基于融合的零样本物体种类识别方法、装置及设备制造方法及图纸

本发明专利技术实施例公开了一种基于融合的零样本物体种类识别方法、装置及设备，该方法包括：获取待识别对象的视觉向量；根据视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果；根据第一预测结果和对应的决策参数，以及第二预测结果确定待识别对象所属物体种类的识别结果，决策参数通过差分进化算法确定。解决了物体种类识别过程中，由于使用单一分类器所造成的结果不准确的问题，通过差分进化算法确定决策参数，然后通过决策参数对第一预测结果和第二预测结果进行决策融合，得到最终的待识别对象所属物体种类的识别结果。通过差分进化算法选择决策参数，使识别结果融合过程中可以得到最优结果，提高了物体种类识别的准确度。准确度。准确度。

【技术实现步骤摘要】
基于融合的零样本物体种类识别方法、装置及设备


[0001]本专利技术实施例涉及数据处理技术，尤其涉及基于融合的零样本物体种类识别方法、装置及设备。

技术介绍

[0002]随着计算机技术的发展，深度学习的应用越来越多。在物体种类识别的模型训练过程中，由于存在物体图像种类不齐全，即缺少某一种类物体的图像，所以出现了零样本学习这一技术。在通用零样本学习(generalized zero
‑
shot learning,GZSL)中，大家常常采用基于条件生成对抗网络(conditional generative adversarial nets,CGAN)来生成不可见类样例的视觉向量。
[0003]在通用零样本学习范式下，其需要学习样本x到其标签y的映射关系，其中y的标签空间包括可见类与不可见类。即：训练条件生成对抗网络(CGAN)时，训练样本中没有不可见类样例，只能依靠可见类的语义信息(用来描述一个类的属性向量，即条件生成对抗网络中的条件)和视觉向量(图片经特征抽取器进行变换所得的向量)训练一个可以根据语义信息就能生成视觉向量的模型。然后将该生成模型迁移到生成不可见样例上来，即只利用不可见类的语义信息就能生成不可见类的视觉向量。
[0004]现有技术中在基于条件生成对抗网络来生成不可见类样例的视觉向量后，对分类器进行训练实现样例类别识别时，通常直接在特征空间基于有监督学习训练一个能区分样例类别的分类器，此种方式直接使用生成的不可见类样例与可见类的训练数据共同训练一个单一的分类器，其决策能力较弱，得到的决策结果不够准确。

