具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的基于对抗网络的人工智能模型更新方法的一些实施例的流程100。该基于对抗网络的人工智能模型更新方法,包括以下步骤:
步骤101,对于目标边缘设备网中的每个边缘设备,执行差异图像确定步骤:
子步骤1011,获取部署于上述边缘设备的、预先训练的违禁物品检测模型集。
在一些实施例中,上述基于对抗网络的人工智能模型更新方法的执行主体可以通过有线连接方式或者无线连接方式来获取部署于上述边缘设备的、预先训练的违禁物品检测模型集。其中,目标边缘设备网可以是由各个边缘设备所组成的、所包括的主边缘设备对应的各个违禁物品检测模型的优先级需要调整的设备网。违禁物品检测模型可以是检测违禁物品的模型。例如,违禁物品可以是枪支。上述违禁物品检测模型集所包括的违禁物品检测模型的数目为至少两个。实践中,上述违禁物品检测模型可以是但不限于以下之一:多层卷积神经网络(Convolutional Neural Network,CNN)模型,残差网络(Residual Network,ResNet)模型。违禁物品检测模型集中的各个违禁物品检测模型可以是各不相同的模型。
子步骤1012,确定目标时间段内上述违禁物品检测模型集对应的识别图像集。
在一些实施例中,上述执行主体可以确定目标时间段内上述违禁物品检测模型集对应的识别图像集。其中,目标时间段可以是历史时间段。识别图像集中的识别图像可以是违禁物品检测模型集已检测过的历史图像。上述目标时间段内上述违禁物品检测模型集对应的识别图像集可以是预先存储于图像存储数据库。
子步骤1013,从上述识别图像集中筛选出上述违禁物品检测模型集对应识别结果集存在差异的识别图像,作为差异图像,得到差异图像集。
在一些实施例中,上述执行主体可以从上述识别图像集中筛选出上述违禁物品检测模型集对应识别结果集存在差异的识别图像,作为差异图像,得到差异图像集。其中,识别结果可以是违禁物品检测模型检测识别图像中违禁物品的结果。例如,识别结果可以是识别图像中是否存在违禁物品,还可以是识别图像中违禁物品的物品类别。
进一步说明,将差异图像输入至违禁物品检测模型集中的各个违禁物品检测模型,得到的识别结果集。其中,识别结果集中的各个识别结果可以是内容不一样的识别结果。
步骤102,对于上述目标边缘设备网中的主边缘设备,执行模型优先级调整步骤:
步骤1021,根据所得到的差异图像集组,生成针对上述主边缘设备的验证样本集。
在一些实施例中,上述执行主体可以根据所得到的差异图像集组,生成针对上述主边缘设备的验证样本集。其中,主边缘设备为目标边缘设备网所包括的各个边缘设备中正在执行违禁物品检测的主要设备。
作为示例,首先,上述执行主体可以随机从差异图像集组中抽取预定数目张图像,得到抽取后图像集。然后,确定上述抽取后图像集中的每个抽取后图像的检测结果,得到检测结果集。然后,将抽取后图像集中的抽取后图像作为训练图像数据,检测结果集中的检测结果作为标签,以生成样本,作为验证样本,得到验证样本集。
步骤1022,将上述验证样本集输入至上述主边缘设备对应的违禁物品检测模型集,得到至少两个验证结果集。
在一些实施例中,上述执行主体可以将上述验证样本集输入至上述主边缘设备对应的违禁物品检测模型集,得到至少两个验证结果集。其中,验证结果可以是违禁物品检测模型的输出结果(即,识别结果)。在这里,违禁物品检测模型集中的违禁物品检测模型的数目为至少两个。
作为示例,对于上述违禁物品检测模型集中的每个违禁物品检测模型,将验证样本集中的每个验证样本输入至上述违禁物品检测模型,以生成验证结果,得到验证结果集。
步骤1023,根据上述至少两个验证结果集,调整上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型的优先级,以对上述主边缘设备的模型进行更新。
在一些实施例中,上述执行主体可以根据上述至少两个验证结果集,可以通过各种方式来调整上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型的优先级,以对上述主边缘设备的模型进行更新。其中,违禁物品检测模型的优先级可以表征对应识别结果的重要程度。例如,优先级可以是以下之一:第一级,第二级,第三级。优先级为第一级的识别结果的重要程度大于优先级为第二级的识别结果的重要程度。优先级为第二级的识别结果的重要程度大于优先级为第三级的识别结果的重要程度。
在一些实施例的一些可选的实现方式中,在步骤1023之后,上述方法还包括:
第一步,根据上述至少两个验证结果集,确定是否对上述主边缘设备对应的违禁物品检测模型集中的至少一个违禁物品检测模型进行模型重训练。
作为示例,首先,上述执行主体可以根据至少两个验证结果集,确定主边缘设备对应的违禁物品检测模型集中的每个违禁物品检测模型所检测的识别结果出现错误的次数。然后,从违禁物品检测模型集中筛选出对应识别结果出现错误的次数大于预定次数的至少一个违禁物品检测模型进行模型。最后,上述执行主体可以确定对至少一个违禁物品检测模型进行模型重训练。
例如,违禁物品检测模型集可以包括:第一违禁物品检测模型、第二违禁物品检测模型、第三违禁物品检测模型和第四违禁物品检测模型。第一违禁物品检测模型对应识别结果出现错误的次数为5次。第二违禁物品检测模型对应识别结果出现错误的次数为7次。第三违禁物品检测模型对应识别结果出现错误的次数为9次。第四违禁物品检测模型对应识别结果出现错误的次数为10次。预定次数可以是8次。则至少一个违禁物品检测模型包括:第三违禁物品检测模型和第四违禁物品检测模型。
第二步,响应于确定是,根据上述差异图像集组,生成用于后续模型重训练的训练样本集。
作为示例,首先,上述执行主体可以随机从差异图像集组中预定数目张差异图像。然后,确定预定数目张差异图像中的每张差异图像对应的识别结果,得到预定数目个识别结果。最后,将预定数目张差异图像中的差异图像作为训练图像数据,预定数目个识别结果中的识别结果作为标签,生成样本,作为训练样本,得到训练样本集。
第三步,根据上述训练样本集,对上述至少一个违禁物品检测模型进行模型重训练,得到重训练后的至少一个违禁物品检测模型。
作为示例,对于至少一个违禁物品检测模型中的每个违禁物品检测模型,利用训练样本集,对上述违禁物品检测模型进行重训练,得到重训练后的违禁物品检测模型。
第四步,将上述违禁物品检测模型集中的至少一个违禁物品检测模型替换为上述重训练后的至少一个违禁物品检测模型,得到第一替换后的违禁物品检测模型集。
第五步,将上述主边缘设备对应违禁物品检测模型集替换为上述第一替换后的违禁物品检测模型集。
可选地,在上述将上述主边缘设备对应违禁物品检测模型集替换为上述第一替换后的违禁物品检测模型集之后,上述方法还包括以下步骤:
第一步,生成针对上述主边缘设备对应违禁物品检测模型集的模型更新记录。其中,模型更新记录的记录内容为边缘设备网对应各个违禁物品检测模型的模型更新次数和更新时间。
第二步,从上述模型更新记录中查找出连续更新次数大于等于预定数目的违禁物品检测模型,作为目标违禁物品检测模型,得到至少一个目标违禁物品检测模型。例如,预定数目可以是10次。
第三步,对上述至少一个目标违禁物品检测模型的模型结构进行调整,得到至少一个调整后违禁物品检测模型。
第四步,对上述至少一个调整后违禁物品检测模型进行模型训练,得到至少一个训练后的违禁物品检测模型。
第五步,将上述违禁物品检测模型集中对应违禁物品检测模型替换为上述至少一个训练后的违禁物品检测模型,得到第二替换后的违禁物品检测模型集。
第六步,将上述主边缘设备对应违禁物品检测模型集替换为上述第二替换后的违禁物品检测模型集。
在一些实施例的一些可选的实现方式中,上述根据上述至少两个验证结果集,调整上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型的优先级,可以包括以下步骤:
第一步,根据上述至少两个验证结果集,确定上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型对应的准确率和召回率。
作为示例,上述执行主体可以根据准确率计算公式和召回率的计算公式来确定上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型对应的准确率和召回率。
第二步,根据上述各个违禁物品检测模型对应的准确率和召回率,调整上述违禁物品检测模型集中各个违禁物品检测模型的优先级。
作为示例,上述执行主体可以将各个违禁物品检测模型中准确率最高的违禁物品检测模型确定为优先级最高的违禁物品检测模型。以此类推,各个违禁物品检测模型中准确率最低的违禁物品检测模型确定为优先级最低的违禁物品检测模型。在这里,针对各个违禁物品检测模型中准确率最高的违禁物品检测模型的数目为多个,可以通过比对召回率来确定多个违禁物品检测模型的优先级。即在准确率相同的情况下,召回率越高,违禁物品检测模型的优先级越高。
在一些实施例的一些可选的实现方式中,在步骤1023之后,上述方法还包括:
第一步,根据上述至少两个验证结果集,确定上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型对应的准确率和召回率。在这里,具体实现方式在此不再赘述。
第二步,响应于确定各个违禁物品检测模型中存在的对应的准确率和召回率分别低于对应数值的违禁物品检测模型,作为目标违禁物品检测模型,得到至少一个目标违禁物品检测模型。其中,准确率对应的数值可以是75%。召回率对应的数值可以76%。
第三步,确定上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型所包括的各个子模型。
例如,某一目标违禁物品检测模型包括的各个子模型为:图像编码模型和图像解码模型。某一目标违禁物品检测模型包括的图像编码模型为多层串行连接的卷积神经网络。某一目标违禁物品检测模型包括的图像解码模型为多层串行连接的卷积神经网络。
第四步,对于上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型,确定上述某一目标违禁物品检测模型所包括的各个子模型中的每个子模型对应可替换模型。
例如,针对目标违禁物品检测模型包括的各个子模型为:图像编码模型和图像解码模型。图像编码模型对应的可替换模型可以包括:多层并行连接的卷积神经网络,多层串行连接的残差网络,包括自注意力机制的编码模型。图像解码模型对应的可替换模型可以包括:多层并行连接的卷积神经网络,多层串行连接的残差网络,包括自注意力机制的解码模型。
第五步,对于上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型,将上述目标违禁物品检测模型所包括的各个子模型依次替换为对应的可替换模型,得到多个替换模型后违禁物品检测模型。
例如,某一目标违禁物品检测模型包括的各个子模型为:图像编码模型和图像解码模型。某一目标违禁物品检测模型包括的图像编码模型为多层串行连接的卷积神经网络。上述执行主体可以将上述某一目标违禁物品检测模型包括的图像编码模型替换为多层串行连接的残差神经网络,得到多个替换模型后违禁物品检测模型。
再例如,某一目标违禁物品检测模型包括的各个子模型为:图像编码模型和图像解码模型。某一目标违禁物品检测模型包括的图像解码模型为多层串行连接的卷积神经网络。上述执行主体可以将上述某一目标违禁物品检测模型包括的图像解码模型替换为多层串行连接的残差神经网络,得到多个替换模型后违禁物品检测模型。
第六步,对于上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型,从目标违禁物品检测模型对应的多个替换模型后违禁物品检测模型中去除与各个违禁物品检测模型中网络结构相同的替换模型后违禁物品检测模型,得到去除后违禁物品检测模型集。其中,去除后违禁物品检测模型集中不存在与违禁物品检测模型网络结构相同的模型。
第七步,对于上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型,依次对目标违禁物品检测模型对应的去除后违禁物品检测模型集进行训练,得到训练后的去除后违禁物品检测模型集。
第八步,对于上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型,将验证样本集输入至目标违禁物品检测模型对应的去除后违禁物品检测模型集,得到验证结果集组。
第九步,对于上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型,根据上述验证结果集组,确定目标违禁物品检测模型对应的去除后违禁物品检测模型集中每个去除后违禁物品检测模型的准确率和召回率。
第十步,对于上述至少一个目标违禁物品检测模型中每个目标违禁物品检测模型,将目标违禁物品检测模型对应的去除后违禁物品检测模型集中准确率和召回率最高的去除后违禁物品检测模型确定为目标违禁物品检测模型的替换模型,以进行对目标违禁物品检测模型的替换。
上述“可选内容”作为发明点之一,解决了第二技术问题“不能对违禁物品检测模型进行有效地评估和变换,导致利用主边缘设备对应违禁物品检测模型集来检测违禁物品,存在检测不够精准的问题。”。基于此,本公开可以通过对准确率和召回率低的违禁物品检测模型进行网络结构的有效变换,由此,可以保证主边缘设备对应可以保证主边缘设备的多样化的前提下。使得主边缘设备所对应的违禁物品检测模型集在预测检测物品上,越来越精准。
可选地,上述目标边缘设备网还包括:至少一个从边缘设备。在步骤102之后,上述方法还包括以下步骤:
