CN113191308A - 一种级联分类识别的方法和设备 - Google Patents
一种级联分类识别的方法和设备 Download PDFInfo
- Publication number
- CN113191308A CN113191308A CN202110542284.7A CN202110542284A CN113191308A CN 113191308 A CN113191308 A CN 113191308A CN 202110542284 A CN202110542284 A CN 202110542284A CN 113191308 A CN113191308 A CN 113191308A
- Authority
- CN
- China
- Prior art keywords
- probability
- model
- recognition result
- recognition
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000282472 Canis lupus familiaris Species 0.000 claims description 15
- 241000757814 Canis lupus x Canis lupus familiaris Species 0.000 claims description 6
- 241001672694 Citrus reticulata Species 0.000 claims description 6
- 241000628997 Flos Species 0.000 claims description 6
- 241000220225 Malus Species 0.000 description 19
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 11
- 240000003768 Solanum lycopersicum Species 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 235000021016 apples Nutrition 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 5
- 235000010724 Wisteria floribunda Nutrition 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提出一种级联分类识别的方法和设备,方法包括:获取目标的待识别图像;通过预先训练好的第一模型对待识别图像进行识别,得到一个或多个第一识别结果以及各第一识别结果的第一概率;若所有的第一概率均小于预设阈值,则通过预先训练好的第二模型对待识别图像进行识别,得到一个或多个第二识别结果以及各第二识别结果的第二概率;将指定第一概率与第二概率的乘积作为第二识别结果的最终概率;指定第一概率为与第二概率的第二识别结果同一类别的第一识别结果的第一概率;将各第二识别结果以及各识别结果的最终概率作为最终识别结果。本方案实现对相似程度比较高的目标进行精确的识别。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种级联分类识别的方法和设备。
背景技术
目前,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。现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域等。但是目前的图像识别的精准程度不够,无法对相似程度比较高的目标进行精确的识别。由此,目前需要有一种方案来解决现有技术中的问题。
发明内容
有鉴于此,本发明提出了一种级联分类识别的方法和设备,通过级联分类识别的方式,实现对相似程度比较高的目标进行精确的识别。
具体的,本发明提出了以下具体的实施例:
本发明实施例提出了一种级联分类识别的方法,包括:
获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;
通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;
若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;
将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;
将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。
在一个具体的实施例中,该方法还包括:
针对每个类别的所述目标的样本数据,训练对应所述类别的第二模型;
所述“通过预先训练好的第二模型对所述待识别图像进行识别”,包括:
确定所述第一概率最大的预设数量的第一识别结果对应的类别;
选择所确定的类别对应的训练好的第二模型对所述待识别图像进行识别。
在一个具体的实施例中,该方法还包括:
若存在所述第一概率大于预设阈值,则将大于预设阈值的所述第一概率对应的第一识别结果作为所述最终识别结果。
在一个具体的实施例中,该方法还包括:显示所述最终识别结果。
在一个具体的实施例中,所述类别包括:苹果类、狗类、桔类中的一种或多种;
所述苹果类下的所述子类包括:山西红富士、海南红富士中的一种或多种;
所述狗类下的所述子类包括:金毛、狼犬中的一种或多种;
所述桔类下的所述子类包括:沙糖桔、蜜桔、贡菊、叶桔中的一种或多种。
本发明实施例还提出了一种级联分类识别的设备,包括:
获取模块,用于获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;
第一识别模块,用于通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;
第二识别模块,用于若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;
设置模块,用于将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;
处理模块,用于将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。
在一个具体的实施例中,该设备还包括:
训练模块,用于针对每个类别的所述目标的样本数据,训练对应所述类别的第二模型;
所述第一识别模块“通过预先训练好的第二模型对所述待识别图像进行识别”,包括:
确定所述第一概率最大的预设数量的第一识别结果对应的类别;
选择所确定的类别对应的训练好的第二模型对所述待识别图像进行识别。
在一个具体的实施例中,该设备还包括:
输出模块,用于若存在所述第一概率大于预设阈值,则将大于预设阈值的所述第一概率对应的第一识别结果作为所述最终识别结果。
