类别的最终识别结果的取值可以体现对待识别图像识别的均衡性,有利于提高识别待识别图像的图像类别的准确性。
步骤305,响应于对应图像类别的、取值最大的最终识别结果为0,则标记上述待识别图像的图像类别为空,否则,将取值最大的最终识别结果对应的图像类别标记为上述待识别图像的图像类别。
通过步骤304的数据处理,相当于对识别结果信息进行了一次数据均衡处理,使得图像类别对应的最终识别结果之间相对均衡,可以认为全部的最终识别结果都没有受到数据不均衡的影响。此时,执行主体可以查询取值最大的最终识别结果。当取值最大的最终识别结果为0时,则认为待识别图像没有对应的图像类别。此时,执行主体可以标记上述待识别图像的图像类别为空。当取值最大的最终识别结果不为0时,说明待识别图像有对应的图像类别。执行主体可以将取值最大的最终识别结果对应的图像类别标记为上述待识别图像的图像类别。如此,提高了识别待识别图像的图像类别的准确性。
进一步参考图4,其示出了设置图像类别的阈值和权值的方法的又一个实施例的流程400。该设置图像类别的阈值和权值的方法的流程400,包括以下步骤:
步骤401,获取多个样本图像及对应上述多个样本图像中每个样本图像的样本图像类别。
在本实施例中,设置图像类别的阈值和权值的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取多个样本图像及对应上述多个样本图像中每个样本图像的样本图像类别。
在本实施例中,执行主体可以获取多个样本图像,并为本领域技术人员展示,本领域技术人员可以根据经验对多个样本图像中每个样本图像标注样本图像类别。
步骤402,将上述多个样本图像中的每个样本图像依次输入至深度学习模型,得到上述多个样本图像中的每个样本图像所对应的预测图像类别。
在本实施例中,基于步骤401所获取的样本图像,执行主体可以将多个样本图像中的每个样本图像依次输入至深度学习模型,从而得到多个样本图像中的每个样本图像所对应的预测图像类别。这里,执行主体可以将每个样本图像从深度学习模型的输入侧输入,依次经过深度学习模型中的各层的参数的处理,并从深度学习模型的输出侧输出,输出侧输出的信息即为该样本图像所对应的预测图像类别。
步骤403,将上述多个样本图像中的每个样本图像所对应的预测图像类别与该样本图像所对应的样本图像类别进行比较,得到对应图像类别的初始准确率。
在本实施例中,基于步骤402所得到的多个样本图像中的每个样本图像所对应的预测图像类别,执行主体可以将多个样本图像中的每个样本图像所对应的预测图像类别与该样本图像所对应的样本图像类别进行比较,从而得到对应图像类别的初始准确率。其中,初始准确率可以是对对应的图像类别计算的准确率,也可以是对全局图像类别计算的准确率。例如,全部的样本图像为200个。其中,物体A的图像的数量为100,其他物体的图像的数量为100个。当预测图像类别为物体A的图像的数量为80个时,则对应的图像类别计算的准确率为80除以100等于0.8;全局图像类别计算的准确率为80除以200等于0.4。
步骤404,确定上述初始准确率是否大于对应图像类别的预设准确率阈值。
在本实施例中,基于步骤403所得到的初始准确率,执行主体可以将初始准确率与预设准确率阈值进行比较。若大于预设准确率阈值,则执行步骤405;若不大于预设准确率阈值,则执行步骤406。通常,预设准确率阈值开始可以设置为较大的值,当初始准确率小于预设准确率阈值时再将预设准确率阈值调整为较小的值。
步骤405,将对应的初始准确率设置为对应图像类别的基准阈值,并根据对应图像类别的基准阈值设置对应图像类别的基准权值。
在本实施例中,在对应图像类别的初始准确率都大于对应的预设准确率阈值的情况下,说明每个图像类别对应的预设准确率阈值的取值设置的都比较合理,可以使得不同图像类型的样本图像体现数据均衡性。在此基础上,执行主体可以根据对应图像类别的基准阈值设置对应图像类别的基准权值。此处,基准阈值可以认为是能够有效识别对应的图像类别的最大值。对于不同的图像类别,基准阈值的取值可能相差很大。例如,图像类别为狗的基准阈值可以是0.8,图像类别为昆虫A的基准阈值可以是0.1。为了提高数据均衡性,图像类别为狗的基准权值可以是0.2;图像类别为昆虫A的基准权值可以是0.9。
步骤406,调整上述深度学习模型的参数和对应图像类别的预设准确率阈值。
在本实施例中,在初始准确率不大于预设准确率阈值的情况下,执行主体可以调整深度学习模型的参数和对应图像类别的预设准确率阈值,并返回执行步骤402,对应图像类别的初始准确率都大于对应的预设准确率阈值为止。如此,可以使得基准阈值设置和基准权值更加符合实际,提高了设置图像类别的基准阈值设置和基准权值的准确性和有效性,有利于提高识别待识别图像的图像类别的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于识别图像类别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图像类别的装置500可以包括:识别结果信息获取单元501、最终识别结果获取单元502和图像类别识别单元503。其中,识别结果信息获取单元501,被配置成将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息,上述图像识别模型用于对上述待识别图像进行识别,得到识别结果信息,上述识别结果信息包括上述待识别图像属于至少一个图像类别中每个图像类别的概率;最终识别结果获取单元502,被配置成查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果,上述阈值用于表征上述待识别图像属于对应图像类别的概率,上述权值用于表征对应的图像类别在全部图像类别中的权重比例;图像类别识别单元503,被配置成根据上述最终识别结果确定上述待识别图像的图像类别。
