CN113762108A - 一种目标识别方法及装置 - Google Patents
一种目标识别方法及装置 Download PDFInfo
- Publication number
- CN113762108A CN113762108A CN202110968767.3A CN202110968767A CN113762108A CN 113762108 A CN113762108 A CN 113762108A CN 202110968767 A CN202110968767 A CN 202110968767A CN 113762108 A CN113762108 A CN 113762108A
- Authority
- CN
- China
- Prior art keywords
- attribute
- target
- result
- recognition
- branch
- 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 34
- 238000012549 training Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 13
- 230000002195 synergetic effect Effects 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000037308 hair color Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process 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
- G06F18/21—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种目标识别方法及装置,由于目标识别模型至少包括:主属性识别分支、子属性识别分支和辅属性识别分支,使得在利用目标识别模型进行目标识别时,可以分别得到对应的识别结果,并且可以基于子属性识别结果和第二主属性识别结果,对第一主属性识别结果进行修正,最后采用修正后的第一主属性识别结果确定为待识别目标的属性特征,也即目标识别的最终结果为三个分支协同作用的结果;从而,通过辅属性识别分支,可以提升待识别目标的属性特征的识别效果,使得目标识别的最终结果更加可靠、准确,有利于消除难识别图像对整体识别效果的影响,提高了目标识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤指一种目标识别方法及装置。
背景技术
在对图像进行目标识别时,如果图像中包括戴着帽子戴着围裙工作的工人时,可以将帽子作为待识别目标,且将是否戴帽子作为待识别目标的主属性;或者,可以将围裙作为待识别目标,且将是否戴围裙作为待识别目标的主属性。
并且,在进行目标识别时,往往存在一些难识别图像,例如,若戴帽子的人的头发颜色为黑色,且帽子的颜色也为黑色时,很容易导致黑色帽子的边界模糊,进而导致帽子难以识别出来,这些难识别图像会降低算法识别的整体效果。
那么,如何避免难识别图像对整体识别效果的影响,提高目标识别的准确度,是本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供了一种目标识别方法及装置,用以避免难识别图像对整体识别效果的影响,提高目标识别的准确度。
第一方面,本发明实施例提供了一种目标识别方法,包括:
将待处理图像输入训练后的目标识别模型,所述目标识别模型中至少包括主属性识别分支、子属性识别分支和辅属性识别分支;所述主属性识别分支是利用第一历史图像集进行训练得到的,所述辅属性识别分支是利用第二历史图像集进行训练得到的,所述第二历史图像集是所述第一历史图像集的子集;
利于所述主属性识别分支对待识别目标的主属性进行识别,得到第一主属性识别结果;以及利用所述子属性识别分支对所述主属性的子属性进行识别,得到子属性识别结果;以及利用所述辅属性识别分支对所述待识别目标的主属性进行识别,得到第二主属性识别结果;
基于所述子属性识别结果和所述第二主属性识别结果,对所述第一主属性识别结果进行修正,并将修正后的第一主属性识别结果确定为所述待识别目标的属性特征。