在一个具体的实施例中,该设备还包括:显示模块,用于显示所述最终识别结果。
在一个具体的实施例中,所述类别包括:苹果类、狗类、桔类中的一种或多种;
所述苹果类下的所述子类包括:山西红富士、海南红富士中的一种或多种;
所述狗类下的所述子类包括:金毛、狼犬中的一种或多种;
所述桔类下的所述子类包括:沙糖桔、蜜桔、贡菊、叶桔中的一种或多种。
以此,本发明提出了一种级联分类识别的方法和设备,该方法包括:获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。以此通过第一模型与第二模型通过级联分类识别的方式,实现对相似程度比较高的目标进行精确的识别。
附图说明
为了更清楚地说明本发明的技术方案,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本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本发明实施例提出的一种级联分类识别的方法的流程示意图;
图2示出了本发明实施例提出的一种级联分类识别的方法的框架流程示意图;
图3示出了本发明实施例提出的一种级联分类识别的设备的框架结构示意图;
图4示出了本发明实施例提出的另一种级联分类识别的设备的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
实施例1
本发明实施例1公开了一种级联分类识别的方法,如图1所示,包括以下步骤:
步骤101、获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;
具体的,目标例如可以为水果,蔬菜,动物等目标,具体的目标类别的划分以及每个类别下的子类的划分是用于自定义的,具体的可以根据通用的划分法来进行划分,例如所述类别包括:苹果类、狗类、桔类中的一种或多种;
所述苹果类下的所述子类包括:山西红富士、海南红富士中的一种或多种;
所述狗类下的所述子类包括:金毛、狼犬中的一种或多种;
所述桔类下的所述子类包括:沙糖桔、蜜桔、贡菊、叶桔中的一种或多种。
步骤102、通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;
具体的,第一模型为识别类别以及类别下的子类的模型,也即属于大类的模型,具体的第一模型可以为神经网络模型,训练时,样本数据是大量带有第一标签的图片,例如图1,第一标签包括狗类,哈士奇;以此训练得到的第一模型输出的第一识别结果会包括类别以及子类,以及对应的概率,例如第一识别结果为哈士奇,狗类,概率是0.1。
具体的,若存在所述第一概率大于预设阈值,则将大于预设阈值的所述第一概率对应的第一识别结果作为所述最终识别结果。
若存在第一概率大于预设阈值,例如第一识别结果中,狗类的第一概率是0.6,则直接将该第一识别结果作为最终识别结果。
步骤103、若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;
在获取到第一识别结果以及第一概率之后,判断是否所有的第一概率都小于预设阈值,预设阈值例如为0.5;若第一概率均小于0.5,例如以图2为例,第一识别结果有3个,分别为苹果(第一概率为P1)、香梨(第一概率为P2)、西红柿(第一概率为P3);排序最前的2个为第一识别结果1,第一识别结果2,其对应的类别分别为;苹果、西红柿在此情况下,则调用第二模型进行识别。
具体的,针对每个类别的所述目标的样本数据,训练对应所述类别的第二模型;
所述“通过预先训练好的第二模型对所述待识别图像进行识别”,包括:
确定所述第一概率最大的预设数量的第一识别结果对应的类别;
选择所确定的类别对应的训练好的第二模型对所述待识别图像进行识别。
具体的,例如针对苹果,有苹果的第二模型,针对西红柿,有西红柿的第二模型,具体的第二模型具体为细粒度分类模型,相较于第一模型,其识别的是某个类别下的子类,更专业,也更精准。
由此,仍以上述为例,则选择苹果的第二模型与西红柿的第二模型来进行进一步识别。
苹果的第二模型识别出的一个结果是,红富士苹果(第二概率是P4),另一个结果是水晶苹果(第二概率是P5),西红柿的第二模型识别出的结果为水果西红柿(第二概率是P6)。
步骤104、将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;
具体的,识别的结果为红富士苹果(第二概率是P4),另一个结果是水晶苹果(第二概率是P5),西红柿的第二模型识别出的结果为水果西红柿(第二概率是P6)。
具体的,识别结果中红富士苹果的最终概率是P4×P1;识别结果中水晶的最终概率是P5×P1;识别结果中水果西红柿的最终概率是P6×P2;
步骤105、将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。
具体的,在经过上述步骤104之后,以上述为例来进行说明,则将识别结果中红富士苹果的最终概率是P4×P1;识别结果中水晶的最终概率是P5×P1;识别结果中水果西红柿的最终概率是P6×P2作为最终识别结果。
在执行了上述步骤之后,为了更直观的展示,该方法还包括:显示所述最终识别结果。
具体的,可以在运行有本方案的装置的显示器上进行显示。
实施例2
本发明实施例2还公开了一种级联分类识别的设备,如图3所示,包括:
获取模块201,用于获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;
第一识别模块202,用于通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;
第二识别模块203,用于若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;
设置模块204,用于将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;
处理模块205,用于将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。
在一个具体的实施例中,如图4所示,该设备还包括:
训练模块206,用于针对每个类别的所述目标的样本数据,训练对应所述类别的第二模型;
所述第一识别模块202“通过预先训练好的第二模型对所述待识别图像进行识别”,包括:
确定所述第一概率最大的预设数量的第一识别结果对应的类别;
选择所确定的类别对应的训练好的第二模型对所述待识别图像进行识别。
在一个具体的实施例中,还包括:
输出模块,用于若存在所述第一概率大于预设阈值,则将大于预设阈值的所述第一概率对应的第一识别结果作为所述最终识别结果。
在一个具体的实施例中,还包括:显示模块208,用于显示所述最终识别结果。
在一个具体的实施例中,所述类别包括:苹果类、狗类、桔类中的一种或多种;
所述苹果类下的所述子类包括:山西红富士、海南红富士中的一种或多种;
