CN115630289B - 一种基于证据理论的目标识别方法及装置 - Google Patents
一种基于证据理论的目标识别方法及装置 Download PDFInfo
- Publication number
- CN115630289B CN115630289B CN202211646851.4A CN202211646851A CN115630289B CN 115630289 B CN115630289 B CN 115630289B CN 202211646851 A CN202211646851 A CN 202211646851A CN 115630289 B CN115630289 B CN 115630289B
- Authority
- CN
- China
- Prior art keywords
- data
- probability
- preset
- detected
- expected
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于证据理论的目标识别方法及装置,可应用于计算机视觉领域,在该方法中,获取待检测数据;通过目标识别模型的特征提取层,对待检测数据进行特征提取得到特征向量;通过该模型的特征转换层,将特征向量转换为属于多个预设类别子集合的第一概率向量;通过该模型的期望计算层,将第一概率向量和预设概率矩阵进行计算,获得待检测数据属于多个预设类别子集合的多个第一期望概率;通过该模型的输出层,将最大第一期望概率对应的预设类别子集合输出为识别结果。可见,该方法避免将特征向量与多个预设类别有关联的待检测数据识别为某个预设类别,而是将其识别为属于某个预设类别子集合,提高目标识别结果的准确性。
Description
技术领域
本申请涉及计算机视觉技术领域,尤其涉及一种基于证据理论的目标识别方法及装置。
背景技术
随着科技的高速发展,目标识别技术日趋广泛应用于交通监控、无人机监测等多个领域。但对图像、音视频或文本等多种模态的数据进行目标识别时,容易受环境或设备等外在条件的干扰,影响目标识别结果的准确性。
现有技术中,目标识别的方法为:通过卷积神经网络对待检测数据进行特征提取,根据提取得到的特征向量预测该待检测数据的类别,得到该待检测数据的目标识别结果。
然而,在上述目标识别的方法中,当待检测数据的特征向量所包括的特征信息不足以表示某个预设类别,而是包括与某几个预设类别均相关联的特征信息时,会出现卷积神经网络将该待检测数据输出为属于相关联的某几个预设类别中的一个预设类别的情况,导致目标识别结果的准确性较低。
发明内容
有鉴于此,本申请实施例提供了一种基于证据理论的目标识别方法及装置,旨在提高目标识别结果的准确性。
第一方面,本申请实施例提供了一种基于证据理论的目标识别方法,所述方法包括:
获取待检测数据;
通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量;
通过所述目标识别模型的特征转换层,将所述待检测数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;
通过所述目标识别模型的期望计算层,根据所述第一概率向量和预设概率矩阵进行计算,获得所述待检测数据属于所述多个预设类别子集合的多个第一期望概率;
通过所述目标识别模型的输出层,将所述多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为所述待检测数据的识别结果。
可选地,所述待检测数据具体为多个模态的待检测数据;通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量,具体为:
通过所述特征提取层对所述多个模态的待检测数据进行特征提取,获得所述多个模态的待检测数据的特征向量;
所述通过所述目标识别模型的特征转换层,将所述待检测数据的特征向量转换为属于多个预设类别子集合的第一概率向量,包括:
通过所述特征转换层,将所述多个模态的待检测数据的特征向量转换为属于所述多个预设类别子集合的多个第二概率向量;
将所述多个第二概率向量和与所述多个第二概率向量对应的多个预设权重进行加权计算,获得所述第一概率向量。
可选地,所述根据所述第一概率向量和预设概率矩阵进行计算,获得所述待检测数据属于所述多个预设类别子集合的多个第一期望概率,包括:
根据所述第一概率向量和所述预设概率矩阵进行计算,获得所述待检测数据属于所述每个预设类别子集合的最小第二期望概率,以及属于所述每个预设类别子集合的最大第二期望概率;
针对所述每个预设类别子集合,获取所述最小第二期望概率对应的第一系数和所述最大第二期望概率对应的第二系数,所述第一系数和所述第二系数之和为1;
根据所述最小第二期望概率、所述最大第二期望概率、所述第一系数和所述第二系数进行计算,获得所述多个第一期望概率。
可选地,所述根据所述第一概率向量和所述预设概率矩阵进行计算,获得所述待检测数据属于所述每个预设类别子集合的最小第二期望概率,以及属于所述每个预设类别子集合的最大第二期望概率,包括:
将所述第一概率向量中的每个第一概率值与所述每个第一概率值对应的预设概率集合的最小第二概率值进行相乘计算,或者与所述预设概率集合的最大第二概率值进行相乘计算,获得多个乘积值,所述预设概率集合是根据预设规则对所述预设概率矩阵进行选取得到的;
对所述多个乘积值进行求和计算,获得所述最小第二期望概率或者所述最大第二期望概率。
可选地,所述特征提取层包括卷积层和池化层;所述通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量,包括:
通过所述卷积层和所述池化层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量。
可选地,所述目标识别模型的训练步骤,包括:
获取多个样本数据和每个样本数据的标注数据;
将所述多个样本数据输入预设识别网络进行识别,获得所述多个样本数据的识别结果,所述预设识别网络包括所述特征提取层、所述特征转换层、所述期望计算层和所述输出层;
根据所述标注数据、所述多个样本数据的识别结果和所述预设识别网络的损失函数,训练所述预设识别网络的模型参数;
将训练完成的所述预设识别网络确定为所述目标识别模型。
可选地,所述预设概率矩阵的获得步骤,具体为:
根据所述多个样本数据的识别结果进行概率统计,获得所述预设概率矩阵。
第二方面,本申请实施例提供了一种基于证据理论的目标识别装置,所述装置包括:
获取模块,用于获取待检测数据;
提取模块,用于通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量;
转换模块,用于通过所述目标识别模型的特征转换层,将所述待检测数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;
计算模块,用于通过所述目标识别模型的期望计算层,根据所述第一概率向量和预设概率矩阵进行计算,获得所述待检测数据属于所述多个预设类别子集合的多个第一期望概率;
输出模块,用于通过所述目标识别模型的输出层,将所述多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为所述待检测数据的识别结果。
第三方面,本申请实施例提供了一种基于证据理论的目标识别设备,所述设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以使所述设备执行前述第一方面所述的基于证据理论的目标识别方法。
第四方面,本申请实施例提供了一种计算机存储介质,所述计算机存储介质上存储有计算机程序,当所述计算机程序被运行时,运行所述计算机程序的设备实现前述第一方面所述的基于证据理论的目标识别方法。
相较于现有技术,本申请实施例具有以下有益效果:
本申请实施例提供了一种基于证据理论的目标识别方法及装置,在该方法中,获取待检测数据;通过目标识别模型的特征提取层,对待检测数据进行特征提取得到待测试数据的特征向量;通过目标识别模型的特征转换层,将待测试数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;通过目标识别模型的期望计算层,根据第一概率向量和预设概率矩阵进行计算,获得待检测数据属于多个预设类别子集合的多个第一期望概率;通过目标识别模型的输出层,将多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为待检测数据的识别结果。
可见,该方法将待检测数据的特征向量转换为第一概率向量,并根据第一概率向量和预设概率矩阵进行计算,得到待检测数据属于多个预设类别子集合的多个第一期望概率,从而根据多个第一期望概率中的最大第一期望概率得到更加准确的目标识别结果,避免将特征向量与多个预设类别有关联的待检测数据识别为某个预设类别,而是将其识别为属于某个预设类别子集合,从而提高目标识别结果的准确性。
附图说明
为更清楚地说明本实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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他的附图。
图1为本申请实施例提供的一种基于证据理论的目标识别方法的应用场景;
图2为本申请实施例提供的一种基于证据理论的目标识别方法的流程图;
图3为本申请实施例提供的一种获得多个第一期望概率的方法的流程图;
图4为本申请实施例提供的一种基于证据理论的目标识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
目前,已有的目标识别的方法为:通过卷积神经网络对待检测数据进行特征提取,根据提取得到的特征向量预测该待检测数据的类别,得到该待检测数据的目标识别结果。然而,在该方法中,当待检测数据的特征向量所包括的特征信息不足以表示某个预设类别,而是包括与某几个预设类别均相关联的特征信息时,会出现卷积神经网络将该待检测数据输出为属于相关联的某几个预设类别中的一个预设类别的情况,导致目标识别结果的准确性较低。