在本实施例的一些可选的实现方式中,上述最终识别结果获取单元502可以包括:初始概率获取子单元(图中未示出)和最终识别结果获取子单元(图中未示出)。其中,初始概率获取子单元,被配置成获取上述识别结果信息中对应图像类别的初始概率;最终识别结果获取子单元,响应于上述初始概率小于上述阈值,被配置成标记上述最终识别结果为0,否则,将上述初始概率与上述权值的乘积设置为对应图像类别的最终识别结果的取值。
在本实施例的一些可选的实现方式中,上述图像类别识别单元503可以包括:图像类别识别子单元(图中未示出),响应于对应图像类别的、取值最大的最终识别结果为0,被配置成标记上述待识别图像的图像类别为空,否则,将取值最大的最终识别结果对应的图像类别标记为上述待识别图像的图像类别。
在本实施例的一些可选的实现方式中,上述用于识别图像类别的装置500还可以包括:参数设置单元(图中未示出),被配置成设置图像类别的阈值和权值,上述参数设置单元可以包括:样本获取子单元(图中未示出)和参数设置子单元(图中未示出)。其中,样本获取子单元,被配置成获取多个样本图像及对应上述多个样本图像中每个样本图像的样本图像类别;参数设置子单元,被配置成将上述多个样本图像中的每个样本图像作为输入,将上述多个样本图像中的每个样本图像所对应的上述样本图像类别作为输出,设置对应图像类别的阈值和权值。
在本实施例的一些可选的实现方式中,上述参数设置子单元可以包括:参数设置模块(图中未示出),被配置成将上述多个样本图像中的每个样本图像依次输入至深度学习模型,得到上述多个样本图像中的每个样本图像所对应的预测图像类别,将上述多个样本图像中的每个样本图像所对应的预测图像类别与该样本图像所对应的样本图像类别进行比较,得到对应图像类别的初始准确率,确定上述初始准确率是否大于对应图像类别的预设准确率阈值,若对应图像类别的初始准确率都大于对应的预设准确率阈值,则将对应的初始准确率设置为对应图像类别的基准阈值,并根据对应图像类别的基准阈值设置对应图像类别的基准权值。
在本实施例的一些可选的实现方式中,上述参数设置子单元可以包括:参数调整模块(图中未示出),响应于不大于上述预设准确率阈值,被配置成调整上述深度学习模型的参数和对应图像类别的预设准确率阈值,并返回上述参数设置模块。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的用于识别图像类别的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,上述存储器存储有可由至少一个处理器执行的指令,以使上述至少一个处理器执行本申请所提供的用于识别图像类别的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于识别图像类别的方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于识别图像类别的方法对应的程序指令/模块(例如,附图5所示的识别结果信息获取单元501、最终识别结果获取单元502和图像类别识别单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于识别图像类别的方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于识别图像类别的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用于识别图像类别的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于识别图像类别的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用于识别图像类别的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,首先将待识别图像导入预先训练的图像识别模型,得到对应上述待识别图像的识别结果信息;然后查询上述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据上述阈值和权值对上述识别结果信息进行分析,得到上述待识别图像对应每个图像类别的最终识别结果,实现了对识别结果信息的数据均衡处理;最后根据上述最终识别结果确定上述待识别图像的图像类别,有利于提高识别待识别图像的图像类别的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种用于识别图像类别的方法,包括:
将待识别图像导入预先训练的图像识别模型,得到对应所述待识别图像的识别结果信息,所述图像识别模型用于对所述待识别图像进行识别,得到识别结果信息,所述识别结果信息包括所述待识别图像属于至少一个图像类别中每个图像类别的概率;
查询所述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据所述阈值和权值对所述识别结果信息进行分析,得到所述待识别图像对应每个图像类别的最终识别结果,所述阈值用于表征所述待识别图像属于对应图像类别的概率,所述权值用于表征对应的图像类别在全部图像类别中的权重比例,所述权值和权重比例为反比关系;
根据所述最终识别结果确定所述待识别图像的图像类别;
其中,所述根据所述阈值和权值对所述识别结果信息进行分析,得到所述待识别图像对应每个图像类别的最终识别结果,包括:
获取所述识别结果信息中对应图像类别的初始概率;
响应于所述初始概率小于所述阈值,确定所述待识别图像不属于对应图像类别,否则,将所述初始概率与所述权值的乘积设置为对应图像类别的最终识别结果的取值。
2.根据权利要求1所述的方法,其中,所述根据所述阈值和权值对所述识别结果信息进行分析,得到所述待识别图像对应每个图像类别的最终识别结果,包括:
响应于所述初始概率小于所述阈值,标记所述最终识别结果为0。
3.根据权利要求2所述的方法,其中,所述根据所述最终识别结果确定所述待识别图像的图像类别,包括:
响应于对应图像类别的、取值最大的最终识别结果为0,标记所述待识别图像的图像类别为空,否则,将取值最大的最终识别结果对应的图像类别标记为所述待识别图像的图像类别。