响应于确定上述至少一个违禁物品检测模型处于训练状态,上述执行主体可以将上述至少一个从边缘设备中的任一从边缘设备确定为主边缘设备,以进行待识别图像的识别。
例如,目标边缘设备网还包括:第一边缘设备、第二边缘设备、第三边缘设备、第四边缘设备。当前主边缘设备为第一边缘设备。至少一个从边缘设备包括:第二边缘设备、第三边缘设备和第四边缘设备。当第一边缘设备部署的至少一个违禁物品检测模型处于训练状态,上述执行主体可以将第二边缘设备确定为主边缘设备,以进行待识别图像的图像识别。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于对抗网络的人工智能模型更新方法可以准确、高效地调整主边缘设备对应各个违禁物品检测模型的优先级,侧面提高识别准确度和效率。具体来说,造成相关的识别准确度和效率较低的原因在于:针对边缘设备部署单一的违禁物品检测模型,倘若违禁物品检测模型不够精准,会较大程度影响物品的检测准确度。基于此,本公开的一些实施例的基于对抗网络的人工智能模型更新方法,首先,对于目标边缘设备网中的每个边缘设备,执行差异图像确定步骤:第一步,获取部署于上述边缘设备的、预先训练的违禁物品检测模型集。在这里,相对于在边缘设备部署一个违禁物品检测模型,部署多个违禁物品检测模型集可以高效、更为精准的检测出违禁物品。第二步,确定目标时间段内上述违禁物品检测模型集对应的识别图像集,以用于后续确定出识别图像集中各个违禁物品检测模型存在识别偏差的图像。第三步,从上述识别图像集中筛选出上述违禁物品检测模型集对应识别结果集存在差异的识别图像,作为差异图像,得到差异图像集,以用于后续生成针对主边缘设备的验证样本集。然后,对于上述目标边缘设备网中的主边缘设备,执行模型优先级调整步骤:第一步,根据所得到的差异图像集组,生成针对上述主边缘设备的验证样本集,以用于对主边缘设备部署的违禁物品检测模型集进行识别验证。第二步,将上述验证样本集输入至上述主边缘设备对应的违禁物品检测模型集,得到至少两个验证结果集。第三步,根据上述至少两个验证结果集,调整上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型的优先级。在这里,通过至少两个验证结果集,对主边缘设备对应违禁物品检测模型集中的各个违禁物品检测模型的优先级进行调整,以对上述主边缘设备的模型进行更新,可以进一步提高主边缘设备的违禁物品检测精准度,保障检测效率。
参考图2,示出了根据本公开的识别方法的一些实施例的流程200。该识别方法,包括以下步骤:
步骤201,获取待识别图像和目标边缘设备网中的主边缘设备所部署的违禁物品检测模型集。
在一些实施例中,上述基于对抗网络的人工智能模型更新方法的执行主体可以通过有限方式或无线方式获取待识别图像和目标边缘设备网中的主边缘设备所部署的违禁物品检测模型集。
步骤202,确定上述违禁物品检测模型集中的各个违禁物品检测模型对应的优先级。
在一些实施例中,上述执行主体可以确定上述违禁物品检测模型集中的各个违禁物品检测模型对应的优先级。
步骤203,将上述待识别图像输入至上述违禁物品检测模型集中的每个违禁物品检测模型,以生成候选识别结果,得到候选识别结果集。
在一些实施例中,上述执行主体可以将上述待识别图像输入至上述违禁物品检测模型集中的每个违禁物品检测模型,以生成候选识别结果,得到候选识别结果集。
步骤204,响应于确定上述候选识别结果集中存在识别内容不同的识别结果,将上述待识别图像确定为差异图像,以及根据上述候选识别结果集和上述各个违禁物品检测模型对应的优先级,确定上述待识别图像对应的识别结果。
在一些实施例中,上述执行主体可以响应于确定上述候选识别结果集中存在识别内容不同的识别结果,将上述待识别图像确定为差异图像,以及根据上述候选识别结果集和上述各个违禁物品检测模型对应的优先级,确定上述待识别图像对应的识别结果。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的识别方法利用主边缘设备所部署的违禁物品检测模型集,可以准确、高效地生成针对待识别图像的识别结果。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种基于对抗网络的人工智能模型更新装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一种基于对抗网络的人工智能模型更新装置300包括:第一执行单元301和第二执行单元302。