第二方面,本发明实施例提供了一种目标识别装置,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令,按照获得的程序执行如本发明实施例提供的上述目标识别方法。
第三方面,本发明实施例提供了一种可读性存储介质,所述可读性存储介质存储有可执行指令,所述可执行指令用于:使目标识别装置执行如本发明实施例提供的上述目标识别方法。
本发明有益效果如下:
本发明实施例提供的一种目标识别方法及装置,由于目标识别模型至少包括:主属性识别分支、子属性识别分支和辅属性识别分支,使得在利用目标识别模型进行目标识别时,可以分别得到对应的识别结果,并且可以基于子属性识别结果和第二主属性识别结果,对第一主属性识别结果进行修正,最后采用修正后的第一主属性识别结果确定为待识别目标的属性特征,也即目标识别的最终结果为三个分支协同作用的结果;从而,通过辅属性识别分支,可以提升待识别目标的属性特征的识别效果,使得目标识别的最终结果更加可靠、准确,有利于消除难识别图像对整体识别效果的影响,提高了目标识别的准确性。
附图说明
图1为本发明实施例中提供的一种目标识别方法的流程图;
图2为本发明实施例中提供的一种训练后的初始目标识别模型的结构示意图;
图3为本发明实施例中提供的一种目标识别模型的结构示意图;
图4为本发明实施例中提供的一种目标识别过程的示意图;
图5为本发明实施例中提供的包括非黑色帽子的图像的示意图;
图6为本发明实施例中提供的包括黑色帽子的图像的示意图;
图7为本发明实施例中提供的另一种目标识别过程的示意图;
图8为本发明实施例中提供的围裙颜色与上衣颜色不同的示意图;
图9为本发明实施例中提供的围裙颜色与上衣颜色相同的示意图;
图10为本发明实施例中提供的一种目标识别装置的结构示意图。
具体实施方式
下面将结合附图,对本发明实施例提供的一种目标识别方法及装置的具体实施方式进行详细地说明。需要说明的是,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。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例提供了一种目标识别方法,如图1所示,可以包括:
S101、将待处理图像输入训练后的目标识别模型,目标识别模型中至少包括主属性识别分支、子属性识别分支和辅属性识别分支;主属性识别分支是利用第一历史图像集进行训练得到的,辅属性识别分支是利用第二历史图像集进行训练得到的,第二历史图像集是第一历史图像集的子集;
S102、利于主属性识别分支对待识别目标的主属性进行识别,得到第一主属性识别结果;以及利用子属性识别分支对主属性的子属性进行识别,得到子属性识别结果;以及利用辅属性识别分支对待识别目标的主属性进行识别,得到第二主属性识别结果;
具体地,以待识别目标为帽子为例,待识别目标的主属性可以理解为:是否戴帽子,主属性的子属性可以理解为;帽子的颜色或帽子的形状等,待识别目标的辅属性可以理解为:是否戴帽子。
其中,第一主属性识别结果与第二主属性识别结果的区别在于:对于是否戴帽子的识别准确率不同,且第二主属性识别结果的准确率可以大于或等于第一主属性识别结果的准确率。
并且,主属性的子属性可以包括多个:例如但不限于颜色、形状、款式、以及朝向等,可以根据实际需要进行选择和设置,在此并不限定。
S103、基于子属性识别结果和第二主属性识别结果,对第一主属性识别结果进行修正,并将修正后的第一主属性识别结果确定为待识别目标的属性特征。
如此,由于目标识别模型至少包括:主属性识别分支、子属性识别分支和辅属性识别分支,使得在利用目标识别模型进行目标识别时,可以分别得到对应的识别结果,并且可以基于子属性识别结果和第二主属性识别结果,对第一主属性识别结果进行修正,最后采用修正后的第一主属性识别结果确定为待识别目标的属性特征,也即目标识别的最终结果为三个分支协同作用的结果;从而,通过辅属性识别分支,可以提升待识别目标的属性特征的识别效果,使得目标识别的最终结果更加可靠、准确,有利于消除难识别图像对整体识别效果的影响,提高了目标识别的准确性。
可选地,在本发明实施例中,第二历史图像集包括难识别历史图像;其中,