4.根据权利要求1所述的方法,其中,所述方法还包括:设置图像类别的阈值和权值的步骤,所述设置图像类别的阈值和权值,包括:
获取多个样本图像及对应所述多个样本图像中每个样本图像的样本图像类别;
将所述多个样本图像中的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本图像类别作为输出,设置对应图像类别的阈值和权值。
5.根据权利要求4所述的方法,其中,所述将所述多个样本图像中的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本图像类别作为输出,设置对应图像类别的阈值和权值,包括:
执行以下训练步骤:将所述多个样本图像中的每个样本图像依次输入至深度学习模型,得到所述多个样本图像中的每个样本图像所对应的预测图像类别,将所述多个样本图像中的每个样本图像所对应的预测图像类别与该样本图像所对应的样本图像类别进行比较,得到对应图像类别的初始准确率,确定所述初始准确率是否大于对应图像类别的预设准确率阈值,若对应图像类别的初始准确率都大于对应的预设准确率阈值,则将对应的初始准确率设置为对应图像类别的基准阈值,并根据对应图像类别的基准阈值设置对应图像类别的基准权值。
6.根据权利要求5所述的方法,其中,所述将所述多个样本图像中的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本图像类别作为输出,设置对应图像类别的阈值和权值,包括:
响应于不大于所述预设准确率阈值,调整所述深度学习模型的参数和对应图像类别的预设准确率阈值,并继续执行所述训练步骤。
7.一种用于识别图像类别的装置,包括:
识别结果信息获取单元,被配置成将待识别图像导入预先训练的图像识别模型,得到对应所述待识别图像的识别结果信息,所述图像识别模型用于对所述待识别图像进行识别,得到识别结果信息,所述识别结果信息包括所述待识别图像属于至少一个图像类别中每个图像类别的概率;
最终识别结果获取单元,被配置成查询所述识别结果信息对应的至少一个图像类别中每个图像类别的阈值和权值,根据所述阈值和权值对所述识别结果信息进行分析,得到所述待识别图像对应每个图像类别的最终识别结果,所述阈值用于表征所述待识别图像属于对应图像类别的概率,所述权值用于表征对应的图像类别在全部图像类别中的权重比例,所述权值和权重比例为反比关系;
图像类别识别单元,被配置成根据所述最终识别结果确定所述待识别图像的图像类别;
其中,所述最终识别结果获取单元包括:
初始概率获取子单元,被配置成获取所述识别结果信息中对应图像类别的初始概率;
最终识别结果获取子单元,响应于所述初始概率小于所述阈值,被配置成确定所述待识别图像不属于对应图像类别,否则,将所述初始概率与所述权值的乘积设置为对应图像类别的最终识别结果的取值。
8.根据权利要求7所述的装置,其中,所述最终识别结果获取单元包括:
最终识别结果获取子单元,响应于所述初始概率小于所述阈值,被配置成标记所述最终识别结果为0。
9.根据权利要求8所述的装置,其中,所述图像类别识别单元包括:
图像类别识别子单元,响应于对应图像类别的、取值最大的最终识别结果为0,被配置成标记所述待识别图像的图像类别为空,否则,将取值最大的最终识别结果对应的图像类别标记为所述待识别图像的图像类别。
10.根据权利要求7所述的装置,其中,所述装置还包括:参数设置单元,被配置成设置图像类别的阈值和权值,所述参数设置单元包括:
样本获取子单元,被配置成获取多个样本图像及对应所述多个样本图像中每个样本图像的样本图像类别;
参数设置子单元,被配置成将所述多个样本图像中的每个样本图像作为输入,将所述多个样本图像中的每个样本图像所对应的所述样本图像类别作为输出,设置对应图像类别的阈值和权值。
11.根据权利要求10所述的装置,其中,所述参数设置子单元包括:
参数设置模块,被配置成将所述多个样本图像中的每个样本图像依次输入至深度学习模型,得到所述多个样本图像中的每个样本图像所对应的预测图像类别,将所述多个样本图像中的每个样本图像所对应的预测图像类别与该样本图像所对应的样本图像类别进行比较,得到对应图像类别的初始准确率,确定所述初始准确率是否大于对应图像类别的预设准确率阈值,若对应图像类别的初始准确率都大于对应的预设准确率阈值,则将对应的初始准确率设置为对应图像类别的基准阈值,并根据对应图像类别的基准阈值设置对应图像类别的基准权值。
12.根据权利要求11所述的装置,其中,所述参数设置子单元包括:
参数调整模块,响应于不大于所述预设准确率阈值,被配置成调整所述深度学习模型的参数和对应图像类别的预设准确率阈值,并返回所述参数设置模块。
13.一种电子设备,包括:
一个或多个处理器;
存储器,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时,使得所述一个或多个处理器执行权利要求1至6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554738.8A CN111709480B (zh) | 2020-06-17 | 2020-06-17 | 用于识别图像类别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554738.8A CN111709480B (zh) | 2020-06-17 | 2020-06-17 | 用于识别图像类别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709480A CN111709480A (zh) | 2020-09-25 |
CN111709480B true CN111709480B (zh) | 2023-06-23 |
Family
