CN112036519A - 基于多位sigmoid的分类处理方法、装置及电子设备 - Google Patents
基于多位sigmoid的分类处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112036519A CN112036519A CN202011226663.7A CN202011226663A CN112036519A CN 112036519 A CN112036519 A CN 112036519A CN 202011226663 A CN202011226663 A CN 202011226663A CN 112036519 A CN112036519 A CN 112036519A
- Authority
- CN
- China
- Prior art keywords
- classification
- target object
- target area
- sigmoid
- classification 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
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
本发明实施例公开了一种基于多位sigmoid的分类处理方法、装置及电子设备，涉及数据处理技术领域。该方法包括：获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态；基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合；将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练；利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。通过本申请的方案，提高了分类计算的准确度。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及基于多位sigmoid的分类处理技术。
背景技术
分类用于确定数据所归属的类别，而回归是根据已知的数据进行推断或估计某个未知量，比如根据年龄和教育水平进行收入预测分析。分类的典型应用是垃圾邮件过滤和字符识别。
在判别人脸是否佩戴口罩的过程中，如果结合深度神经网络模型使用分类的方法对是否佩戴口罩的状态进行二分类的话，往往识别的精度不能满足实际部署的需求。
针对上述问题，亟需一种全新的基于多位sigmoid的分类处理技术。
发明内容
有鉴于此，本发明实施例提供一种基于多位sigmoid的分类处理方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序，至少部分的解决现有技术中存在的问题。
第一方面，本发明实施例提供了一种基于多位sigmoid的分类处理方法，包括：
获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态；
基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合；
将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，所述分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确；
利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。
根据本公开实施例的一种具体实现方式，所述获取用于分类的图像集合，包括：
利用预设的图像采集工具，对所述目标对象在至少三种不同布局状态下的图像进行采集，形成图像集合。
根据本公开实施例的一种具体实现方式，所述获取用于分类的图像集合，还包括：
设置不同的光照条件，以便于在不同的光照条件下对所述目标对象在不同布局状态下的图像进行采集。
根据本公开实施例的一种具体实现方式，所述基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，包括：
对于目标对象出现在目标区域中、且符合预设布局规则的图像，进行第一类型标注；
对于目标对象出现在目标区域中、不符合预设布局规则的图像，进行第二类型标注；
对于目标对象没有出现在目标区域中的图像，进行第三类型标注。
根据本公开实施例的一种具体实现方式，所述将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，包括：
判断分类模型中包含的第一sigmoid函数是否大于第一阈值；
若是，则认定所述目标对象存在于所述目标区域中；
若否，则认定所述目标对象不存在于所述目标区域中。
根据本公开实施例的一种具体实现方式，所述则认定所述目标对象存在于所述目标区域中之后，所述方法还包括：
判断分类模型中包含的第二sigmoid函数是否大于第二阈值；
若是，则认定所述目标对象在所述目标区域中的布局方式满足预设布局规则；
若否，则认定所述目标对象在所述目标区域中的布局方式不满足预设布局规则。
根据本公开实施例的一种具体实现方式，所述将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练之前，所述方法还包括：
在所述分类模型中预先配置第一阈值和第二阈值。
根据本公开实施例的一种具体实现方式，所述利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断，包括：
将新获取到的包含目标对象的图像输入到训练好的分类模型中；
基于所述分类模型的输出结果，判断所述目标对象相对于所述目标区域的布局关系。
第二方面，本发明实施例还提供了一种基于多位sigmoid的分类处理装置，包括：
获取模块，用于获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态；
标注模块，用于基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合；
训练模块，用于将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，所述分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确；
执行模块，用于利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式所述的基于多位sigmoid的分类处理方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行前述第一方面或第一方面的任一实现方式所述的基于多位sigmoid的分类处理方法。
第五方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行前述第一方面或第一方面的任一实现方式所述的基于多位sigmoid的分类处理方法。