难识别历史图像的第一主属性预测结果和难识别历史图像的第一主属性标注结果的偏差值大于或等于偏差值阈值;第一主属性预测结果为:利用主属性识别分支对难识别历史图像中包含的待识别目标的主属性进行识别得到的结果。
其中,以待识别目标为帽子,且待识别目标的主属性为是否戴帽子为例,针对某一图像,第一主属性预测结果可以包括:戴帽子的概率,且该预测结果是通过主属性识别分支对该图像进行识别时得到的,所以该预测结果(也即戴帽子的概率)与主属性识别分支的识别准确度相关;
假设该图像包括帽子,那么若识别准确度高,第一主属性预测结果就高,若识别准确度低,第一主属性预测结果就低;并且,且该预测结果的范围可以为0-100%。
第一主属性标注结果同样可以包括:戴帽子的概率,但由于该结果为预先标注的结果,且与该图像实际所要表达的内容相关,所以该标注结果可以为0或100%;
也就是说,假设该图像包括帽子,那么第一主属性标注结果则可以为100%;或者,该图像不包括帽子时,那么第一主属性标注结果则可以为0。
对于偏差值阈值而言,在具体设置时,可以根据准确率的要求和实际需要进行设置,在此并不限定。
例如,以待识别目标为帽子,且待识别目标的主属性为是否戴帽子为例,假设某一图像中包括帽子,且该图像的第一主属性预测结果依然为20%,而该图像的第一主属性标注结果为100%,若假设偏差值阈值为20%,因第一主属性预测结果与第一主属性标注结果的偏差为80%且大于偏差值阈值,所以该图像可以认为是难识别历史图像,且在采用主属性识别分支对该图像进行识别时,对于该图像是否戴帽子的识别准确度较低。
如此,由于第二历史图像集中包括难识别历史图像,且辅属性识别分支是利用第二历史图像集进行训练得到的,所以在利用辅属性识别分支对待识别目标的主属性进行识别时,得到第二主属性识别结果的准确度会比第一主属性识别结果的准确度要高,从而可以通过第二主属性识别结果进行辅助判断,实现对难识别图像的准确识别。
可选地,在本发明实施例中,第二历史图像集还包含非目标图像,非目标图像为不包括待识别目标的历史图像。
如此,在采用第二历史图像集,训练辅属性识别分支时,可以增加对待识别目标的识别准确度,有利于后续通过第二主属性识别结果进行辅助判断,以提高目标识别的效果。
可选地,在本发明实施例中,基于子属性识别结果和第二主属性识别结果,对第一主属性识别结果进行修正,并将修正后的第一主属性识别结果确定为待识别目标的属性特征,包括:
基于子属性识别结果和相关子属性的确定结果的相似程度,将第二主属性识别结果或第一主属性识别结果确定为待识别目标的属性特征;
其中相关子属性为:待识别目标与参考目标的共同子属性,参考目标为待处理图像中与待识别目标具有共同边界的目标。
具体地,对于参考目标而言,以待识别目标为帽子为例,因帽子一般戴在头上,帽子一般与头发具有共同边界,所以此时头发可以作为参考目标,相关子属性为头发的颜色,主属性的子属性为帽子的颜色;
或者,以待识别目标为围裙为例,因围裙一般穿在身上,围裙一般与上衣具有共同边界,所以此时上衣可以作为参考目标,相关子属性为上衣颜色,主属性的子属性为围裙的颜色。
如此,可以根据子属性识别结果和相关子属性的确定结果的相似程度,确定将第一主属性识别结果作为待识别目标的属性特征,还是将第二主属性识别结果作为待识别目标的属性特征,提高对主属性的识别处理结果,从而提高识别的准确性。
可选地,在本发明实施例中,基于子属性识别结果和相关子属性的确定结果的相似程度,将第二主属性识别结果或第一主属性识别结果确定为待识别目标的属性特征,包括:
若子属性识别结果和相关子属性的确定结果相同,则将第二主属性识别结果确定为待识别目标的属性特征;
若子属性识别结果和相关子属性的确定结果不同,则将第一主属性识别结果确定为待识别目标的属性特征。
其中,以待识别目标为帽子,且待识别目标的主属性为是否戴帽子,主属性的子属性为颜色为例,那么:
若子属性识别结果和相关子属性的确定结果相同,可以理解为:帽子的颜色与头发的颜色相同,使得帽子的边界模糊,在采用主属性识别分支进行识别时,可能难以分辨出是否戴帽子,而采用辅属性识别分支进行识别时,因其在训练时采用的第二历史图像集中包括难识别历史图像,也即对这种帽子颜色和头发颜色相同或相似的图像进行了针对性的训练,所以第二主属性识别结果的准确度会明显高于第一主属性识别结果的准确度,所以此时可以将第二主属性识别结果确定为待识别目标的属性特征;
