CN112329810B - 一种基于显著性检测的图像识别模型训练方法及装置 - Google Patents
一种基于显著性检测的图像识别模型训练方法及装置 Download PDFInfo
- Publication number
- CN112329810B CN112329810B CN202011045342.7A CN202011045342A CN112329810B CN 112329810 B CN112329810 B CN 112329810B CN 202011045342 A CN202011045342 A CN 202011045342A CN 112329810 B CN112329810 B CN 112329810B
- Authority
- CN
- China
- Prior art keywords
- image
- training sample
- sample set
- recognition model
- image recognition
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明提出了一种基于显著性检测的图像识别模型训练方法及装置,涉及图像处理技术领域。该方法包括:获取图像训练样本集。对图像训练样本集中的图像训练样本进行显著性检测,以得到显著性检测结果,显著性检测结果可以准确表示出每个图像训练样本中显著性区域。因此可以根据显著性检测结果对图像训练样本集中的图像训练样本进行优化,得到优化后的图像训练样本集,以避免其对模型训练的影响。根据优化后的图像训练样本集对初始图像识别模型进行训练,从而最终可以得到能够对图像进行准确识别的训练好的图像识别模型,进而保证图像识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种基于显著性检测的图像识别模型训练方法及装置。
背景技术
随着大数据时代的来临,海量的图像已经广泛地应用于生活、教育、传媒、医学等多个领域,而且发挥着越来越重要的作用。同时,随着海量图像的出现,如何从海量图像中精准地识别出目标图像变成了一个非常有实际应用价值的问题。机器学习方法能够通过对已知图像训练样本的训练,得到图像识别模型,从而实现对目标图像的精准识别。
然而,众多的图像训练样本之间有较大的差异性。例如,以老虎图像为例,高质量的训练样本中老虎区域比重较大,低质量的训练样本中老虎区域比重较小。在传统的机器学习模型训练过程中,机器学习模型对不同质量的图像训练样本一视同仁,没有考虑到不同样本之间的差异性,因此,训练出的机器学习模型的在对图像进行识别时会出现识别不准确的问题,,训练出的机器学习模型的实际应用价值较低。
发明内容
本发明的目的在于提供一种基于显著性检测的图像识别模型训练方法及装置,用以改善现有技术中图像识别不准确的问题。
第一方面,本申请实施例提供一种基于显著性检测的图像识别模型训练方法,方法包括:获取图像训练样本集;其中,图像训练样本集中包括多个图像训练样本。对图像训练样本集中的图像训练样本进行显著性检测,以得到显著性检测结果。根据显著性检测结果对图像训练样本集中的图像训练样本进行优化,以得到优化后的图像训练样本集。根据优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型。
上述实现过程中,首先通过显著性检测算法对图像训练样本集中的图像训练样本进行显著性检测,显著性检测结果可以准确表示出每个图像训练样本中显著性区域。然后根据显著性检测结果对图像训练样本集中的显著性区域占比较高的图像训练样本进行优化,以避免其对模型训练的影响,从而最终可以通过优化后的图像训练样本集训练得到一个能够对图像进行准确识别的图像识别模型,进而保证图像识别的准确性。
在本发明的一些实施例中,根据优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型的步骤之后,方法包括:获取待识别图像库;其中,待识别图像库中包括多个待识别图像。利用训练好的图像识别模型对待识别图像库进行识别,并从待识别图像库中识别出目标图像。
上述实现过程中,由于训练好的图像识别模型是根据优化后的图像训练集训练得到的,其能够考虑到不同图像训练样本之间的差异性,因此可以从待识别图像库中准确的识别出目标图像。
在本发明的一些实施例中,根据显著性检测结果对图像训练样本集中的图像训练样本进行优化,以得到优化后的图像训练样本集的步骤,包括:判断显著性检测结果表示图像训练样本的显著性区域占其总区域的比例是否大于预设阈值。若是,则将图像训练样本从图像训练样本集中删除。
上述实现过程中,通过显著性检测结果对图像训练样本集进行优化,将显著性区域过大的图像训练样本从图像训练样本集中删除掉,可以过滤掉训练效果不理想的图像训练样本,从而保证训练出的图像识别模型的识别精度。
在本发明的一些实施例中,根据优化后的图像训练样本集对初始图像识别模型进行训练的步骤之前,方法包括:建立支持向量机图像识别模型;其中,支持向量机图像识别模型包括多个代价函数。根据显著性检测结果确定每个代价函数的权重。根据每个代价函数的权重确定多权重代价函数。根据多权重代价函数确定初始图像识别模型。
上述实现过程中,根据每个图像训练样本的显著性检测结果可以得到每个图像训练样本中显著区域占图像总区域的比重,然后再根据该比重对代价函数加权,以得到多权重代价函数,以保证根据多权重代价函数确定的初始图像识别模型可以准确的对图像进行识别。
第二方面,本申请实施例提供一种基于显著性检测的图像识别模型训练装置,装置包括:样本集获取模块,用于获取图像训练样本集;其中,图像训练样本集中包括多个图像训练样本。显著性检测模块,用于对图像训练样本集中的图像训练样本进行显著性检测,以得到显著性检测结果。样本优化模块,用于根据显著性检测结果对图像训练样本集中的图像训练样本进行优化,以得到优化后的图像训练样本集。图像识别模型训练模块,用于根据优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型。