所述狗类下的所述子类包括:金毛、狼犬中的一种或多种;
所述桔类下的所述子类包括:沙糖桔、蜜桔、贡菊、叶桔中的一种或多种。
以此,本发明提出了一种级联分类识别的方法和设备,该方法包括:获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。以此通过第一模型与第二模型通过级联分类识别的方式,实现对相似程度比较高的目标进行精确的识别。
在本申请所提供的几个实施例中,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,附图中的流程图和结构图显示了根据本发明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,所述模块、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,结构图和/或流程图中的每个方框、以及结构图和/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,在本发明各个实施例中的各功能模块或单元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,也可以两个或更多个模块集成形成一个独立的部分。
所述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,本发明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(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述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。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种级联分类识别的方法,其特征在于,包括:
获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;
通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;
若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;
将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;
将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。
2.如权利要求1所述的方法,其特征在于,还包括:
针对每个类别的所述目标的样本数据,训练对应所述类别的第二模型;
所述“通过预先训练好的第二模型对所述待识别图像进行识别”,包括:
确定所述第一概率最大的预设数量的第一识别结果对应的类别;
选择所确定的类别对应的训练好的第二模型对所述待识别图像进行识别。
3.如权利要求1所述的方法,其特征在于,还包括:
若存在所述第一概率大于预设阈值,则将大于预设阈值的所述第一概率对应的第一识别结果作为所述最终识别结果。
4.如权利要求1或3所述的方法,其特征在于,还包括:显示所述最终识别结果。
5.如权利要求1所述的方法,其特征在于,所述类别包括:苹果类、狗类、桔类中的一种或多种;
所述苹果类下的所述子类包括:山西红富士、海南红富士中的一种或多种;
所述狗类下的所述子类包括:金毛、狼犬中的一种或多种;
所述桔类下的所述子类包括:沙糖桔、蜜桔、贡菊、叶桔中的一种或多种。
6.一种级联分类识别的设备,其特征在于,包括:
获取模块,用于获取目标的待识别图像;所述目标的类别有多种,每个类别下包括多个子类;
第一识别模块,用于通过预先训练好的第一模型对所述待识别图像进行识别,得到一个或多个第一识别结果以及各所述第一识别结果的第一概率;所述第一模型是通过设置有第一标签的样本数据训练得到,所述第一标签包括类别的信息与子类的信息;
第二识别模块,用于若所有的所述第一概率均小于预设阈值,则通过预先训练好的第二模型对所述待识别图像进行识别,得到一个或多个第二识别结果以及各所述第二识别结果的第二概率;所述第二模型是通过设置有第二标签的样本数据训练得到,所述第二标签包括子类的信息;
设置模块,用于将指定第一概率与所述第二概率的乘积作为第二识别结果的最终概率;所述指定第一概率为与所述第二概率的第二识别结果同一类别的第一识别结果的第一概率;
处理模块,用于将各所述第二识别结果以及各所述识别结果的最终概率作为最终识别结果。
7.如权利要求6所述的设备,其特征在于,还包括:
训练模块,用于针对每个类别的所述目标的样本数据,训练对应所述类别的第二模型;
所述第一识别模块“通过预先训练好的第二模型对所述待识别图像进行识别”,包括:
确定所述第一概率最大的预设数量的第一识别结果对应的类别;
选择所确定的类别对应的训练好的第二模型对所述待识别图像进行识别。
8.如权利要求6所述的设备,其特征在于,还包括:
输出模块,用于若存在所述第一概率大于预设阈值,则将大于预设阈值的所述第一概率对应的第一识别结果作为所述最终识别结果。
9.如权利要求6或8所述的设备,其特征在于,还包括:显示模块,用于显示所述最终识别结果。
10.如权利要求6所述的设备,其特征在于,所述类别包括:苹果类、狗类、桔类中的一种或多种;
所述苹果类下的所述子类包括:山西红富士、海南红富士中的一种或多种;
所述狗类下的所述子类包括:金毛、狼犬中的一种或多种;
所述桔类下的所述子类包括:沙糖桔、蜜桔、贡菊、叶桔中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542284.7A CN113191308A (zh) | 2021-05-18 | 2021-05-18 | 一种级联分类识别的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542284.7A CN113191308A (zh) | 2021-05-18 | 2021-05-18 | 一种级联分类识别的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191308A true CN113191308A (zh) | 2021-07-30 |
Family
ID=76982408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110542284.7A Pending CN113191308A (zh) | 2021-05-18 | 2021-05-18 | 一种级联分类识别的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191308A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140198980A1 (en) * | 2013-01-11 | 2014-07-17 | Fuji Xerox Co., Ltd. | Image identification apparatus, image identification method, and non-transitory computer readable medium |
