[發(fā)明專利]畸變圖像目標(biāo)識(shí)別方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110509224.5
• 申請(qǐng)日: 2021-05-11
• 公開（公告）號(hào): CN112990381B
• 公開（公告）日: 2021-08-13
• 發(fā)明（設(shè)計(jì)）人: 楊帆;劉利卉;朱瑩;馮帥;胡建國(guó)
• 申請(qǐng)（專利權(quán)）人: 南京甄視智能科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京德崇智捷知識(shí)產(chǎn)權(quán)代理有限公司 11467
• 代理人: 楊楠

1.一種畸變圖像目標(biāo)識(shí)別方法，使用識(shí)別模型對(duì)畸變圖像中的目標(biāo)圖像進(jìn)行識(shí)別；其特征在于，所述識(shí)別模型是以從畸變圖像中所采集的各類別目標(biāo)圖像作為訓(xùn)練樣本，使用畸變修正損失函數(shù)對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的畸變修正識(shí)別模型；所述畸變修正損失函數(shù)是以所述訓(xùn)練樣本在普通分類模型上對(duì)應(yīng)類別的分類置信值作為該訓(xùn)練樣本的畸變度量參數(shù)，利用該畸變度量參數(shù)對(duì)基礎(chǔ)損失函數(shù)進(jìn)行畸變修正得到；所述普通分類模型是以從非畸變圖像中所采集的各類別目標(biāo)圖像作為訓(xùn)練樣本對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到；

所述基礎(chǔ)損失函數(shù)為對(duì)比損失函數(shù)ContrastLoss，畸變修正對(duì)比損失函數(shù)SimilarityContrastloss具體如下：

式中，SCL表示畸變修正對(duì)比損失函數(shù)SimilarityContrastloss；d表示本迭代批次所輸入所有N個(gè)訓(xùn)練樣本中的樣本i和樣本j識(shí)別特征的歐氏距離；y為樣本i和樣本j是否為同一類別的標(biāo)簽，y=1代表兩個(gè)樣本為同一類別，y=0代表不是同一類別；margin為設(shè)定的閾值；max（）為取最大值函數(shù)；similarity為樣本i和樣本j在普通分類模型上對(duì)應(yīng)類別的分類置信值之間的歸一化相似度；

或者，所述基礎(chǔ)損失函數(shù)為交叉熵?fù)p失函數(shù)CrossEntropyLoss，所述畸變修正交叉熵?fù)p失函數(shù)similarityCrossEntropyLoss具體如下：

式中，SCEL表示畸變修正交叉熵?fù)p失函數(shù)similarityCrossEntropyLoss；N表示樣本數(shù)量；i表示樣本序號(hào)； c表示類別序號(hào)； M表示類別總數(shù)；y_ic為類標(biāo)變量,如果該類別和樣本i的類別相同就是1，否則是0；p_ic表示樣本i屬于類別c的預(yù)測(cè)概率，log為對(duì)數(shù)函數(shù)，score_ic表示第i個(gè)樣本在普通分類模型上對(duì)應(yīng)第c個(gè)類別的分類置信值。

2.如權(quán)利要求1所述畸變圖像目標(biāo)識(shí)別方法，其特征在于，所述相似度為歐式距離或L1距離。