在本发明的一些实施例中,装置包括:待识别图像库获取模块,用于获取待识别图像库;其中,待识别图像库中包括多个待识别图像。图像识别模块,用于利用训练好的图像识别模型对待识别图像库进行识别,并从待识别图像库中识别出目标图像。
在本发明的一些实施例中,样本优化模块包括:判断单元,用于判断显著性检测结果表示图像训练样本的显著性区域占其总区域的比例是否大于预设阈值。删除单元,用于若是,则将图像训练样本从图像训练样本集中删除。
在本发明的一些实施例中,装置包括:模型建立模块,用于建立支持向量机图像识别模型;其中,支持向量机图像识别模型包括多个代价函数。权重确定模块,用于根据显著性检测结果确定每个代价函数的权重。多权重代价函数确定模块,用于根据每个代价函数的权重确定多权重代价函数。模型确定模块,用于根据多权重代价函数确定初始图像识别模型。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
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,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本发明实施例提供的一种基于显著性检测的图像识别模型训练方法的流程图;
图2为本发明实施例提供的一种基于显著性检测的图像识别模型训练装置的结构框图;
图3为本发明实施例提供的一种电子设备的结构框图。
图标:100-基于显著性检测的图像识别模型训练装置;110-样本集获取模块;120-显著性检测模块;130-样本优化模块;101-存储器;102-处理器;103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1,图1为本发明实施例提供的一种基于显著性检测的图像识别模型训练方法的流程图。该基于显著性检测的图像识别模型训练方法包括如下步骤:
步骤S110:获取图像训练样本集。
其中,图像训练样本集中包括多个图像训练样本。为了保证图像训练样本集中每个图像训练样本的代表性,可以选用随机选择的方法从大量训练样本中挑选出一定量的图像训练样本,以获取图像训练样本集。
步骤S120:对图像训练样本集中的图像训练样本进行显著性检测,以得到显著性检测结果。
显著性检测是指通过智能算法模拟人的视觉特点,然后提取图像中的显著区域,也就是人类感兴趣的区域。显著性检测可以利用数学建模的方法模拟人的视觉注意机制,然后对图像中信息的重要程度进行计算。传统的显著性检测方法可以有多种实现方式。第一种实现方式,可以采用模拟生物体视觉注意机制的选择性注意算法,先进行特征提取,然后对提取的特征进行归一化处理,再进行特征综合或显著度计算,接着根据计算结果对显著性区域进行划分或兴趣点标定。第二种实现方式,运用马尔可夫随机场的特点构建二维图像的马尔可夫链,通过求其平衡分布而得到显著图。第三种实现方式,先基于空间频域分析的算法,然后再通过对剩余谱做傅里叶逆变换得到。第四种实现方式,SaliencyDetection via Graph-Based Manifold Ranking通过基于图形的流型排序进行显著性检测,可以综合利用图像中背景、前景的先验位置分布及连通性,得到显著物体分割的更好结果。
步骤S130:根据显著性检测结果对图像训练样本集中的图像训练样本进行优化,以得到优化后的图像训练样本集。
显著性检测结果可以表示出图像训练样本中的显著性区域的大小,因此,可以在根据图像训练样本中显著性区域的大小对图像训练样本集进行优化。
作为一种实施方式,在根据显著性检测结果对图像训练样本集中的图像训练样本进行优化时,可以先判断显著性检测结果表示图像训练样本的显著性区域占其总区域的比例是否大于预设阈值,若是,则将图像训练样本从图像训练样本集中删除,以达到优化图像训练样本集的目的。
例如,图像训练样本集包括有第一图像训练样本、第二图像训练样本以及第三图像训练样本,其中第一图像训练样本的显著性区域占其总区域的比例为50%,第二图像训练样本的显著性区域占其总区域的比例为80%,第三图像训练样本的显著性区域占其总区域的比例为20%,若预设阈值为75%,则可以判断出第二图像训练样本的显著性区域过大,则可以将第二图像训练样本从图像训练样本集中删除,避免在对初始图像识别模型进行训练时,影响训练结果。
上述实现过程中,通过显著性检测结果对图像训练样本集进行优化,将显著性区域过大的图像训练样本从图像训练样本集中删除掉,可以过滤掉训练效果不理想的图像训练样本,从而保证训练出的图像识别模型的识别精度。
步骤S140:根据优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型。
由于优化后的图像训练样本集中包括的图像训练样本是通过优化的,因此通过优化后的图像训练样本集训练而得到的图像识别模型能够避免差异性过大的图像训练样本的影响,从而得到准确度高的图像识别模型,进而能够保证图像识别的准确性。
上述实现过程中,首先通过显著性检测算法对图像训练样本集中的图像训练样本进行显著性检测,显著性检测结果可以准确表示出每个图像训练样本中显著性区域。然后根据显著性检测结果对图像训练样本集中的显著性区域占比较高的图像训练样本进行优化,以避免其对模型训练的影响,从而最终可以通过优化后的图像训练样本集训练得到一个能够对图像进行准确识别的图像识别模型,进而保证图像识别的准确性。
当根据优化后的图像训练样本集对初始图像识别模型进行训练,并得到训练好的图像识别模型之后,就可以从多个图像中准确的识别出目标图像了。例如,可以先获取待识别图像库。其中,待识别图像库中包括多个待识别图像。然后利用训练好的图像识别模型对待识别图像库进行识别,并从待识别图像库中识别出目标图像。由于训练好的图像识别模型是根据优化后的图像训练集训练得到的,其能够考虑到不同图像训练样本之间的差异性,因此可以从待识别图像库中准确的识别出目标图像。