CN108108767A (zh) * | 2017-12-29 | 2018-06-01 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别菜品的方法和装置 |
CN111178364A (zh) * | 2019-12-31 | 2020-05-19 | 北京奇艺世纪科技有限公司 | 一种图像识别方法和装置 |
CN112488218A (zh) * | 2020-12-04 | 2021-03-12 | 北京金山云网络技术有限公司 | 图像分类方法、图像分类模型的训练方法和装置 |
-
2021
- 2021-05-18 CN CN202110542284.7A patent/CN113191308A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140198980A1 (en) * | 2013-01-11 | 2014-07-17 | Fuji Xerox Co., Ltd. | Image identification apparatus, image identification method, and non-transitory computer readable medium |
CN108108767A (zh) * | 2017-12-29 | 2018-06-01 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别菜品的方法和装置 |
CN111178364A (zh) * | 2019-12-31 | 2020-05-19 | 北京奇艺世纪科技有限公司 | 一种图像识别方法和装置 |
CN112488218A (zh) * | 2020-12-04 | 2021-03-12 | 北京金山云网络技术有限公司 | 图像分类方法、图像分类模型的训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11126890B2 (en) | Robust training of large-scale object detectors with a noisy dataset | |
CN110689036B (zh) | 用于自动染色体分类的方法和系统 | |
US10025981B2 (en) | Visual object and event detection and prediction system using saccades | |
Dubey et al. | Species and variety detection of fruits and vegetables from images | |
Perez et al. | Gender classification from face images using mutual information and feature fusion | |
CN110222582B (zh) | 一种图像处理方法和相机 | |
CN114372215B (zh) | 一种搜索结果展示、搜索请求处理方法及装置 | |
US10635942B2 (en) | Method and apparatus for identifying a product | |
US11961320B2 (en) | Method and system for automatically annotating and identifying a living being or an object with an identifier providing a subject identification | |
CN108596225A (zh) | 目标相似度识别方法、目标的停留时间记录方法及装置 | |
Soni et al. | Optimal feature and classifier selection for text region classification in natural scene images using Weka tool | |
CN111814862A (zh) | 果蔬识别方法及装置 | |
Gautam et al. | Discrimination and detection of face and non-face using multilayer feedforward perceptron | |
US11132607B1 (en) | Method for explainable active learning, to be used for object detector, by using deep encoder and active learning device using the same | |
WO2021169207A1 (zh) | 基于机器学习的物品识别方法及装置 | |
CN113191308A (zh) | 一种级联分类识别的方法和设备 | |
Meena et al. | Face recognition based on local derivative ternary pattern | |
CN113723431B (zh) | 图像识别方法、装置以及计算机可读存储介质 | |
CN113255766B (zh) | 一种图像分类方法、装置、设备和存储介质 | |
US20170293863A1 (en) | Data analysis system, and control method, program, and recording medium therefor | |
CN114004314A (zh) | 样本分类方法、装置、电子设备及存储介质 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
CN110008766B (zh) | 一种基于射频识别技术的室内人数统计方法 | |
CN113158985B (zh) | 一种分类识别的方法和设备 | |
Zou et al. | Spherical object recognition based on the number of contour edges extracted by fitting and convex hull processing |
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 |