基于此,为了解决上述问题,本申请实施例提供了一种基于证据理论的目标识别方法及装置,在该方法中,获取待检测数据;通过目标识别模型的特征提取层,对待检测数据进行特征提取得到待测试数据的特征向量;通过目标识别模型的特征转换层,将待测试数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;通过目标识别模型的期望计算层,根据第一概率向量和预设概率矩阵进行计算,获得待检测数据属于多个预设类别子集合的多个第一期望概率;通过目标识别模型的输出层,将多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为待检测数据的识别结果。
可见,该方法将待检测数据的特征向量转换为第一概率向量,并根据第一概率向量和预设概率矩阵进行计算,得到待检测数据属于多个预设类别子集合的多个第一期望概率,从而根据多个第一期望概率中的最大第一期望概率得到更加准确的目标识别结果,避免将特征向量与多个预设类别有关联的待检测数据识别为某个预设类别,而是将其识别为属于某个预设类别子集合,从而提高目标识别结果的准确性。
举例来说,本申请实施例的场景之一,可以是应用到如图1所示的场景中。该场景包括数据库101和服务器102,其中,数据库101包括待检测数据,服务器102从数据库101获取待检测数据,采用本申请实施例提供的实施方式进行目标识别。
首先,在上述应用场景中,虽然将本申请实施例提供的实施方式的动作描述由服务器102执行;但是,本申请实施例在执行主体方面不受限制,只要执行了本申请实施例提供的实施方式所公开的动作即可。
其次,上述场景仅是本申请实施例提供的一个场景示例,本申请实施例并不限于此场景。
下面结合附图,通过实施例来详细说明本申请实施例中基于证据理论的目标识别方法及装置的具体实现方式。
参见图2,该图为本申请实施例提供的一种基于证据理论的目标识别方法的流程图,结合图2所示,具体可以包括:
S201:获取待检测数据。
获取待检测对象的待检测数据。举例来说,待检测数据可以是图像数据、音频数据、视频数据或文本数据等不同模态的数据。相应地,获取待检测数据的方式可以通过照相机、录音机、摄像机等等。当然,以上所述也可以采用其他方式,并不影响本申请实施例的实现。
S202:通过目标识别模型的特征提取层,对待检测数据进行特征提取,获得待检测数据的特征向量。
将获取的待检测数据输入至目标识别模型进行识别,首先通过该目标识别模型的特征提取层,对待检测数据进行特征提取得到待测试数据的特征向量。其中,待检测数据的特征向量是由通过提取待检测数据的不同特征属性得到的一行或者一列特征值组成的。
其中,本申请实施例可不具体限定目标识别模型中特征提取层的结构,为了便于理解,下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中,目标识别模型的特征提取层可以由卷积神经网络的卷积层和池化层构成。因此,特征提取层具体可以包括卷积层和池化层;相应地,S202具体可以为:通过卷积层和池化层,对待检测数据进行特征提取,获得待测试数据的特征向量。其中,卷积层提取待检测数据的特征数据,池化层对卷积层提取得到的特征数据进行降维,得到更高层次的待检测数据的特征向量,以便利用该待测试数据的特征向量进行后续步骤。
S203:通过目标识别模型的特征转换层,将待测试数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个。
通过目标识别模型的特征转换层,将特征提取层得到的待测试数据的特征向量转换为属于多个预设类别子集合的第一概率向量,其中,每个预设类别子集合包括多个预设类别中的一个类别或多个类别。
在一种可能的实施方式中,该目标识别模型预设M个类别,则预设类别子集合的个数为2M-1,预设类别子集合是多个预设类别构成的集合的非空子集合。第一概率向量是待测试数据的特征向量分别属于2M-1个预设类别子集合的不同概率构成的向量。
S204:通过目标识别模型的期望计算层,根据第一概率向量和预设概率矩阵进行计算,获得待检测数据属于多个预设类别子集合的多个第一期望概率。
通过目标识别模型的期望计算层,根据特征转换层得到的第一概率向量和预设概率矩阵进行计算,得到待检测数据分别属于多个预设类别子集合的多个第一期望概率。
其中,本申请实施例可不具体限定获得多个第一期望概率的方法的具体实现方式,为了便于理解,下面结合一种可能的实施方式进行说明。技术详情请参见下文所做的介绍。
S205:通过目标识别模型的输出层,将多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为待检测数据的识别结果。
通过目标识别模型的输出层,从概率计算层得到的多个第一期望概率中得到最大第一期望概率,将其对应的预设类别子集合,输出为待检测数据的识别结果。