若子属性识别结果和相关子属性的确定结果不同,可以理解为:帽子的颜色与头发的颜色不同,使得帽子的边界较清晰,在采用主属性识别分支进行识别时,可以清晰地分辨出是否戴帽子,所以得到的第一主属性识别结果的准确度较高,此时将第一主属性识别结果确定为待识别目标的属性特征即可。
如此,可以根据子属性识别结果和相关子属性的确定结果的相似程度,选择第一主属性识别结果还是第二主属性识别结果,从而有效提高了目标识别的准确度。
可选地,在本发明实施例中,将第二主属性识别结果或第一主属性识别结果确定为待识别目标的属性特征之前,还包括:
根据预设的参考目标的子属性,确定相关子属性的确定结果;
或,利用目标识别模型中包括的相关子属性识别分支,对参考目标的子属性进行识别,并将得到的相关子属性识别结果确定为相关子属性的确定结果。
也就是说,在确定相关子属性的确定结果时,可以采用两种方式:
其中一种方式为:根据预设的参考目标的子属性确定,也即根据默认的参考目标的子属性确定;例如,假设参考目标为头发,待识别目标为帽子,因帽子一般戴在头发上,且头发大部分为黑色,也即头发一般默认为黑色,所以此时可以预先设定参考目标的子属性为黑色;
另一种方式为:利用目标识别模型中的相关子属性识别分支的识别结果(即相关子属性识别结果)确定;例如,假设参考目标为上衣,待识别目标为围裙,而上衣的颜色并不像头发那样具有普遍的颜色,上衣颜色可以是任何颜色的,所以此时需要通过目标识别模型中的相关子属性识别分支,对参考目标的子属性进行识别,基于该识别结果确定相关子属性。
如此,可以根据不同的参考目标,确定出相关子属性的确定结果,提高设计的灵活性,满足不同应用场景的需要,同时还可以在一定程度上减少运算量,提高识别的效率。
可选地,在本发明实施例中,目标识别模型是通过如下方式获得的:
确定第一历史图像集;其中,第一历史图像集中每个样本图像至少设置有针对主属性的标签和针对子属性的标签;
采用第一历史图像集,对预先建立的初始目标识别模型进行训练;其中,训练后的初始目标识别模型包括:主属性识别分支和子属性识别分支;
基于主属性,从第一历史图像集中确定出第二历史图像集;
在训练后的初始目标识别模型中添加辅属性识别分支,并采用第二历史图像集,对添加有辅属性识别分支且训练后的初始目标识别模型进行训练,得到目标识别模型。
其中,训练前的初始目标识别模型可以是根据需要预先建立的,并且,训练前的初始目标识别模型与目标识别模型的结构可以基本相同,也即训练前的初始目标识别模型同样可以包括:主属性识别分支和子属性识别分支。
如此,确定出的目标识别模型包括辅属性识别分支,该辅属性识别分支可以在进行目标识别时对难识别图像进行辅助判断,从而达到提升主属性的识别效果的目的。
具体地,在本发明实施例中,在目标识别模型中包括相关子属性识别分支时,第一历史图像集中的每个样本图像除了设置有针对主属性的标签和针对子属性的标签之外,还可以设置有针对相关子属性的标签,且训练前后的初始目标识别模型中包括相关子属性识别分支,以便于最后得到的目标识别模型中包括相关子属性识别分支,进而有利于得到相关子属性的确定结果,实现对待识别目标的属性特征的确定。
可选地,在本发明实施例中,在训练后的初始目标识别模型包括:共享层结构和分支结构时,采用第二历史图像集,对添加有辅属性识别分支且训练后的初始目标识别模型进行训练,具体包括:
保持共享层结构的参数不变,采用第二历史图像集训练辅属性识别分支,确定出辅属性识别分支的参数。
具体地,训练后的初始目标识别模型如图2所示,该模型包括共享层结构和分支结构,且分支结构包括:主属性识别分支和子属性识别分支;其中,共享层结构用于提取特征,分支结构用于主属性的分类,且每个分支均使用全连接层,且各分支可以在结构上保持一致。
并且,目标识别模型的结构如图3所示,该模型同样可以包括共享层结构和分支结构,且分支结构包括:主属性识别分支、子属性识别分支和辅属性识别分支;其中,共享层结构用于提取特征,分支结构用于主属性的分类,且每个分支均使用全连接层,且各分支可以在结构上保持一致。
如此,在采用第二历史图像集训练添加有辅属性识别分支的模型时,不需要更新共享层结构的参数,仅需要在其基础上更新辅属性识别分支的参数,即固定共享层结构的参数,仅训练辅属性识别分支,所以需要更新的参数较少,训练速度较快;同时第二历史图像集仅包括第一历史图像集中的难识别历史图像和非目标图像,数据较为单一,不受其他数据的影响,可以提高辅属性识别分支对难识别历史图像的识别效果。