本发明实施例提供的基于多位sigmoid的分类处理方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序，包括获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态；基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合；将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，所述分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确；利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。通过本公开的方案，能够提高分类计算的精确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于多位sigmoid的分类处理流程示意图；
图2为本发明实施例提供的另一种基于多位sigmoid的分类处理流程示意图；
图3为本发明实施例提供的另一种基于多位sigmoid的分类处理流程示意图；
图4为本发明实施例提供的另一种基于多位sigmoid的分类处理流程示意图；
图5为本发明实施例提供的一种基于多位sigmoid的分类处理装置结构示意图；
图6为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于多位sigmoid的分类处理方法。本实施例提供的基于多位sigmoid的分类处理方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1及图2，本公开实施例提供的一种基于多位sigmoid的分类处理方法，包括如下步骤：
S101，获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态。
目标对象可以是任何需要进行放置的物体，作为一个例子，本申请以口罩为例进行说明如何对目标对象的放置位置进行检测。
可以使用不同的手机、数码相机、监控设备等带有摄像头的设备对是否佩戴口罩的人脸照片进行采集，这其中包括戴口罩的人脸照片，没戴口罩的照片，戴口罩但是没有戴好的人脸照片（如，口罩戴在下巴上，口罩没有遮住鼻子，口罩遮住鼻子但是没有遮住嘴，口罩挂在耳朵上等没有戴好口罩的特殊情况），为了使模型在训练和部署的过程中可以得到一个比较好的分类精度，上述照片需要在不同光照条件下(如 10-20000lux）进行图片数据采集。通过上述方式，可以形成用户分类的图像集合。
S102，基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合。
在进行模型训练之前，可以对上述采集到的图像集合中的图像进行手工分类，具体的分类可以采取多去多种方式，作为一种情形，第一类，戴口罩的图片，即上述采集到的图片中正确佩戴口罩的人脸图片，第二类，没有戴口罩的图片，即上述采集到的图片中没有佩戴口罩的人脸照片，第三类，戴口罩了但是没有戴好口罩的人脸照片。
通过对上述图像进行人工标注，形成图像训练集合。
S103，将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，所述分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确。
第一sigmoid 函数和第二sigmoid 函数的取值范围为(0,1)，用于将一个实数映射到(0,1)的区间，可以用来做二分类，在特征相差比较复杂或是相差不是特别大时效果比较好。
使用上述采集并分类完成的图像训练集合作为输入，采用如 mobilenetV2 等网络作为主干网络进行模型训练，当分类精度符合预定要求，如 97%的精度, 99%的召回率时停止训练。
分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确。
S104，利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。
最后可以使用训练好的模型在指定运行设备上进行实际部署，用以对人脸是否配戴口罩进行判断和鉴别。
根据本公开实施例的一种具体实现方式，所述获取用于分类的图像集合，包括：
利用预设的图像采集工具，对所述目标对象在至少三种不同布局状态下的图像进行采集，形成图像集合。
根据本公开实施例的一种具体实现方式，所述获取用于分类的图像集合，还包括：
设置不同的光照条件，以便于在不同的光照条件下对所述目标对象在不同布局状态下的图像进行采集。
根据本公开实施例的一种具体实现方式，所述基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，包括：
对于目标对象出现在目标区域中、且符合预设布局规则的图像，进行第一类型标注；
对于目标对象出现在目标区域中、不符合预设布局规则的图像，进行第二类型标注；
对于目标对象没有出现在目标区域中的图像，进行第三类型标注。
参见图3，根据本公开实施例的一种具体实现方式，所述将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，包括：
S301，判断分类模型中包含的第一sigmoid函数是否大于第一阈值；
S302，若是，则认定所述目标对象存在于所述目标区域中；
S303，若否，则认定所述目标对象不存在于所述目标区域中。
参见图4，根据本公开实施例的一种具体实现方式，所述则认定所述目标对象存在于所述目标区域中之后，所述方法还包括：
S401，判断分类模型中包含的第二sigmoid函数是否大于第二阈值；
S402，若是，则认定所述目标对象在所述目标区域中的布局方式满足预设布局规则；
S403，若否，则认定所述目标对象在所述目标区域中的布局方式不满足预设布局规则。
根据本公开实施例的一种具体实现方式，所述将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练之前，所述方法还包括：
在所述分类模型中预先配置第一阈值和第二阈值。
根据本公开实施例的一种具体实现方式，所述利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断，包括：
将新获取到的包含目标对象的图像输入到训练好的分类模型中；
基于所述分类模型的输出结果，判断所述目标对象相对于所述目标区域的布局关系。
与上面的方法实施例相对应，参见图5，本公开还提供了一种基于多位sigmoid的分类处理装置50，包括：
获取模块501，用于获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态；
标注模块502，用于基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合；
训练模块503，用于将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，所述分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确；