在本申请实施例中,可不具体限定目标识别模型的训练过程,为了便于理解,下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中,可以先获取多个已经标注好类别的样本数据;然后,设置包括特征提取层、特征转换层、期望计算层和输出层的预设识别网络,将多个样本数据输入至预设识别网络进行识别得到多个识别结果;再根据标注好的类别数据、识别结果和损失函数,对预设识别网络的模型参数进行调整;最后,训练完成的预设识别网络即为目标识别模型。因此,目标识别模型的训练步骤,具体可以包括:获取多个样本数据和每个样本数据的标注数据;将多个样本数据输入预设识别网络进行识别,获得多个样本数据的识别结果,预设识别网络包括特征提取层、特征转换层、期望计算层和输出层。根据标注数据、多个样本数据的识别结果和预设识别网络的损失函数,训练预设识别网络的模型参数;将训练完成的预设识别网络确定为目标识别模型。
其中,本申请实施例可不具体限定预设概率矩阵的获得过程,为了便于理解,下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中,将多个样本数据的多次识别结果进行概率统计,获得属于多个预设类别的多个样本数据被识别为每个预设类别子集合的概率,进一步得到预设概率矩阵。因此,预设概率矩阵的获得步骤,具体可以为:根据多个样本数据的识别结果进行概率统计,获得预设概率矩阵。
在一种可能的实施方式中,该目标识别模型预设M个类别,则预设类别子集合的个数为2M-1,可以得到(2M-1ⅹM)的预设概率矩阵,该概率矩阵中的元素mij表示类别为j的样本数据被识别为不同预设类别子集合i的概率。
在本申请实施例中,可不具体限定待检测数据的模态数量,为了便于理解,下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中,可以获得待检测对象的多个模态的待检测数据,相应地,在特征提取层需要对多个模态的待检测数据进行特征提取,得到多个模态的待检测数据的特征向量;在特征转换层,需要将不同模态的待检测数据对应的特征向量,转换为不同的属于多个预设类别子集合的第二概率向量,根据不同模态对应的预设权重对多个第二概率向量进行加权计算,得到第一概率向量。因此,当待检测数据具体为多个模态的待检测数据时; S202具体可以为:通过特征提取层对多个模态的待检测数据进行特征提取,获得多个模态的待检测数据的特征向量; S203具体可以包括:通过特征转换层,将多个模态的待检测数据的特征向量转换为属于多个预设类别子集合的多个第二概率向量;将多个第二概率向量和与多个第二概率向量对应的多个预设权重进行加权计算,获得第一概率向量。
基于上述S201-S205的相关内容可知,本申请实施例中,获取待检测数据;通过目标识别模型的特征提取层,对待检测数据进行特征提取得到待测试数据的特征向量;通过目标识别模型的特征转换层,将待测试数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;通过目标识别模型的期望计算层,根据第一概率向量和预设概率矩阵进行计算,获得待检测数据属于多个预设类别子集合的多个第一期望概率;通过目标识别模型的输出层,将多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为待检测数据的识别结果。可见,将待检测数据的特征向量转换为第一概率向量,并根据第一概率向量和预设概率矩阵进行计算,得到待检测数据属于多个预设类别子集合的多个第一期望概率,从而根据多个第一期望概率中的最大第一期望概率得到更加准确的目标识别结果,避免将特征向量与多个预设类别有关联的待检测数据识别为某个预设类别,而是将其识别为属于某个预设类别子集合,从而提高目标识别结果的准确性。
参见图3,该图为本申请实施例提供的一种获得多个第一期望概率的方法的流程图,结合图3所示,具体可以包括:
S301:根据第一概率向量和预设概率矩阵进行计算,获得待检测数据属于每个预设类别子集合的最小第二期望概率,以及属于每个预设类别子集合的最大第二期望概率。
根据特征转换层得到的第一概率向量和预设概率矩阵进行计算,得到待检测数据属于每个预设类别子集合的多个最小第二期望概率和多个最大第二期望概率。
其中,本申请实施例可不具体限定最小第二期望概率和最大第二期望概率的获得过程,为了便于理解,下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中,先得到与第一概率向量中多个第一概率值对应的多个预设概率集合,多个预设概率集合是根据预设规则从预设概率矩阵中选取得到的,然后将第一概率向量中的每个第一概率值与对应的预设概率集合中的最小第二概率值相乘得到多个乘积值,并将多个乘积值进行相加得到最小第二期望概率,同理将第一概率向量中的每个第一概率值与对应的预设概率集合中的最大第二概率值相乘并求和得到最大第二期望概率。因此,S301具体可以包括:将第一概率向量中的每个第一概率值与每个第一概率值对应的预设概率集合的最小第二概率值进行相乘计算,或者与预设概率集合的最大第二概率值进行相乘计算,获得多个乘积值,预设概率集合是根据预设规则对预设概率矩阵进行选取得到的;对多个乘积值进行求和计算,获得最小第二期望概率或者最大第二期望概率。