作为另一种实施方式,在利用训练好的图像识别模型对待识别图像库中进行识别后,还可以根据识别出的目标图像对训练好的图像识别模型进行修正,从而能够进一步保证图像识别模型对图像进行识别的准确性。如,可以根据标准目标图像以及识别出的目标图像计算匹配度,当计算出的匹配度过低,则可以将识别出的目标图像作为训练图像重新对图像识别模型进行训练,以对图像识别模型进行修正。
在本发明的一些实施例中,根据优化后的图像训练样本集对初始图像识别模型进行训练之前,可以通过以下步骤确定初始图像识别模型。首先建立支持向量机图像识别模型;其中,支持向量机图像识别模型包括多个代价函数,然后根据显著性检测结果确定每个代价函数的权重,再根据每个代价函数的权重确定多权重代价函数,最后根据多权重代价函数确定初始图像识别模型。
代价函数(cost fuction)也称损失函数或优化目标,其出现在监督学习模型中,在已知的标签y的情况下,根据h(x)得到的预测值计算学习算法要到达真实情况所需要付出的代价,通过最小化代价函数可以得到算法的最优解,从而训练更有效的模型。其中,图像训练样本的显著性区域越大,其对应的代价函数赋予的权重就越大。如果用于训练识别模型的有n个训练样本,那么建立的支持向量机图像识别模型中就会包含n个代价函数。显著性检测结果中包括图像训练样本中的显著性区域占该图像的总区域的百分比,该百分比的值就可以作为对应代价函数的权重。例如,该图像的显著性区域占该图像的总区域的百分比是60%,该代价函数的权重就可以为0.6。若该图像的显著性区域占该图像的总区域的百分比为50%,则该代价函数的权重就可以为0.5。根据显著性检测结果可以确定第一代价函数的权重为0.6,第二代价函数的权重为0.5,直到第n个代价函数的权重也可以根据显著性检测结果确定,我们可以将赋有权重的n个代价函数作为一个多权重的代价函数。
基于同样的发明构思,本发明还提出一种基于显著性检测的图像识别模型训练装置100,请参看图2,图2为本发明实施例提供的一种基于显著性检测的图像识别模型训练装置100的结构框图,该基于显著性检测的图像识别模型训练装置100包括:
样本集获取模块110,用于获取图像训练样本集;其中,图像训练样本集中包括多个图像训练样本。
显著性检测模块120,用于对图像训练样本集中的图像训练样本进行显著性检测,以得到显著性检测结果。
样本优化模块130,用于根据显著性检测结果对图像训练样本集中的图像训练样本进行优化,以得到优化后的图像训练样本集。
图像识别模型训练模块140,用于根据优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型。
在本发明的一些实施例中,装置包括:
待识别图像库获取模块,用于获取待识别图像库;其中,待识别图像库中包括多个待识别图像。
图像识别模块,用于利用训练好的图像识别模型对待识别图像库进行识别,并从待识别图像库中识别出目标图像。
在本发明的一些实施例中,样本优化模块130包括:
判断单元,用于判断显著性检测结果表示图像训练样本的显著性区域占其总区域的比例是否大于预设阈值。
删除单元,用于若是,则将图像训练样本从图像训练样本集中删除。
在本发明的一些实施例中,装置包括:
模型建立模块,用于建立支持向量机图像识别模型;其中,支持向量机图像识别模型包括多个代价函数。
权重确定模块,用于根据显著性检测结果确定每个代价函数的权重。
多权重代价函数确定模块,用于根据每个代价函数的权重确定多权重代价函数。
模型确定模块,用于根据多权重代价函数确定初始图像识别模型。
请参阅图3,图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例所提供的基于显著性检测的图像识别模型训练装置100对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,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方式中,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,两个连续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动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上,本申请实施例提供的一种基于显著性检测的图像识别模型训练方法及装置,该方法包括:获取图像训练样本集;其中,图像训练样本集中包括多个图像训练样本。对图像训练样本集中的图像训练样本进行显著性检测,以得到显著性检测结果。根据显著性检测结果对图像训练样本集中的图像训练样本进行优化,以得到优化后的图像训练样本集。根据优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型。上述实现过程中,首先通过显著性检测算法对图像训练样本集中的图像训练样本进行显著性检测,显著性检测结果可以准确表示出每个图像训练样本中显著性区域。然后根据显著性检测结果对图像训练样本集中的显著性区域占比较高的图像训练样本进行优化,以避免其对模型训练的影响,从而最终可以通过优化后的图像训练样本集训练得到一个能够对图像进行准确识别的图像识别模型,进而保证图像识别的准确性。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种基于显著性检测的图像识别模型训练方法,其特征在于,所述方法包括:
获取图像训练样本集;其中,所述图像训练样本集中包括多个图像训练样本;
对所述图像训练样本集中的所述图像训练样本进行显著性检测,以得到显著性检测结果;