ID=72540769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010554738.8A Active CN111709480B (zh) | 2020-06-17 | 2020-06-17 | 用于识别图像类别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709480B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580745A (zh) * | 2020-12-29 | 2021-03-30 | 北京五八信息技术有限公司 | 图像识别方法、装置、电子设备和计算机可读介质 |
CN112613513A (zh) * | 2020-12-31 | 2021-04-06 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073867A (zh) * | 2010-12-27 | 2011-05-25 | 北京师范大学 | 一种遥感图像分类方法及装置 |
CN105005796A (zh) * | 2015-08-10 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 基于层次分析的星载sar图像舰船目标分类方法 |
CN105573995A (zh) * | 2014-10-09 | 2016-05-11 | 中国银联股份有限公司 | 一种兴趣识别方法、设备以及数据分析方法 |
CN106960219A (zh) * | 2017-03-10 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 图片识别方法及装置、计算机设备及计算机可读介质 |
CN108171275A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别花卉的方法和装置 |
CN108171274A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别动物的方法和装置 |
CN108256476A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别果蔬的方法和装置 |
CN109102014A (zh) * | 2018-08-01 | 2018-12-28 | 中国海洋大学 | 基于深度卷积神经网络的类别不平衡的图像分类方法 |
JP2019109843A (ja) * | 2017-12-20 | 2019-07-04 | コニカミノルタ株式会社 | 分類装置、分類方法、属性認識装置、及び機械学習装置 |
CN110472675A (zh) * | 2019-07-31 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像分类方法、图像分类装置、存储介质与电子设备 |
CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
CN111046980A (zh) * | 2020-03-16 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置、设备及计算机可读存储介质 |
CN111160474A (zh) * | 2019-12-30 | 2020-05-15 | 合肥工业大学 | 一种基于深度课程学习的图像识别方法 |
CN111209423A (zh) * | 2020-01-07 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种基于电子相册的图像管理方法、装置以及存储介质 |
CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9141885B2 (en) * | 2013-07-29 | 2015-09-22 | Adobe Systems Incorporated | Visual pattern recognition in an image |
-
2020
- 2020-06-17 CN CN202010554738.8A patent/CN111709480B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073867A (zh) * | 2010-12-27 | 2011-05-25 | 北京师范大学 | 一种遥感图像分类方法及装置 |
CN105573995A (zh) * | 2014-10-09 | 2016-05-11 | 中国银联股份有限公司 | 一种兴趣识别方法、设备以及数据分析方法 |
CN105005796A (zh) * | 2015-08-10 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 基于层次分析的星载sar图像舰船目标分类方法 |
CN106960219A (zh) * | 2017-03-10 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 图片识别方法及装置、计算机设备及计算机可读介质 |
JP2019109843A (ja) * | 2017-12-20 | 2019-07-04 | コニカミノルタ株式会社 | 分類装置、分類方法、属性認識装置、及び機械学習装置 |
CN108256476A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别果蔬的方法和装置 |
CN108171274A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别动物的方法和装置 |