需要说明的是,可选地,在目标识别时,待识别目标不同,对应的目标识别模型可以是不同的,以便于采用对应的目标识别模型进行识别时提高识别的准确性。
下面结合具体实施例,对本发明实施例提供的上述方法进行解释和说明。
实施例:
结合图4所示。
以待处理图像(图4中用A1表示)中人是否戴帽子为例进行说明,其中,帽子可以作为待识别目标,是否戴帽子作为待识别目标的子属性。
在帽子颜色与头发颜色不相近时,如图5所示,非黑色帽子与头发颜色区别明显,很容易辨别。
由于黑色帽子与黑色头发颜色相近(如图6所示的黑色头发的人戴黑色帽子),所以很容易被识别为无帽子,识别效果较差,所以需要将帽子的颜色作为主属性的子属性。
因此,可以将第一历史图像集中包括黑色帽子和无帽子的样本挑出来作为第二历史图像集,采用第二历史图像集训练出一个分支(即辅属性识别分支),从而得到最终的目标识别模型。
其中,在图4中所示的目标识别模型中,针对本实施例,帽子颜色分支即为子属性识别分支,是否戴帽子分支即为主属性识别分支,帽子辅助分支即为辅属性识别分支。
针对图4中的识别结果的修正过程中:
若采用目标识别模型对待处理图像A1进行识别,且帽子颜色分支的识别结果(图4中Z表示)为黑色,同时预设的头发的颜色为黑色,二者颜色相同,则将帽子辅助分支的识别结果(图4中用B2表示)作为帽子的属性特征并输出,以实现对识别结果的修正和调整;
若帽子颜色分支的识别结果Z不是黑色,与预设的头发的颜色不同,则将是否戴帽子分支的识别结果(图4中用B1表示)作为帽子的属性特征并输出。
实施例:
结合图7所示。
以待处理图像(图7中A2表示)中人是否戴围裙为例进行说明,其中,围裙可以作为待识别目标,是否戴围裙作为待识别目标的子属性。
在围裙颜色与上衣颜色不同时,如图8所示,围裙的边界纹理特征清晰,较容易区分;在围裙颜色与上衣颜色相近或相同时,如图9所示,围裙的边界纹理特征模糊,较容易识别为无围裙,所以该样本图像为难识别历史图像,较难判断出是否戴围裙,所以第二历史图像集需要按照围裙颜色与上衣颜色进行划分。
因此,在确定目标识别模型时,第一历史图像集中的每个样本图像对应设置有针对主属性的标签(即针对是否戴围裙的标签)、针对子属性的标签(即针对围裙颜色的标签)以及针对相关子属性的标签(即针对上衣颜色的标签);
并且,从第一历史图像集中挑出上衣颜色和围裙颜色相近或相同的难识别历史图像、以及不穿围裙的非目标图像组成第二历史图像集,以便于训练辅属性识别分支,使得最终确定出的目标识别模型包括四个分支,分别为:主属性识别分支(可以理解为是否戴围裙的识别分支)、子属性识别分支(可以理解为围裙颜色的识别分支)、相关子属性识别分支(可以理解为上衣颜色的识别分支)和辅属性识别分支(可以理解为是否戴围裙的辅助识别分支),具体的目标识别模型可以如图7所示;
其中,在图7中所示的目标识别模型中,针对本实施例,围裙颜色分支即为子属性识别分支,是否戴围裙分支即为主属性识别分支,围裙辅助分支即为辅属性识别分支,上衣颜色分支即为相关子属性识别分支。
针对7中的识别结果的修正过程中:
若采用图7所示的目标识别模型对待处理图像A2进行识别,且围裙颜色分支的识别结果Z的颜色与上衣颜色分支的识别结果(图7中X表示)的颜色相同时,将围裙辅助分支的识别结果B2作为围裙的属性特征并输出,以实现对目标识别结果的修正;
若围裙颜色分支的识别结果Z的颜色与上衣颜色分支的识别结果X的颜色不同时,将是否戴围裙分支的识别结果B1作为围裙的属性特征并输出,也即此时无需进行修正。
说明一点,上面两个实施例是基于不同的待识别目标给出的,虽然用到的目标识别模型稍微有些差别,但总体结构还是相同的,均需要包括共享层结构和分支结构,且分支结构均包括:主属性识别分支、子属性识别分支和辅属性识别分支,而对于相关子属性识别分支可以根据待识别目标的不同而确定是否需要该分支;
换句话说,在确定目标识别模型时,如果样本图像设置有针对相关子属性的标签,那么得到的训练后的初始目标识别模型和目标识别模型均包括相关子属性识别分支;如果样本图像未设置有针对相关子属性的标签,那么得到的训练后的初始目标识别模型和目标识别模型均不包括相关子属性识别分支;
因此,基于待识别目标的不同,采用的目标识别模型的结构可能会相同,也可能会不同,具体需要根据待识别目标而确定,在此并不限定。