根据所述显著性检测结果对所述图像训练样本集中的所述图像训练样本进行优化,以得到优化后的图像训练样本集;具体包括:判断所述显著性检测结果表示所述图像训练样本的显著性区域占其总区域的比例是否大于预设阈值;若是,则将所述图像训练样本从所述图像训练样本集中删除;
根据所述优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型。
2.如权利要求1所述的方法,其特征在于,根据所述优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型的步骤之后,所述方法包括:
获取待识别图像库;其中,所述待识别图像库中包括多个待识别图像;
利用训练好的图像识别模型对所述待识别图像库进行识别,并从所述待识别图像库中识别出目标图像。
3.如权利要求1所述的方法,其特征在于,所述根据所述优化后的图像训练样本集对初始图像识别模型进行训练的步骤之前,所述方法包括:
建立支持向量机图像识别模型;其中,所述支持向量机图像识别模型包括多个代价函数;
根据所述显著性检测结果确定每个所述代价函数的权重;
根据每个所述代价函数的权重确定多权重代价函数;
根据所述多权重代价函数确定所述初始图像识别模型。
4.一种基于显著性检测的图像识别模型训练装置,其特征在于,所述装置包括:
样本集获取模块,用于获取图像训练样本集;其中,所述图像训练样本集中包括多个图像训练样本;
显著性检测模块,用于对所述图像训练样本集中的所述图像训练样本进行显著性检测,以得到显著性检测结果;
样本优化模块,用于根据所述显著性检测结果对所述图像训练样本集中的所述图像训练样本进行优化,以得到优化后的图像训练样本集;具体包括:判断所述显著性检测结果表示所述图像训练样本的显著性区域占其总区域的比例是否大于预设阈值;若是,则将所述图像训练样本从所述图像训练样本集中删除;
图像识别模型训练模块,用于根据所述优化后的图像训练样本集对初始图像识别模型进行训练,以得到训练好的图像识别模型。
5.如权利要求4所述的装置,其特征在于,所述装置包括:
待识别图像库获取模块,用于获取待识别图像库;其中,所述待识别图像库中包括多个待识别图像;
图像识别模块,用于利用训练好的图像识别模型对所述待识别图像库进行识别,并从所述待识别图像库中识别出目标图像。
6.如权利要求4所述的装置,其特征在于,所述装置包括:
模型建立模块,用于建立支持向量机图像识别模型;其中,所述支持向量机图像识别模型包括多个代价函数;
权重确定模块,用于根据所述显著性检测结果确定每个所述代价函数的权重;
多权重代价函数确定模块,用于根据每个所述代价函数的权重确定多权重代价函数;
模型确定模块,用于根据所述多权重代价函数确定所述初始图像识别模型。
7.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-3中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011045342.7A CN112329810B (zh) | 2020-09-28 | 2020-09-28 | 一种基于显著性检测的图像识别模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011045342.7A CN112329810B (zh) | 2020-09-28 | 2020-09-28 | 一种基于显著性检测的图像识别模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329810A CN112329810A (zh) | 2021-02-05 |
CN112329810B true CN112329810B (zh) | 2023-07-11 |
Family
ID=74304220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011045342.7A Active CN112329810B (zh) | 2020-09-28 | 2020-09-28 | 一种基于显著性检测的图像识别模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329810B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861858B (zh) * | 2021-02-19 | 2024-06-07 | 北京龙翼风科技有限公司 | 显著性真值图的生成方法及显著性检测模型的训练方法 |
CN114581207B (zh) * | 2022-05-09 | 2022-09-13 | 农夫铺子发展集团有限公司 | 一种面向电商平台的商品图像大数据精准推送方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146219A (zh) * | 2017-04-13 | 2017-09-08 | 大连理工大学 | 一种基于流形正则化支持向量机的图像显著性检测方法 |
CN107169417A (zh) * | 2017-04-17 | 2017-09-15 | 上海大学 | 基于多核增强和显著性融合的rgbd图像协同显著性检测方法 |
CN107463649A (zh) * | 2017-07-26 | 2017-12-12 | 北京师范大学珠海分校 | 一种基于具名图的知识图谱时间演化方法 |
CN109919059A (zh) * | 2019-02-26 | 2019-06-21 | 四川大学 | 基于深度网络层次化与多任务训练的显著性物体检测方法 |
CN110909780A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练和图像识别方法、装置及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8175376B2 (en) * | 2009-03-09 | 2012-05-08 | Xerox Corporation | Framework for image thumbnailing based on visual similarity |