执行模块504，用于利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中基于多位sigmoid的分类处理方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态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该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于多位sigmoid的分类处理方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子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6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置（例如中央处理器、图形处理器等）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装置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，还存储有电子设备60操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，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。
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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，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：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
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操作的计算机程序代码，上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。其中，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“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于多位sigmoid的分类处理方法，其特征在于，包括：
获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态；
基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合；
将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，所述分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确；
利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。
2.根据权利要求1所述的基于多位sigmoid的分类处理方法，其特征在于，所述获取用于分类的图像集合，包括：
利用预设的图像采集工具，对所述目标对象在至少三种不同布局状态下的图像进行采集，形成图像集合。
3.根据权利要求2所述的基于多位sigmoid的分类处理方法，其特征在于，所述获取用于分类的图像集合，还包括：
设置不同的光照条件，以便于在不同的光照条件下对所述目标对象在不同布局状态下的图像进行采集。
4.根据权利要求1所述的基于多位sigmoid的分类处理方法，其特征在于，所述基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，包括：
对于目标对象出现在目标区域中、且符合预设布局规则的图像，进行第一类型标注；
对于目标对象出现在目标区域中、不符合预设布局规则的图像，进行第二类型标注；
对于目标对象没有出现在目标区域中的图像，进行第三类型标注。
5.根据权利要求1所述的基于多位sigmoid的分类处理方法，其特征在于，所述将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，包括：
判断分类模型中包含的第一sigmoid函数是否大于第一阈值；
若是，则认定所述目标对象存在于所述目标区域中；
若否，则认定所述目标对象不存在于所述目标区域中。
6.根据权利要求5所述的基于多位sigmoid的分类处理方法，其特征在于，所述则认定所述目标对象存在于所述目标区域中之后，所述方法还包括：
判断分类模型中包含的第二sigmoid函数是否大于第二阈值；
若是，则认定所述目标对象在所述目标区域中的布局方式满足预设布局规则；
若否，则认定所述目标对象在所述目标区域中的布局方式不满足预设布局规则。
7.根据权利要求6所述的基于多位sigmoid的分类处理方法，其特征在于，所述将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练之前，所述方法还包括：
在所述分类模型中预先配置第一阈值和第二阈值。
8.根据权利要求1所述的基于多位sigmoid的分类处理方法，其特征在于，所述利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断，包括：
将新获取到的包含目标对象的图像输入到训练好的分类模型中；
基于所述分类模型的输出结果，判断所述目标对象相对于所述目标区域的布局关系。
9.一种基于多位sigmoid的分类处理装置，其特征在于，包括：
获取模块，用于获取用于分类的图像集合，所述图像集合中包含目标对象相对于目标区域的多种布局状态；
标注模块，用于基于目标对象相对于目标区域的多种不同的布局状态，对所述图像集合进行三分类标注，形成图像训练集合；
训练模块，用于将所述图像训练集合中的数据输入到预设的分类模型中对所述分类模型进行训练，所述分类模型包括第一sigmoid函数和第二sigmoid函数，所述第一sigmoid函数通过与第一阈值进行比较来判断所述目标对象是否存在于所述目标区域，所述第二sigmoid函数通过与第二阈值比较来判断所述目标对象在所述目标区域的布局是否正确；
执行模块，用于利用训练好的所述分类模型对新获取到的目标对象是否在目标区域中合理放置进行判断。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-8任一项所述的基于多位sigmoid的分类处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011226663.7A CN112036519B (zh) | 2020-11-06 | 2020-11-06 | 基于多位sigmoid的分类处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011226663.7A CN112036519B (zh) | 2020-11-06 | 2020-11-06 | 基于多位sigmoid的分类处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036519A true CN112036519A (zh) | 2020-12-04 |
| CN112036519B CN112036519B (zh) | 2021-05-04 |
Family
