[發明專利]對象類別識別方法、裝置、設備及存儲介質

在審

• 申請號: 201710736890.6
• 申請日: 2017-08-24
• 公開（公告）號: CN107516112A
• 公開（公告）日: 2017-12-26
• 發明（設計）人: 萬韶華
• 申請（專利權）人: 北京小米移動軟件有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京博思佳知識產權代理有限公司11415
• 代理人: 王茹

技術領域

本申請涉及信息識別技術領域，尤其涉及對象類別識別方法、裝置、設備及存儲介質。

背景技術

近年來，在深度學習技術的推動下，圖像、語音等對象分類識別取得了突飛猛進的進展。深度學習中可以用深度卷積網絡(Convolutional Neural Networks,CNN)，深度卷積網絡是多層的神經網絡，該神經網絡對輸入的對象進行了多層非線性變換，通過對網絡各層輸出的可視化結果分析表明，神經網絡各層的非線性變換結果在語義層面上從底層到高層不斷遞進，低層輸出接近于對象的形態信息，高層輸出接近于對象的類別信息。

在深度卷積神經網絡中,激活函數(activation function)起到的作用,類似于人類腦神經元的作用,激活的神經元通過激活函數把特征保留并映射出來，這是神經網絡能解決非線性問題關鍵。采用目前的激活函數進行訓練，獲得的模型泛化能力較弱。然而，泛化能力對對象識別準確率至關重要，泛化能力越強，對象識別準確率越高；泛化能力越弱，對象識別準確率越低。

發明內容

為克服相關技術中存在的問題，本公開提供了對象類別識別方法、裝置、設備及存儲介質。

根據本公開實施例的第一方面，提供一種對象類別識別方法，所述方法包括：

獲取待識別對象；

將所述待識別對象輸入預先生成的類別識別模型；

基于所述類別識別模型的輸出結果確定所述待識別對象所屬類別；

其中，所述類別識別模型基于預設神經網絡訓練獲得，所述預設神經網絡中每個神經元的激活函數包含有變量參數，每次進行激活操作時對所述變量參數進行隨機賦值。

在一個可選的實現方式中，所述預設神經網絡中，同一通道內神經元的激活函數的變量參數被賦予相同隨機值，不同通道內神經元的激活函數的變量參數被賦予不同隨機值。

在一個可選的實現方式中，所述預設神經網絡為預設深度卷積神經網絡，所述激活函數包括第一激活函數和第二激活函數，第一激活函數至少包括第一變量參數，第二激活函數至少包括第二變量參數，所述第一激活函數在輸入值大于或等于預設值時被執行，所述第二激活函數在輸入值小于預設值時被執行。

在一個可選的實現方式中，所述預設值為0，所述激活函數如下：

a表示當輸入值大于或等于0時激活函數的斜率值，b表示當輸入值小于0時激活函數的斜率值。

在一個可選的實現方式中，所述a_min＝tan30°，a_max＝tan60°，b_min＝tan30°，b_max＝tan60°。

根據本公開實施例的第二方面，提供一種對象類別識別裝置，所述裝置包括：

對象獲取模塊，被配置為獲取待識別對象；

類別識別模塊，被配置為將所述待識別對象輸入預先生成的類別識別模型；

類別確定模塊，被配置為基于所述類別識別模型的輸出結果確定所述待識別對象所屬類別；

其中，所述類別識別模型基于預設神經網絡訓練獲得，所述預設神經網絡中每個神經元的激活函數包含有變量參數，每次進行激活操作時對所述變量參數進行隨機賦值。

在一個可選的實現方式中，所述預設神經網絡中，同一通道內神經元的激活函數的變量參數被賦予相同隨機值，不同通道內神經元的激活函數的變量參數被賦予不同隨機值。

在一個可選的實現方式中，所述預設神經網絡為預設深度卷積神經網絡，所述激活函數包括第一激活函數和第二激活函數，第一激活函數至少包括第一變量參數，第二激活函數至少包括第二變量參數，所述第一激活函數在輸入值大于或等于預設值時被執行，所述第二激活函數在輸入值小于預設值時被執行。

在一個可選的實現方式中，所述預設值為0，所述激活函數如下：

a表示當輸入值大于或等于0時激活函數的斜率值，b表示當輸入值小于0時激活函數的斜率值。

在一個可選的實現方式中，所述a_min＝tan30°，a_max＝tan60°，b_min＝tan30°，b_max＝tan60°。

根據本公開實施例的第三方面，提供一種電子設備，包括：

處理器；

用于存儲處理器可執行指令的存儲器；

其中，所述處理器被配置為：

獲取待識別對象；

將所述待識別對象輸入預先生成的類別識別模型；