US9830529B2 (en) * | 2016-04-26 | 2017-11-28 | Xerox Corporation | End-to-end saliency mapping via probability distribution prediction |
-
2020
- 2020-09-28 CN CN202011045342.7A patent/CN112329810B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146219A (zh) * | 2017-04-13 | 2017-09-08 | 大连理工大学 | 一种基于流形正则化支持向量机的图像显著性检测方法 |
CN107169417A (zh) * | 2017-04-17 | 2017-09-15 | 上海大学 | 基于多核增强和显著性融合的rgbd图像协同显著性检测方法 |
CN107463649A (zh) * | 2017-07-26 | 2017-12-12 | 北京师范大学珠海分校 | 一种基于具名图的知识图谱时间演化方法 |
CN109919059A (zh) * | 2019-02-26 | 2019-06-21 | 四川大学 | 基于深度网络层次化与多任务训练的显著性物体检测方法 |
CN110909780A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练和图像识别方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
Weighted-learning-instance-based retrieval model using instance distance;Hao Wu et al;《Machine Vision and Applications》;第30卷;第163–176页 * |
基于引导Boosting算法的显著性检测;叶子童 等;《计算机应用》;第37卷(第9期);第2652-2658页 * |
基于视觉显著性的图像分割方法研究;白雪飞;《中国博士学位论文全文数据库 (信息科技辑)》(第1期);第I138-102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329810A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434721B (zh) | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
CN109978035B (zh) | 基于改进的k-means和损失函数的行人检测方法 | |
CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
CN111353549B (zh) | 图像标签的核验方法及装置、电子设备、存储介质 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN110705718A (zh) | 基于合作博弈的模型解释方法、装置、电子设备 | |
CN106326928B (zh) | 一种目标识别方法及设备 | |
CN112529005B (zh) | 基于语义特征一致性监督金字塔网络的目标检测方法 | |
CN111401339A (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN116492634B (zh) | 基于图像视觉定位的立定跳远测试方法 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN111353580A (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
CN115391561A (zh) | 图网络数据集的处理方法、装置、电子设备、程序及介质 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN116109907B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN111860623A (zh) | 基于改进ssd神经网络的统计树木数量的方法及系统 | |
US20230401670A1 (en) | Multi-scale autoencoder generation method, electronic device and readable storage medium | |
CN111046786A (zh) | 年龄估计神经网络的生成方法、装置以及电子设备 | |
CN115761360A (zh) | 一种肿瘤基因突变分类方法、装置、电子设备及存储介质 | |
CN112132239B (zh) | 一种训练方法、装置、设备和存储介质 | |
CN113780335A (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
CN111435451B (zh) | 确定图片类别的方法、装置、服务器和存储介质 | |
CN112861874A (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 |
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 |