其中,第一执行单元301,被配置成对于目标边缘设备网中的每个边缘设备,执行差异图像确定步骤:获取部署于上述边缘设备的、预先训练的违禁物品检测模型集;确定目标时间段内上述违禁物品检测模型集对应的识别图像集;从上述识别图像集中筛选出上述违禁物品检测模型集对应识别结果集存在差异的识别图像,作为差异图像,得到差异图像集;第二执行单元302,被配置成对于上述目标边缘设备网中的主边缘设备,执行模型优先级调整步骤:根据所得到的差异图像集组,生成针对上述主边缘设备的验证样本集;将上述验证样本集输入至上述主边缘设备对应的违禁物品检测模型集,得到至少两个验证结果集;根据上述至少两个验证结果集,调整上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型的优先级,以对上述主边缘设备的模型进行更新。
可以理解的是,该装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种识别装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一种识别装置400包括:获取单元401、第一确定单元402、输入单元403和第二确定单元404。其中,获取单元401,被配置成获取待识别图像和目标边缘设备网中的主边缘设备所部署的违禁物品检测模型集;第一确定单元402,被配置成确定上述违禁物品检测模型集中的各个违禁物品检测模型对应的优先级;输入单元403,被配置成将上述待识别图像输入至上述违禁物品检测模型集中的每个违禁物品检测模型,以生成候选识别结果,得到候选识别结果集;第二确定单元404,被配置成响应于确定上述候选识别结果集中存在识别内容不同的识别结果,将上述待识别图像确定为差异图像,以及根据上述候选识别结果集和上述各个违禁物品检测模型对应的优先级,确定上述待识别图像对应的识别结果。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如,电子设备)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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:对于目标边缘设备网中的每个边缘设备,执行差异图像确定步骤:获取部署于上述边缘设备的、预先训练的违禁物品检测模型集;确定目标时间段内上述违禁物品检测模型集对应的识别图像集;从上述识别图像集中筛选出上述违禁物品检测模型集对应识别结果集存在差异的识别图像,作为差异图像,得到差异图像集;对于上述目标边缘设备网中的主边缘设备,执行模型优先级调整步骤:根据所得到的差异图像集组,生成针对上述主边缘设备的验证样本集;将上述验证样本集输入至上述主边缘设备对应的违禁物品检测模型集,得到至少两个验证结果集;根据上述至少两个验证结果集,调整上述主边缘设备对应违禁物品检测模型集中各个违禁物品检测模型的优先级,以对上述主边缘设备的模型进行更新。获取待识别图像和目标边缘设备网中的主边缘设备所部署的违禁物品检测模型集;确定上述违禁物品检测模型集中的各个违禁物品检测模型对应的优先级;将上述待识别图像输入至上述违禁物品检测模型集中的每个违禁物品检测模型,以生成候选识别结果,得到候选识别结果集;响应于确定上述候选识别结果集中存在识别内容不同的识别结果,将上述待识别图像确定为差异图像,以及根据上述候选识别结果集和上述各个违禁物品检测模型对应的优先级,确定上述待识别图像对应的识别结果。
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一些实施例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。
描述于本公开的一些实施例中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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一确定单元、输入单元和第二确定单元。其中,这些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,获取单元还可以被描述为“获取待识别图像和目标边缘设备网中的主边缘设备所部署的违禁物品检测模型集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。