基于同一发明构思,本发明实施例提供了一种目标识别装置,该目标识别装置的实现原理与前述一种目标识别方法的实现原理类似,该目标识别装置的具体实现方式可以参见前述一种目标识别方法的具体实施例,重复之处不再赘述。
具体地,本发明实施例提供了一种目标识别装置,如图10所示,可以包括:
存储器1001,用于存储程序指令;
处理器1002,用于调用存储器1001中存储的程序指令,按照获得的程序执行如本发明实施例提供的上述目标识别方法。
基于同一发明构思,本发明实施例提供了一种可读性存储介质,可读性存储介质存储有可执行指令,可执行指令用于:使目标识别装置执行如本发明实施例提供的上述目标识别方法。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种目标识别方法,其特征在于,包括:
将待处理图像输入训练后的目标识别模型,所述目标识别模型中至少包括主属性识别分支、子属性识别分支和辅属性识别分支;所述主属性识别分支是利用第一历史图像集进行训练得到的,所述辅属性识别分支是利用第二历史图像集进行训练得到的,所述第二历史图像集是所述第一历史图像集的子集;
利于所述主属性识别分支对待识别目标的主属性进行识别,得到第一主属性识别结果;以及利用所述子属性识别分支对所述主属性的子属性进行识别,得到子属性识别结果;以及利用所述辅属性识别分支对所述待识别目标的主属性进行识别,得到第二主属性识别结果;
基于所述子属性识别结果和所述第二主属性识别结果,对所述第一主属性识别结果进行修正,并将修正后的第一主属性识别结果确定为所述待识别目标的属性特征。
2.如权利要求1所述的目标识别方法,其特征在于,所述第二历史图像集包括难识别历史图像;其中,
所述难识别历史图像的第一主属性预测结果和所述难识别历史图像的第一主属性标注结果的偏差值大于或等于偏差值阈值;所述第一主属性预测结果为:利用所述主属性识别分支对所述难识别历史图像中包含的所述待识别目标的主属性进行识别得到的结果。
3.如权利要求2所述的目标识别方法,其特征在于,所述第二历史图像集还包含非目标图像,所述非目标图像为不包括所述待识别目标的历史图像。
4.如权利要求1所述的目标识别方法,其特征在于,基于所述子属性识别结果和所述第二主属性识别结果,对所述第一主属性识别结果进行修正,并将修正后的第一主属性识别结果确定为所述待识别目标的属性特征,包括:
基于所述子属性识别结果和相关子属性的确定结果的相似程度,将所述第二主属性识别结果或所述第一主属性识别结果确定为所述待识别目标的属性特征;
其中所述相关子属性为:所述待识别目标与参考目标的共同子属性,所述参考目标为所述待处理图像中与所述待识别目标具有共同边界的目标。
5.如权利要求4所述的目标识别方法,其特征在于,基于所述子属性识别结果和相关子属性的确定结果的相似程度,将所述第二主属性识别结果或所述第一主属性识别结果确定为所述待识别目标的属性特征,包括:
若所述子属性识别结果和所述相关子属性的确定结果相同,则将所述第二主属性识别结果确定为所述待识别目标的属性特征;
若所述子属性识别结果和所述相关子属性的确定结果不同,则将所述第一主属性识别结果确定为所述待识别目标的属性特征。
6.如权利要求4或5所述的目标识别方法,其特征在于,将所述第二主属性识别结果或所述第一主属性识别结果确定为所述待识别目标的属性特征之前,还包括:
根据预设的所述参考目标的子属性,确定所述相关子属性的确定结果;
或,利用所述目标识别模型中包括的相关子属性识别分支,对所述参考目标的子属性进行识别,并将得到的相关子属性识别结果确定为所述相关子属性的确定结果。
7.如权利要求1所述的目标识别方法,其特征在于,所述目标识别模型是通过如下方式获得的:
确定所述第一历史图像集;其中,所述第一历史图像集中每个样本图像至少设置有针对所述主属性的标签和针对所述子属性的标签;
采用所述第一历史图像集,对预先建立的初始目标识别模型进行训练;其中,训练后的所述初始目标识别模型包括:所述主属性识别分支和所述子属性识别分支;
基于所述主属性,从所述第一历史图像集中确定出所述第二历史图像集;
在训练后的所述初始目标识别模型中添加辅属性识别分支,并采用所述第二历史图像集,对添加有所述辅属性识别分支且训练后的所述初始目标识别模型进行训练,得到所述目标识别模型。