举例来说,预设规则可以是根据第一概率向量中每个第一概率值对应的预设类别子集合中的所有类别,从预设概率矩阵中选取所述所有类别分别对应的最大概率值,得到第一概率向量中每个第一概率值对应的预设概率集合。例如,该目标识别模型预设3个类别(W1、W2、W3),当要得到第一概率向量中待检测数据属于预设类别子集合(W1、W2)的第一概率值对应的预设概率集合时,则需要从预设概率矩阵中选取W1对应的最大概率值和W2对应的最大概率值。当然,也可以采用其他方式,并不影响本申请实施例的实现。
S302:针对每个预设类别子集合,获取最小第二期望概率对应的第一系数和最大第二期望概率对应的第二系数,第一系数和第二系数之和为1。
获得待检测数据属于每个预设类别子集合的最小第二期望概率和最大第二期望概率分别对应的第一系数和第二系数,第一系数和第二系数的和为1。第一系数和第二系数可以进行调整,举例来说,可以根据待检测数据的被干扰程度、损坏程度或是否容易区分对第一系数和第二系数进行调整。当然,也可以采用其他方式,并不影响本申请实施例的实现。
S303:根据最小第二期望概率、最大第二期望概率、第一系数和第二系数进行计算,获得多个第一期望概率。
在一种可能的实施方式中,将最小第二期望概率与第一系数的乘积值,和最大第二期望概率与第二系数的乘积值相加,得到多个第一期望概率。当然,也可以采用其他方式,并不影响本申请实施例的实现。
基于上述S301-S303的相关内容可知,本申请实施例中,根据第一概率向量和预设概率矩阵进行计算,得到待检测数据属于每个预设类别子集合的最小第二期望概率和最大第二期望概率,根据多个最小第二期望概率和对应的多个最大第二期望概率,以及分别对应的第一系数和第二系数,得到待检测数据属于多个预设类别子集合的多个第一期望效率。可见,多个第一期望概率是根据不同系数的最小第二期望概率和最大第二期望概率得到,而不同系数根据待检测数据的特性进行设置,进一步提高了多个第一期望概率的准确性,以便后续根据多个第一期望概率得到更加准确的待检测数据的目标识别结果。
以上为本申请实施例提供基于证据理论的目标识别方法的一些具体实现方式,基于此,本申请还提供了对应的装置。下面将从功能模块化的角度对本申请实施例提供的装置进行介绍。
参见图4,该图为本申请实施例提供的一种基于证据理论的目标识别装置400的结构示意图,该装置400可以包括:
获取模块401,用于获取待检测数据;
提取模块402,用于通过目标识别模型的特征提取层,对待检测数据进行特征提取,获得待检测数据的特征向量;
转换模块403,用于通过目标识别模型的特征转换层,将待测试数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;
计算模块404,用于通过目标识别模型的期望计算层,根据第一概率向量和预设概率矩阵进行计算,获得待检测数据属于多个预设类别子集合的多个第一期望概率;
输出模块405,用于通过目标识别模型的输出层,将多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为待检测数据的识别结果。
在本申请实施例中,通过获取模块401、提取模块402、转换模块403、计算模块404以及输出模块405这5个模块的配合,将待检测数据的特征向量转换为第一概率向量,并根据第一概率向量和预设概率矩阵进行计算,得到待检测数据属于多个预设类别子集合的多个期望概率,从而根据多个期望概率中的最大第一期望概率得到更加准确的目标识别结果,避免将特征向量与多个预设类别有关联的待检测数据识别为某个预设类别,而是将其识别为属于某个预设类别子集合,从而提高目标识别结果的准确率。
作为一种实施方式,获取模块401中的待检测数据,具体可以为:多个模态的待检测数据;
相应地,提取模块402,具体可以用于:
通过特征提取层对多个模态的待检测数据进行特征提取,获得多个模态的待检测数据的特征向量;
相应地,转换模块403,具体可以包括:
转换单元,用于通过特征转换层,将多个模态的待检测数据的特征向量转换为属于多个预设类别子集合的多个第二概率向量;
加权单元,用于将多个第二概率向量和与所述多个第二概率向量对应的多个预设权重进行加权计算,获得第一概率向量。
作为一种实施方式,计算模块404,具体可以包括:
第一计算单元,用于根据第一概率向量和预设概率矩阵进行计算,获得待检测数据属于每个预设类别子集合的最小第二期望概率,以及属于每个预设类别子集合的最大第二期望概率;
第一获取单元,用于针对每个预设类别子集合,获取最小第二期望概率对应的第一系数和最大第二期望概率对应的第二系数,第一系数和第二系数之和为1;
第二计算单元,用于根据最小第二期望概率、最大第二期望概率、第一系数和第二系数进行计算,获得多个期望概率。
作为一种实施方式,第一计算单元,具体可以用于:
将第一概率向量中的每个第一概率值与每个第一概率值对应的预设概率集合的最小第二概率值进行相乘计算,或者与预设概率集合的最大第二概率值进行相乘计算,获得多个乘积值,预设概率集合是根据预设规则对预设概率矩阵进行选取得到的;
对多个乘积值进行求和计算,获得最小第二期望概率或者最大第二期望概率。
作为一种实施方式,提取模块402中的特征转换层,具体可以包括卷积层和池化层;
