[發明專利]目標對象的類別識別方法、裝置、電子設備及存儲介質

在審

• 申請號: 202010450852.6
• 申請日: 2020-05-25
• 公開（公告）號: CN111814538A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 申世偉
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 李娜

本公開關于一種目標對象的類別識別方法、裝置、電子設備及存儲介質，其中，所述方法包括：分別獲取待識別的圖像的目標對象的目標類別特征向量、圖像的場景信息的第一詞向量和多個第一類別的多個第二詞向量；根據目標類別特征向量和映射參數生成目標對象的第三詞向量；根據第一詞向量、多個第二詞向量和第三詞向量識別出目標對象的類別。本公開引入了待識別的圖像的場景信息。某些目標對象經常出現在對應的場景中。因此，在目標對象的類別未知的情況下，若確定了待識別的圖像的場景信息，則可以將待識別的圖像中的目標對象的類別縮小到與待識別的圖像的場景信息相關的范圍內，進而提升目標對象的類別的識別準確率。

技術領域

本公開涉及深度學習技術領域，尤其涉及一種目標對象的類別識別方法、裝置、電子設備及存儲介質。

背景技術

深度學習在人工智能領域已經取得了非常優秀的成就，使用深度學習算法訓練海量的帶標簽的樣本數據，可以達到前所未有的識別精確度。但是，由于對海量數據的標注工作成本昂貴，對罕見類別獲取海量數據難度較大，所以如何識別在訓練過程中少見或從未見過的未知類別仍然是一個嚴峻的問題。

零樣本目標對象的類別識別表示在已知類別上訓練目標對象識別模型，要求目標對象識別模型能夠用于識別待識別的圖像中未知類別的目標對象。相關技術中，在目標對象識別模型的訓練過程中，樣本數據中不包含未知類別的目標對象，因此，現有的零樣本目標對象的類別識別方案的識別準確率較差。

發明內容

本公開提供了一種目標對象的類別識別方法、裝置、電子設備及存儲介質，以至少解決相關技術零樣本目標對象的類別識別方案的識別準確率較差的問題。本公開的技術方案如下：

根據本公開實施例的第一方面，提供了一種目標對象的類別識別方法，包括：分別獲取待識別的圖像中包含的目標對象的目標類別特征向量、所述圖像的場景信息的第一詞向量和預設的多個第一類別的多個第二詞向量；根據所述目標類別特征向量和預設的映射參數生成所述目標對象的第三詞向量；根據所述第一詞向量、多個所述第二詞向量和所述第三詞向量識別出所述目標對象的類別。

可選地，所述根據所述目標類別特征向量和預設的映射參數生成所述目標對象的第三詞向量，包括：將所述目標類別特征向量和所述映射參數進行矩陣相乘得到所述第三詞向量。

可選地，所述根據所述第一詞向量、多個所述第二詞向量和所述第三詞向量識別出所述目標對象的類別，包括：根據所述第一詞向量和多個所述第二詞向量從多個所述第一類別中篩選出所述圖像的多個第二類別；根據多個所述第二類別的多個第四詞向量和所述第三詞向量識別出所述目標對象的類別。

可選地，所述根據所述第一詞向量和多個所述第二詞向量從多個所述第一類別中篩選出所述圖像的多個第二類別，包括：分別計算所述第一詞向量和多個所述第二詞向量之間的余弦距離；將余弦距離最少的預設數量的多個所述第二詞向量對應的多個所述第一類別確定為多個所述第二類別。

可選地，所述根據多個所述第二類別的第四詞向量和所述第三詞向量識別出所述目標對象的類別，包括：分別計算多個所述第四詞向量和所述第三詞向量之間的余弦距離；將余弦距離最少的所述第四詞向量對應的所述第二類別確定為所述目標對象的類別。

可選地，所述映射參數的生成步驟，包括：在預設的第一分類模型的訓練過程中，根據所述第一分類模型的樣本數據中樣本類別的第五詞向量和所述樣本數據中樣本圖像的樣本對象的樣本類別特征向量生成所述映射參數。

可選地，所述根據所述第一分類模型的樣本數據中樣本類別的第五詞向量和所述樣本數據中樣本圖像的樣本對象的樣本類別特征向量生成所述映射參數，包括：基于所述第五詞向量和所述樣本類別特征向量，利用嶺回歸算法生成所述映射參數。