[發(fā)明專利]目標(biāo)分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011097395.3
• 申請日: 2020-10-14
• 公開（公告）號: CN114429557A
• 公開（公告）日: 2022-05-03
• 發(fā)明（設(shè)計）人: 李新偉;陸繼承;秦亮;羅楊曉璇;陳劍南
• 申請（專利權(quán)）人: 上海復(fù)旦微電子集團股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/44;G06V20/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 張鳳偉;吳敏

1.一種目標(biāo)分類方法，其特征在于，包括：

當(dāng)接收到目標(biāo)物品的檢測結(jié)果時，分別利用預(yù)設(shè)的兩個以上分類網(wǎng)絡(luò)模型，對所述目標(biāo)物品的檢測結(jié)果進(jìn)行分類；所述目標(biāo)物品的檢測結(jié)果包括：目標(biāo)物品類別信息、目標(biāo)物品位置信息及置信度信息；

對各所述分類網(wǎng)絡(luò)模型輸出的中間分類結(jié)果進(jìn)行融合，得到所述目標(biāo)物品的分類結(jié)果；所述目標(biāo)物品的分類結(jié)果包括：目標(biāo)物品類別信息及置信度信息；

其中，任意兩個所述分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本的類別不同。

2.如權(quán)利要求1所述的目標(biāo)分類方法，其特征在于，任意兩個所述分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本的類別完全不同，或者部分不同。

3.如權(quán)利要求1所述的目標(biāo)分類方法，其特征在于，每個所述分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本中，任意兩類別的訓(xùn)練樣本數(shù)量的差異，小于第二樣本差閾值。

4.如權(quán)利要求3所述的目標(biāo)分類方法，其特征在于，所述兩個以上分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本是通過如下方法確定的：

從所有訓(xùn)練樣本中，選取具有相同視覺特的征訓(xùn)練樣本，將具有相同視覺特征的訓(xùn)練樣本，作為同一所述分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本；

從按照視覺特征選取后剩余的訓(xùn)練樣本中，選取具有相同物品使用特性的訓(xùn)練樣本，將具有相同物品使用特性的訓(xùn)練樣本，作為同一所述分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本；

從按照視覺特征及物品使用特性選取后剩余的訓(xùn)練樣本中，選取具有相同物品材質(zhì)的訓(xùn)練樣本，將具有相同物品材質(zhì)的訓(xùn)練樣本，作為同一所述分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本。

5.如權(quán)利要求4所述的目標(biāo)分類方法，其特征在于，所述兩個以上分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本還通過如下方法確定：

將具有不同視覺特征，但訓(xùn)練樣本數(shù)量差值小于預(yù)設(shè)第三樣本差閾值的兩類別的訓(xùn)練樣本，作為同一所述分類網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本；所述第三樣本差閾值小于所述第二樣本差閾值。

6.如權(quán)利要求1所述的目標(biāo)分類方法，其特征在于，所述對各所述分類網(wǎng)絡(luò)模型輸出的中間分類結(jié)果進(jìn)行融合，得到所述目標(biāo)物品的分類結(jié)果，包括：

當(dāng)同一目標(biāo)物品的目標(biāo)物品類別信息，僅存在于一個中間分類結(jié)果中時，將所在的中間分類結(jié)果，作為所述目標(biāo)物品的分類結(jié)果；

當(dāng)同一目標(biāo)物品的目標(biāo)物品類別信息，僅存在于兩個中間分類結(jié)果中時，將所在的兩個中間分類結(jié)果中具有較高置信度的中間分類結(jié)果，作為所述目標(biāo)物品的分類結(jié)果；

當(dāng)同一目標(biāo)物品的目標(biāo)物品類別信息，存在于三個以上中間分類結(jié)果中時，根據(jù)所在的三個以上中間分類結(jié)果中的置信度信息，選取預(yù)設(shè)數(shù)量的中間分類結(jié)果，作為所述目標(biāo)物品的分類結(jié)果。

7.如權(quán)利要求1至6任一項所述的目標(biāo)分類方法，其特征在于，還包括：

在接收到輸入圖像以后，利用預(yù)設(shè)的檢測網(wǎng)絡(luò)模型，對所述輸入圖像進(jìn)行目標(biāo)檢測，得到所述目標(biāo)物品的檢測結(jié)果。

8.如權(quán)利要求7所述的目標(biāo)分類方法，其特征在于，所述在接收到輸入圖像以后，利用預(yù)設(shè)的檢測網(wǎng)絡(luò)模型，對所述輸入圖像進(jìn)行目標(biāo)檢測，得到所述目標(biāo)物品的檢測結(jié)果，包括：

在接收到輸入圖像以后，分別利用預(yù)設(shè)的兩個以上檢測網(wǎng)絡(luò)模型，對所述輸入圖像進(jìn)行目標(biāo)物品檢測；

對各所述檢測網(wǎng)絡(luò)模型輸出的中間檢測結(jié)果進(jìn)行融合，得到目標(biāo)物品的檢測結(jié)果；所述中間檢測結(jié)果包括：目標(biāo)物品類別信息、目標(biāo)物品位置信息及置信度信息；

其中，任意兩個所述檢測網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本的類別不同。

9.如權(quán)利要求8所述的目標(biāo)分類方法，其特征在于，任意兩個所述檢測網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本的類別完全不同，或者部分不同。

10.如權(quán)利要求8所述的目標(biāo)分類方法，其特征在于，任意兩個所述檢測網(wǎng)絡(luò)模型對應(yīng)訓(xùn)練樣本的類別數(shù)量的差異，小于預(yù)設(shè)第一類別差值；每個所述檢測網(wǎng)絡(luò)模型對應(yīng)的訓(xùn)練樣本中，任意兩類別的訓(xùn)練樣本數(shù)量的差異，小于第一樣本差閾值。