相应地,提取模块402,具体可以用于:
通过卷积层和池化层,对待检测数据进行特征提取,获得待测试数据的特征向量。
作为一种实施方式,目标识别装置400的目标识别模型的训练步骤,具体可以包括:
第二获取单元,用于获取多个样本数据和每个样本数据的标注数据;
识别单元,用于将多个样本数据输入预设识别网络进行识别,获得多个样本数据的识别结果,预设识别网络包括特征提取层、特征转换层、期望计算层和输出层;
训练单元,用于根据标注数据、多个样本数据的识别结果和预设识别网络的损失函数,训练预设识别网络的模型参数;
确定单元,用于将训练完成的预设识别网络确定为目标识别模型。
作为一种实施方式,计算模块404的预设概率矩阵的获得步骤,具体可以包括:
统计单元,用于根据多个样本数据的识别结果进行概率统计,获得预设概率矩阵。
本申请实施例还提供了对应的设备以及计算机存储介质,用于实现本申请实施例提供的方案。
其中,所述设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以使所述设备执行本申请任一实施例所述的基于证据理论的目标识别方法。
所述计算机存储介质中存储有计算机程序,当所述计算机程序被运行时,运行所述计算机程序的设备实现本申请任一实施例所述的基于证据理论的目标识别方法。
本申请实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识,并不代表顺序上的第一、第二。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如只读存储器(英文:read-only memory,ROM)/RAM、磁碟、光盘等,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,或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元提示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于证据理论的目标识别方法,其特征在于,所述方法包括:
获取待检测数据;所述待检测数据包括交通监控场景下的图像数据、音频数据、视频数据或文本数据,或者,所述待检测数据包括无人机监测场景下的图像数据、音频数据、视频数据或文本数据;
通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量;所述目标识别模型是根据多个样本数据和每个样本数据的类别标签训练预设识别网络得到的;
通过所述目标识别模型的特征转换层,将所述待检测数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;
通过所述目标识别模型的期望计算层,将所述第一概率向量中的每个第一概率值与所述每个第一概率值对应的预设概率集合的最小第二概率值进行相乘计算,或者与所述预设概率集合的最大第二概率值进行相乘计算,获得多个乘积值,所述预设概率集合是根据预设规则对预设概率矩阵进行选取得到的;对所述多个乘积值进行求和计算,获得所述最小第二期望概率或者所述最大第二期望概率;针对所述每个预设类别子集合,获取所述最小第二期望概率对应的第一系数和所述最大第二期望概率对应的第二系数,所述第一系数和所述第二系数之和为1;根据所述最小第二期望概率、所述最大第二期望概率、所述第一系数和所述第二系数进行计算,获得多个第一期望概率;
通过所述目标识别模型的输出层,将所述多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为所述待检测数据的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述待检测数据具体为多个模态的待检测数据;所述通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量,具体为:
通过所述特征提取层对所述多个模态的待检测数据进行特征提取,获得所述多个模态的待检测数据的特征向量;
所述通过所述目标识别模型的特征转换层,将所述待检测数据的特征向量转换为属于多个预设类别子集合的第一概率向量,包括:
通过所述特征转换层,将所述多个模态的待检测数据的特征向量转换为属于所述多个预设类别子集合的多个第二概率向量;
将所述多个第二概率向量和与所述多个第二概率向量对应的多个预设权重进行加权计算,获得所述第一概率向量。
3.根据权利要求1所述的方法,其特征在于,所述特征提取层包括卷积层和池化层;所述通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量,包括:
通过所述卷积层和所述池化层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量。
4.根据权利要求1所述的方法,其特征在于,所述目标识别模型的训练步骤,包括:
获取多个样本数据和每个样本数据的标注数据;
