[發(fā)明專利]目標(biāo)分類識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010177845.3
• 申請(qǐng)日: 2020-03-13
• 公開（公告）號(hào): CN111401440B
• 公開（公告）日: 2023-03-31
• 發(fā)明（設(shè)計(jì)）人: 韋鵬程;黃思行
• 申請(qǐng)（專利權(quán)）人: 重慶第二師范學(xué)院
• 主分類號(hào): G06F18/241
• 分類號(hào): G06F18/241;G06F18/2415;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 北京國(guó)坤專利代理事務(wù)所(普通合伙) 11491
• 代理人: 趙紅霞

本方案涉及一種目標(biāo)分類識(shí)別方法。所述方法包括：獲取目標(biāo)物的多模態(tài)數(shù)據(jù)，并對(duì)多模態(tài)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到目標(biāo)物的標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)；將標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)輸入至測(cè)量模型中，通過測(cè)量模型提取標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)的特征向量；根據(jù)特征向量以及標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)，通過測(cè)量模型中的回歸分類器對(duì)目標(biāo)物進(jìn)行分類識(shí)別處理，得到目標(biāo)分類識(shí)別結(jié)果。由于獲取的是目標(biāo)物的多模態(tài)數(shù)據(jù)，且對(duì)多模態(tài)數(shù)據(jù)進(jìn)行了數(shù)據(jù)預(yù)處理，通過測(cè)量模型中的回歸分類器對(duì)目標(biāo)物進(jìn)行分類識(shí)別處理，可以提高目標(biāo)識(shí)別的精確度。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別是涉及一種目標(biāo)分類識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)、數(shù)據(jù)處理等技術(shù)也越來越普遍。其中，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中非常火的研究熱點(diǎn)，深度學(xué)習(xí)主要針對(duì)多模態(tài)數(shù)據(jù)，因?yàn)槭艿綌?shù)據(jù)模態(tài)個(gè)數(shù)、數(shù)據(jù)的特征屬性以及特征之間的相關(guān)性的限制，所以數(shù)據(jù)如何表示一直是機(jī)器學(xué)習(xí)的重點(diǎn)和難點(diǎn)問題之一。學(xué)習(xí)效果也會(huì)因數(shù)據(jù)表示效果的不同受很大影響。現(xiàn)有的解決方式一般是提取特征，用統(tǒng)一的矢量形式表示其所有數(shù)據(jù)。深度學(xué)習(xí)中的目標(biāo)分類識(shí)別是機(jī)器學(xué)習(xí)領(lǐng)域非常常見的一類問題，例如，圖像識(shí)別、語(yǔ)音識(shí)別、文字識(shí)別等，一個(gè)人可以通過基于人臉、指紋、簽名或虹膜來進(jìn)行識(shí)別。現(xiàn)有的分類識(shí)別主要是通過普遍的深度學(xué)習(xí)算法來進(jìn)行的，具有代表性的深度學(xué)習(xí)方法有：協(xié)同訓(xùn)練算法、多核學(xué)習(xí)算法、子空間學(xué)習(xí)算法。

然而，傳統(tǒng)的分類識(shí)別方法存在目標(biāo)識(shí)別不精確的問題。

發(fā)明內(nèi)容

基于此，為了解決上述技術(shù)問題，提供一種目標(biāo)分類識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，可以提高目標(biāo)分類識(shí)別的精度。

一種目標(biāo)分類識(shí)別方法，所述方法包括：

獲取目標(biāo)物的多模態(tài)數(shù)據(jù)，并對(duì)所述多模態(tài)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到所述目標(biāo)物的標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)；

將所述標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)輸入至測(cè)量模型中，通過所述測(cè)量模型提取所述標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)的特征向量；

根據(jù)所述特征向量以及所述標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)，通過所述測(cè)量模型中的回歸分類器對(duì)所述目標(biāo)物進(jìn)行分類識(shí)別處理，得到目標(biāo)分類識(shí)別結(jié)果。

在其中一個(gè)實(shí)施例中，所述方法還包括：

獲取初始測(cè)量模型；

所述初始測(cè)量模型通過無監(jiān)督學(xué)習(xí)獲得初始參數(shù)；

使用反向傳播算法對(duì)所述初始測(cè)量模型中的初始參數(shù)進(jìn)行調(diào)整，得到所述測(cè)量模型。

在其中一個(gè)實(shí)施例中，所述對(duì)所述多模態(tài)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到所述目標(biāo)物的標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)，包括：

獲取初始數(shù)據(jù)處理范圍；

根據(jù)所述目標(biāo)物調(diào)整所述初始數(shù)據(jù)處理范圍，得到目標(biāo)數(shù)據(jù)處理范圍；

根據(jù)所述目標(biāo)數(shù)據(jù)處理范圍，對(duì)所述多模態(tài)數(shù)據(jù)中的異常數(shù)據(jù)進(jìn)行清除，得到所述目標(biāo)物的標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)。

在其中一個(gè)實(shí)施例中，所述通過所述測(cè)量模型中的回歸分類器對(duì)所述目標(biāo)物進(jìn)行分類識(shí)別處理，得到目標(biāo)分類識(shí)別結(jié)果，包括：

所述回歸分類器通過受限玻爾茲曼機(jī)算法進(jìn)行學(xué)習(xí)，并更新所述受限玻爾茲曼機(jī)算法的權(quán)重，得到所述受限玻爾茲曼機(jī)算法的權(quán)重更新公式；

根據(jù)所述權(quán)重更新公式得到目標(biāo)受限玻爾茲曼機(jī)算法；

根據(jù)所述目標(biāo)受限玻爾茲曼機(jī)算法，將所述標(biāo)準(zhǔn)多模態(tài)數(shù)據(jù)映射至所述測(cè)量模型中，通過所述測(cè)量模型對(duì)所述目標(biāo)物進(jìn)行分類識(shí)別處理，得到目標(biāo)分類識(shí)別結(jié)果。

在其中一個(gè)實(shí)施例中，所述回歸分類器通過受限玻爾茲曼機(jī)算法進(jìn)行學(xué)習(xí)，并更新所述受限玻爾茲曼機(jī)算法的權(quán)重，得到所述受限玻爾茲曼機(jī)算法的權(quán)重更新公式，包括：