ID=73572792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011226663.7A Active CN112036519B (zh) | 2020-11-06 | 2020-11-06 | 基于多位sigmoid的分类处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036519B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733735A (zh) * | 2021-01-13 | 2021-04-30 | 国网上海市电力公司 | 一种采用机器学习进行图纸布局分类识别的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998029833A1 (fr) * | 1996-12-25 | 1998-07-09 | Hitachi, Ltd. | Appareil et procede de reconnaissance de formes |
| US20100183218A1 (en) * | 2008-06-20 | 2010-07-22 | Aisin Seiki Kabushiki Kaisha | Object determining device and program thereof |
| CN107871130A (zh) * | 2016-09-27 | 2018-04-03 | 顶级公司 | 图像处理 |
| CN108108703A (zh) * | 2017-12-27 | 2018-06-01 | 天津英创汇智汽车技术有限公司 | 减速带缺失检测方法、装置及电子设备 |
| CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
| CN111429940A (zh) * | 2020-06-15 | 2020-07-17 | 杭州贝哆蜂智能有限公司 | 一种基于深度学习的实时音乐转录与曲谱匹配方法 |
| CN111582068A (zh) * | 2020-04-22 | 2020-08-25 | 北京交通大学 | 人员口罩佩戴状态检测方法 |
| CN111881770A (zh) * | 2020-07-06 | 2020-11-03 | 上海序言泽网络科技有限公司 | 一种人脸识别方法及系统 |
-
2020
- 2020-11-06 CN CN202011226663.7A patent/CN112036519B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998029833A1 (fr) * | 1996-12-25 | 1998-07-09 | Hitachi, Ltd. | Appareil et procede de reconnaissance de formes |
| US20100183218A1 (en) * | 2008-06-20 | 2010-07-22 | Aisin Seiki Kabushiki Kaisha | Object determining device and program thereof |
| CN107871130A (zh) * | 2016-09-27 | 2018-04-03 | 顶级公司 | 图像处理 |
| CN108108703A (zh) * | 2017-12-27 | 2018-06-01 | 天津英创汇智汽车技术有限公司 | 减速带缺失检测方法、装置及电子设备 |
| CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
| CN111582068A (zh) * | 2020-04-22 | 2020-08-25 | 北京交通大学 | 人员口罩佩戴状态检测方法 |
| CN111429940A (zh) * | 2020-06-15 | 2020-07-17 | 杭州贝哆蜂智能有限公司 | 一种基于深度学习的实时音乐转录与曲谱匹配方法 |
| CN111881770A (zh) * | 2020-07-06 | 2020-11-03 | 上海序言泽网络科技有限公司 | 一种人脸识别方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733735A (zh) * | 2021-01-13 | 2021-04-30 | 国网上海市电力公司 | 一种采用机器学习进行图纸布局分类识别的方法 |
| CN112733735B (zh) * | 2021-01-13 | 2024-04-09 | 国网上海市电力公司 | 一种采用机器学习进行图纸布局分类识别的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036519B (zh) | 2021-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110381368A (zh) | 视频封面生成方法、装置及电子设备 | |
| CN110619314A (zh) | 安全帽检测方法、装置及电子设备 | |
| CN112101305B (zh) | 多路图像处理方法、装置及电子设备 | |
| CN112232313A (zh) | 视频中人员安全帽佩戴状态的检测方法、装置及电子设备 | |
| CN110415276B (zh) | 运动信息计算方法、装置及电子设备 | |
| CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
| CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
| CN110288037A (zh) | 图像处理方法、装置及电子设备 | |
| CN111222509A (zh) | 目标检测方法、装置及电子设备 | |
| CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
| CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
| CN112990017B (zh) | 一种智慧城市大数据分析方法及监控系统 | |
| CN111753114A (zh) | 图像预标注方法、装置及电子设备 | |
| CN112036519B (zh) | 基于多位sigmoid的分类处理方法、装置及电子设备 | |
| CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113869599A (zh) | 鱼类疫病发展预测方法、系统、设备及介质 | |
| CN110879975B (zh) | 人员流量检测方法、装置及电子设备 | |
| CN112734631A (zh) | 基于微调模型的视频图像换脸方法、装置、设备及介质 | |
| CN110378936A (zh) | 光流计算方法、装置及电子设备 | |
| CN110781809A (zh) | 基于注册特征更新的识别方法、装置及电子设备 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN110704679A (zh) | 视频分类方法、装置及电子设备 | |
| CN112070025B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 |
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 |