将所述多个样本数据输入预设识别网络进行识别,获得所述多个样本数据的识别结果,所述预设识别网络包括所述特征提取层、所述特征转换层、所述期望计算层和所述输出层;
根据所述标注数据、所述多个样本数据的识别结果和所述预设识别网络的损失函数,训练所述预设识别网络的模型参数;
将训练完成的所述预设识别网络确定为所述目标识别模型。
5.根据权利要求4所述的方法,其特征在于,所述预设概率矩阵的获得步骤,具体为:
根据所述多个样本数据的识别结果进行概率统计,获得所述预设概率矩阵。
6.一种基于证据理论的目标识别装置,其特征在于,所述装置包括:
获取模块,用于获取待检测数据;所述待检测数据包括交通监控场景下的图像数据、音频数据、视频数据或文本数据,或者,所述待检测数据包括无人机监测场景下的图像数据、音频数据、视频数据或文本数据;
提取模块,用于通过目标识别模型的特征提取层,对所述待检测数据进行特征提取,获得所述待检测数据的特征向量;所述目标识别模型是根据多个样本数据和每个样本数据的类别标签训练预设识别网络得到的;
转换模块,用于通过所述目标识别模型的特征转换层,将所述待检测数据的特征向量转换为属于多个预设类别子集合的第一概率向量,每个预设类别子集合包括多个预设类别中的一个或多个;
计算模块,用于通过所述目标识别模型的期望计算层,将所述第一概率向量中的每个第一概率值与所述每个第一概率值对应的预设概率集合的最小第二概率值进行相乘计算,或者与所述预设概率集合的最大第二概率值进行相乘计算,获得多个乘积值,所述预设概率集合是根据预设规则对预设概率矩阵进行选取得到的;对所述多个乘积值进行求和计算,获得所述最小第二期望概率或者所述最大第二期望概率;针对所述每个预设类别子集合,获取所述最小第二期望概率对应的第一系数和所述最大第二期望概率对应的第二系数,所述第一系数和所述第二系数之和为1;根据所述最小第二期望概率、所述最大第二期望概率、所述第一系数和所述第二系数进行计算,获得多个第一期望概率;
输出模块,用于通过所述目标识别模型的输出层,将所述多个第一期望概率中的最大第一期望概率对应的预设类别子集合输出为所述待检测数据的识别结果。
7.一种基于证据理论的目标识别设备,其特征在于,所述设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以使所述设备执行如权利要求1至5任一项所述的基于证据理论的目标识别方法的步骤。
8.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,当所述计算机程序被运行时,运行所述计算机程序的设备实现如权利要求1至5任一项所述的基于证据理论的目标识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646851.4A CN115630289B (zh) | 2022-12-21 | 2022-12-21 | 一种基于证据理论的目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646851.4A CN115630289B (zh) | 2022-12-21 | 2022-12-21 | 一种基于证据理论的目标识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630289A CN115630289A (zh) | 2023-01-20 |
CN115630289B true CN115630289B (zh) | 2023-09-26 |
Family
ID=84910538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211646851.4A Active CN115630289B (zh) | 2022-12-21 | 2022-12-21 | 一种基于证据理论的目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630289B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599900A (zh) * | 2015-10-20 | 2017-04-26 | 华中科技大学 | 一种识别图像中的字符串的方法和装置 |
CN109558838A (zh) * | 2018-11-29 | 2019-04-02 | 北京经纬恒润科技有限公司 | 一种物体识别方法及系统 |
CN110163301A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像的分类方法及装置 |
CN112465017A (zh) * | 2020-11-26 | 2021-03-09 | 平安科技(深圳)有限公司 | 分类模型训练方法、装置、终端及存储介质 |
