[發(fā)明專利]一種基于半監(jiān)督的目標(biāo)識(shí)別方法、設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011012069.8
• 申請(qǐng)日: 2020-09-23
• 公開(kāi)（公告）號(hào): CN112308113A
• 公開(kāi)（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 襲肖明;于治樓
• 申請(qǐng)（專利權(quán)）人: 濟(jì)南浪潮高新科技投資發(fā)展有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京君慧知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11716
• 代理人: 董延麗

本申請(qǐng)公開(kāi)了一種基于半監(jiān)督的目標(biāo)識(shí)別方法、設(shè)備及介質(zhì)，包括：將待識(shí)別的目標(biāo)圖像輸入至預(yù)先訓(xùn)練的識(shí)別網(wǎng)絡(luò)模型，確定出所述待識(shí)別的目標(biāo)圖像的識(shí)別結(jié)果，其中，所述識(shí)別網(wǎng)絡(luò)模型包括基于監(jiān)督分支訓(xùn)練相似度矩陣的第一識(shí)別網(wǎng)絡(luò)模型與基于非監(jiān)督分支訓(xùn)練相似度矩陣的第二識(shí)別網(wǎng)絡(luò)模型，所述相似性矩陣表示樣本之間的相似性，所述樣本包括標(biāo)記數(shù)據(jù)與非標(biāo)記數(shù)據(jù)。本說(shuō)明書(shū)實(shí)施例在訓(xùn)練識(shí)別網(wǎng)絡(luò)模型時(shí)，同時(shí)應(yīng)用標(biāo)記數(shù)據(jù)與非標(biāo)記數(shù)據(jù)，擴(kuò)大了訓(xùn)練樣本集的范圍，此外，本說(shuō)明書(shū)實(shí)施例在訓(xùn)練識(shí)別網(wǎng)絡(luò)模型時(shí)，結(jié)合監(jiān)督分支與非監(jiān)督分支，以半監(jiān)督的形式訓(xùn)練識(shí)別網(wǎng)絡(luò)模型，可以提高識(shí)別網(wǎng)絡(luò)模型的識(shí)別效果，更好的滿足用戶的需求。

技術(shù)領(lǐng)域

本申請(qǐng)涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種基于半監(jiān)督的目標(biāo)識(shí)別方法、設(shè)備及介質(zhì)。

背景技術(shù)

目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)的重要領(lǐng)域，在生物特征識(shí)別、圖像內(nèi)容理解、疾病診斷等領(lǐng)域具有廣泛的應(yīng)用。現(xiàn)有的目標(biāo)識(shí)別方法在一定程度上實(shí)現(xiàn)了較高的精度，然而現(xiàn)有的識(shí)別模型需要在訓(xùn)練過(guò)程中加入人工標(biāo)注信息。在現(xiàn)實(shí)場(chǎng)景中，某些任務(wù)中的人工標(biāo)注數(shù)據(jù)的獲取代價(jià)較為昂貴，目標(biāo)識(shí)別的效果不理想，無(wú)法達(dá)到用戶要求。

發(fā)明內(nèi)容

有鑒于此，本申請(qǐng)實(shí)施例提供了一種基于半監(jiān)督的目標(biāo)識(shí)別方法、設(shè)備及介質(zhì)，用于解決現(xiàn)有技術(shù)中目標(biāo)識(shí)別的效果不理想，無(wú)法達(dá)到用戶要求的問(wèn)題。