8.如权利要求7所述的目标识别方法,其特征在于,在训练后的所述初始目标识别模型包括:共享层结构和分支结构时,采用所述第二历史图像集,对添加有所述辅属性识别分支且训练后的所述初始目标识别模型进行训练,具体包括:
保持所述共享层结构的参数不变,采用所述第二历史图像集训练所述辅属性识别分支,确定出所述辅属性识别分支的参数。
9.一种目标识别装置,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令,按照获得的程序执行如权利要求1-8任一项所述的目标识别方法。
10.一种可读性存储介质,其特征在于,所述可读性存储介质存储有可执行指令,所述可执行指令用于:使目标识别装置执行如权利要求1-8任一项所述的目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968767.3A CN113762108A (zh) | 2021-08-23 | 2021-08-23 | 一种目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968767.3A CN113762108A (zh) | 2021-08-23 | 2021-08-23 | 一种目标识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762108A true CN113762108A (zh) | 2021-12-07 |
Family
ID=78790795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968767.3A Pending CN113762108A (zh) | 2021-08-23 | 2021-08-23 | 一种目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762108A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510000A (zh) * | 2018-03-30 | 2018-09-07 | 北京工商大学 | 复杂场景下行人细粒度属性的检测与识别方法 |
CN110807472A (zh) * | 2019-10-12 | 2020-02-18 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN110895702A (zh) * | 2018-09-12 | 2020-03-20 | 深圳云天励飞技术有限公司 | 一种服饰属性识别检测方法及装置 |
US20200151502A1 (en) * | 2018-11-14 | 2020-05-14 | Canon Kabushiki Kaisha | Object recognition method and apparatus |
CN111191527A (zh) * | 2019-12-16 | 2020-05-22 | 北京迈格威科技有限公司 | 属性识别方法、装置、电子设备及可读存储介质 |
CN111209874A (zh) * | 2020-01-09 | 2020-05-29 | 北京百目科技有限公司 | 一种对人头部穿戴属性的分析识别方法 |
CN111539452A (zh) * | 2020-03-26 | 2020-08-14 | 深圳云天励飞技术有限公司 | 多任务属性的图像识别方法、装置、电子设备及存储介质 |
CN111598164A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 识别目标对象的属性的方法、装置、电子设备和存储介质 |
-
2021
- 2021-08-23 CN CN202110968767.3A patent/CN113762108A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510000A (zh) * | 2018-03-30 | 2018-09-07 | 北京工商大学 | 复杂场景下行人细粒度属性的检测与识别方法 |