CN115272682A (zh) * | 2022-07-29 | 2022-11-01 | 上海弘玑信息技术有限公司 | 目标对象检测方法、目标检测模型的训练方法及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016181474A1 (ja) * | 2015-05-11 | 2016-11-17 | 株式会社東芝 | パターン認識装置、パターン認識方法およびプログラム |
-
2022
- 2022-12-21 CN CN202211646851.4A patent/CN115630289B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599900A (zh) * | 2015-10-20 | 2017-04-26 | 华中科技大学 | 一种识别图像中的字符串的方法和装置 |
CN109558838A (zh) * | 2018-11-29 | 2019-04-02 | 北京经纬恒润科技有限公司 | 一种物体识别方法及系统 |
CN110163301A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像的分类方法及装置 |
CN112465017A (zh) * | 2020-11-26 | 2021-03-09 | 平安科技(深圳)有限公司 | 分类模型训练方法、装置、终端及存储介质 |
WO2021208722A1 (zh) * | 2020-11-26 | 2021-10-21 | 平安科技(深圳)有限公司 | 分类模型训练方法、装置、终端及存储介质 |
CN115272682A (zh) * | 2022-07-29 | 2022-11-01 | 上海弘玑信息技术有限公司 | 目标对象检测方法、目标检测模型的训练方法及电子设备 |
Non-Patent Citations (2)
Title |
---|
Probability models for open set recognition;Walter. J. Scheirer 等;《IEEE Transactions on pattern analysis and machine intelligence》;第36卷(第11期);第2317-2324页 * |
单样本的低分辨率单目标人脸识别算法;薛杉;朱虹;吴文欢;;仪器仪表学报(第03期);第196-202页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115630289A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN110162657B (zh) | 一种基于高层语义特征和颜色特征的图像检索方法及系统 | |
CN113949582B (zh) | 一种网络资产的识别方法、装置、电子设备及存储介质 | |
WO2019167784A1 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN111553477A (zh) | 图像处理方法、装置及存储介质 | |
CN111400551B (zh) | 一种视频分类方法、电子设备和存储介质 | |
CN112116567A (zh) | 一种无参考图像质量评价方法、装置及存储介质 | |
CN111325212A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
CN116827685B (zh) | 基于深度强化学习的微服务系统动态防御策略方法 | |
CN114091551A (zh) | 色情图像识别方法、装置、电子设备及存储介质 | |
CN112101091B (zh) | 视频分类方法、电子设备和存储介质 | |
CN115630289B (zh) | 一种基于证据理论的目标识别方法及装置 | |
CN112270334A (zh) | 一种基于异常点暴露的少样本图像分类方法及系统 | |
CN108596068B (zh) | 一种动作识别的方法和装置 | |
CN113591647B (zh) | 人体动作识别方法、装置、计算机设备和存储介质 | |
CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN113609957A (zh) | 一种人体行为识别方法及终端 | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN114550022A (zh) | 模型训练方法及装置、电子设备和可读存储介质 | |
CN115102852B (zh) | 物联网业务开通方法、装置、电子设备及计算机介质 | |
CN116912921B (zh) | 表情识别方法、装置、电子设备及可读存储介质 | |
CN115100419B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN117475491A (zh) | 识别图像中表情的方法及装置 |
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 |