CN108171275A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别花卉的方法和装置 |
CN109102014A (zh) * | 2018-08-01 | 2018-12-28 | 中国海洋大学 | 基于深度卷积神经网络的类别不平衡的图像分类方法 |
CN110472675A (zh) * | 2019-07-31 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像分类方法、图像分类装置、存储介质与电子设备 |
CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
CN111160474A (zh) * | 2019-12-30 | 2020-05-15 | 合肥工业大学 | 一种基于深度课程学习的图像识别方法 |
CN111209423A (zh) * | 2020-01-07 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种基于电子相册的图像管理方法、装置以及存储介质 |
CN111209977A (zh) * | 2020-01-16 | 2020-05-29 | 北京百度网讯科技有限公司 | 分类模型的训练和使用方法、装置、设备和介质 |
CN111046980A (zh) * | 2020-03-16 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (6)
Title |
---|
J J Chen 等.Decision threshold adjustment in class prediction.《SAR and QSAR in Environmental Research》.2007,(第04期),337-352. * |
Joffrey L. Leevy 等.A survey on addressing high-class imbalance in big data.《Big Data》.2018,第05卷42. * |
Tyler Nguyen 等.In vivo contactless brain stimulation via non-invasive and targeted delivery of magnetoelectric nanoparticles.《bioRxiv - Neuroscience》.2020,1-35. * |
严靓 等.基于集成分类的暴恐图像自动标注方法.《太赫兹科学与电子信息学报》.2020,第18卷(第02期),306-312. * |
傅博文 等.Focal损失在图像情感分析上的应用研究.《计算机工程与应用》.2020,第56卷(第10期),179-184. * |
黄莉 等.基于级联模型的输变电设备状态图像分类方法.《信息技术》.2015,(第6期),28-31. * |
Also Published As
Publication number | Publication date |
---|---|
CN111709480A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3916630A1 (en) | Method and apparatus for identifying video | |
CN112559007B (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN111553428B (zh) | 用于训练判别模型的方法、装置、设备及可读存储介质 | |
CN111680517B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111709480B (zh) | 用于识别图像类别的方法及装置 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
CN112509690A (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
CN111582477A (zh) | 神经网络模型的训练方法和装置 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN112579897B (zh) | 信息搜索方法和装置 | |
CN112561059A (zh) | 用于模型蒸馏的方法和装置 | |
WO2023050732A1 (zh) | 对象推荐方法和装置 | |
CN111768007B (zh) | 用于挖掘数据的方法和装置 | |
CN112529181B (zh) | 用于模型蒸馏的方法和装置 | |
CN113596011B (zh) | 流量识别方法及装置,计算设备和介质 | |
CN113554062B (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN112446716B (zh) | Ugc处理方法、装置、电子设备和存储介质 | |
CN113989562A (zh) | 模型训练、图像分类方法和装置 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN114120416A (zh) | 模型训练方法、装置、电子设备及介质 | |
CN112733879A (zh) | 针对不同场景的模型蒸馏方法和装置 | |
CN114329230B (zh) | 信息生成方法和装置 | |
CN114860405B (zh) | 多任务模型的参数更新方法、装置和存储介质 | |
CN116680455A (zh) | 信息展示方法、装置、电子设备及存储介质 |
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 |