CN110895702A (zh) * | 2018-09-12 | 2020-03-20 | 深圳云天励飞技术有限公司 | 一种服饰属性识别检测方法及装置 |
US20200151502A1 (en) * | 2018-11-14 | 2020-05-14 | Canon Kabushiki Kaisha | Object recognition method and apparatus |
CN110807472A (zh) * | 2019-10-12 | 2020-02-18 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN111191527A (zh) * | 2019-12-16 | 2020-05-22 | 北京迈格威科技有限公司 | 属性识别方法、装置、电子设备及可读存储介质 |
CN111209874A (zh) * | 2020-01-09 | 2020-05-29 | 北京百目科技有限公司 | 一种对人头部穿戴属性的分析识别方法 |
CN111539452A (zh) * | 2020-03-26 | 2020-08-14 | 深圳云天励飞技术有限公司 | 多任务属性的图像识别方法、装置、电子设备及存储介质 |
CN111598164A (zh) * | 2020-05-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 识别目标对象的属性的方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419170B (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
CN110363047B (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
WO2022012110A1 (zh) | 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质 | |
CN112215800B (zh) | 基于机器学习的重叠染色体识别和分割方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN110110755A (zh) | 基于ptgan区域差距与多重分支的行人重识别检测算法及装置 | |
KR101089847B1 (ko) | 얼굴 인식을 위한 sift 알고리즘을 이용한 키포인트 매칭 시스템 및 방법 | |
CN111815564A (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
JP6784261B2 (ja) | 情報処理装置、画像処理システム、画像処理方法及びプログラム | |
CN111178310A (zh) | 手掌特征识别方法、装置、计算机设备和存储介质 | |
CN112419335B (zh) | 一种细胞核分割网络的形状损失计算方法 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN112446417B (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 | |
CN111488836B (zh) | 人脸轮廓修正方法、装置、设备及存储介质 | |
CN113762108A (zh) | 一种目标识别方法及装置 | |
CN110211150B (zh) | 一种具有尺度协调机制的实时视觉目标识别方法 | |
CN112686872A (zh) | 基于深度学习的木材计数方法 | |
CN112330706A (zh) | 矿井人员安全帽分割方法和装置 | |
CN111160292A (zh) | 人眼检测方法 | |
Wu et al. | Steel bars counting and splitting method based on machine vision | |
CN111667419A (zh) | 一种基于Vibe算法的移动目标鬼影消除方法及系统 |
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 |