本申請(qǐng)實(shí)施例采用下述技術(shù)方案：

本申請(qǐng)實(shí)施例提供一種基于半監(jiān)督的目標(biāo)識(shí)別方法，所述方法包括：

將待識(shí)別的目標(biāo)圖像輸入至預(yù)先訓(xùn)練的識(shí)別網(wǎng)絡(luò)模型，確定出所述待識(shí)別的目標(biāo)圖像的識(shí)別結(jié)果，其中，所述識(shí)別網(wǎng)絡(luò)模型包括基于監(jiān)督分支訓(xùn)練相似度矩陣的第一識(shí)別網(wǎng)絡(luò)模型與基于非監(jiān)督分支訓(xùn)練相似度矩陣的第二識(shí)別網(wǎng)絡(luò)模型，所述相似性矩陣表示樣本之間的相似性，所述樣本包括標(biāo)記數(shù)據(jù)與非標(biāo)記數(shù)據(jù)。

需要說(shuō)明的是，本說(shuō)明書(shū)實(shí)施例在訓(xùn)練識(shí)別網(wǎng)絡(luò)模型時(shí)，同時(shí)應(yīng)用標(biāo)記數(shù)據(jù)與非標(biāo)記數(shù)據(jù)，擴(kuò)大了訓(xùn)練樣本集的范圍，此外，本說(shuō)明書(shū)實(shí)施例在訓(xùn)練識(shí)別網(wǎng)絡(luò)模型時(shí)，結(jié)合監(jiān)督分支與非監(jiān)督分支，以半監(jiān)督的形式訓(xùn)練識(shí)別網(wǎng)絡(luò)模型，可以提高識(shí)別網(wǎng)絡(luò)模型的識(shí)別效果，更好的滿足用戶的需求。

進(jìn)一步的，所述識(shí)別網(wǎng)絡(luò)模型通過(guò)預(yù)先訓(xùn)練的對(duì)抗網(wǎng)絡(luò)模型修改網(wǎng)絡(luò)參數(shù)，所述對(duì)抗網(wǎng)絡(luò)模型包括判別網(wǎng)絡(luò)。

進(jìn)一步的，所述判別網(wǎng)絡(luò)為Resnet。

進(jìn)一步的，所述將待識(shí)別的目標(biāo)圖像輸入至預(yù)先訓(xùn)練的識(shí)別網(wǎng)絡(luò)模型，確定出所述待識(shí)別的目標(biāo)圖像的識(shí)別結(jié)果，具體包括：

將待識(shí)別的目標(biāo)圖像輸入至預(yù)先訓(xùn)練的所述第一識(shí)別網(wǎng)絡(luò)模型，確定出第一識(shí)別結(jié)果；

將待識(shí)別的目標(biāo)圖像輸入至預(yù)先訓(xùn)練的所述第二識(shí)別網(wǎng)絡(luò)模型，確定出第二識(shí)別結(jié)果；

若判斷出所述第一識(shí)別結(jié)果與所述第二識(shí)別結(jié)果相同，確定出所述待識(shí)別的目標(biāo)圖像的識(shí)別結(jié)果為所述第一識(shí)別結(jié)果或所述第二識(shí)別結(jié)果。

進(jìn)一步的，所述將待識(shí)別的目標(biāo)圖像輸入至預(yù)先訓(xùn)練的識(shí)別網(wǎng)絡(luò)模型，確定出所述待識(shí)別的目標(biāo)圖像的識(shí)別結(jié)果之前，所述方法還包括：

構(gòu)建樣本集；

根據(jù)預(yù)設(shè)算法將所述樣本集轉(zhuǎn)化為所述相似性矩陣；

建立初始的識(shí)別網(wǎng)絡(luò)模型；

根據(jù)所述相似度矩陣訓(xùn)練所述初始的識(shí)別網(wǎng)絡(luò)模型，確定出符合條件的識(shí)別網(wǎng)絡(luò)模型。

進(jìn)一步的，所述預(yù)設(shè)算法為大間隔最近鄰居分類算法。

進(jìn)一步的，所述第一識(shí)別網(wǎng)絡(luò)模型中應(yīng)用的損失函數(shù)為最小二乘函數(shù)。

進(jìn)一步的，所述第二識(shí)別網(wǎng)絡(luò)模型中應(yīng)用的損失函數(shù)為K-Means函數(shù)。