技术实现思路

[0005]本专利技术提供一种基于融合的零样本物体种类识别方法、装置及设备，以提高根据视觉向量进行分类时的分类准确度。
[0006]第一方面，本专利技术实施例提供了一种基于融合的零样本物体种类识别方法，所述方法包括：
[0007]获取待识别对象的视觉向量；
[0008]根据所述视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果；
[0009]根据所述第一预测结果和对应的决策参数，以及第二预测结果确定所述待识别对象所属物体种类的识别结果，所述决策参数通过差分进化算法确定。
[0010]第二方面，本专利技术实施例还提供了一种基于融合的零样本物体种类识别装置，该装置包括：
[0011]获取模块，用于获取待识别对象的视觉向量；
[0012]预测结果确定模块，用于根据所述视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果；
[0013]识别结果确定模块，用于根据所述第一预测结果和对应的决策参数，以及第二预测结果确定所述待识别对象所属物体种类的识别结果，所述决策参数通过差分进化算法确定。
[0014]第三方面，本专利技术实施例还提供了一种计算机设备，该设备包括：
[0015]一个或多个处理器；
[0016]存储装置，用于存储一个或多个程序，
[0017]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术实施例中任一所述的一种基于融合的零样本物体种类识别方法。
[0018]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术实施例中任一所述的一种基于融合的零样本物体种类识别方法。
[0019]本专利技术实施例提供了一种基于融合的零样本物体种类识别方法、装置及设备，该方法包括：获取待识别对象的视觉向量；根据所述视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果；根据所述第一预测结果和对应的决策参数，以及第二预测结果确定所述待识别对象所属物体种类的识别结果，所述决策参数通过差分进化算法确定。解决了物体种类识别过程中，由于使用单一分类器进行识别分类所造成的结果不准确的问题，预先训练好目标网络模型，通过将待识别对象的视觉向量输入至目标网络模型，得到输出的第一预测结果和第二预测结果，通过差分进化算法确定决策参数，然后通过决策参数对第一预测结果和第二预测结果进行决策融合，得到最终的待识别对象所属物体种类的识别结果。通过差分进化算法确定决策参数，选择最优的决策参数，使识别结果融合过程中可以得到最优结果，提高了物体种类识别的准确度。
附图说明
[0020]图1是本专利技术实施例一中的一种基于融合的零样本物体种类识别方法的流程图；
[0021]图2是本专利技术实施例二中的一种基于融合的零样本物体种类识别方法的流程图；
[0022]图3是本专利技术实施例二中的一种通过目标网络模型预测物体种类的识别结果的流程示例图；
[0023]图4是本专利技术实施例二中的一种基于融合的零样本物体种类识别方法中通过差分进化算法确定决策参数的实现流程图；
[0024]图5是本专利技术实施例三中的一种基于融合的零样本物体种类识别装置的结构示意图；
[0025]图6是本专利技术实施例四中的一种计算机设备的结构示意图。
具体实施方式
[0026]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0027]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似
的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0028]在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0029]实施例一
[0030]图1给出了本申请实施例一提供的一种基于融合的零样本物体种类识别方法的流程图，该方法适用于在进行物体种类识别时提高识别准确率的情况。该方法可以由计算机设备执行，该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，计算机设备可以是笔记本、台式计算机以及智能平板等。
[0031]如图1所示，本实施例一提供的一种基于融合的零样本物体种类识别方法，具体包括如下步骤：
[0032]S110、获取待识别对象的视觉向量。
[0033]在本实施例中，待识别对象具体可以理解为具有所属物体种类识别需求的一类物体，例如，猫、鱼本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合的零样本物体种类识别方法，其特征在于，包括：获取待识别对象的视觉向量；根据所述视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果；根据所述第一预测结果和对应的决策参数，以及第二预测结果确定所述待识别对象所属物体种类的识别结果，所述决策参数通过差分进化算法确定。2.根据权利要求1所述的方法，其特征在于，根据所述视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果，包括：根据所述视觉向量确定第一输入数据和第二输入数据；将所述第一输入数据输入至目标网络模型中的第一分类器，根据所述第一分类器的输出结果确定第一预测结果；将所述第二输入数据输入至目标网络模型中的第二分类器，根据所述第二分类器的输出结果确定第二预测结果。3.根据权利要求2所述的方法，其特征在于，根据所述视觉向量确定第一输入数据和第二输入数据，包括：将所述视觉向量输入至预确定的目标回归器，获得对应的预测语义向量；将所述预测语义向量与所述视觉向量进行维度拼接，得到拼接向量；将所述预测语义向量确定为第一输入数据，将所述拼接向量作为第二输入数据。4.根据权利要求1所述的方法，其特征在于，根据所述第一预测结果和对应的决策参数，以及第二预测结果确定所述待识别对象所属物体种类的识别结果，包括：将所述第一预测结果与所述决策参数相乘，得到决策结果；确定所述决策结果与第二预测结果之和中设定数量的维度值所对应的类别，并确定各所述维度值中的最大维度值；将所述最大维度值所对应的类别确定为待识别对象所属物体种类的识别结果。5.根据权利要求1所述的方法，其特征在于，通过差分进化算法确定决策参数的步骤包括：获取包括第一预设数量的初始参数的初始参数集，并将所述初始参数集作为当前参数集；根据所述当前参数集中的各所述当前参数结合所述目标网络模型根据训练样本集所输出的第一训练结果和第二训练结果确定当前调和平均数；判断所述当前调和平均数是否满足预设的终止条件，若是，将所述当前参数集中的最优参数确定为决策参数；否则，从所述当前参数集中选择第二预设数量的当前参数进行变异，形成进化参数；通过对所述进化参数进行交叉选择，形成进化参数集，并将所述进化参数集作为新的当前参数集，返回执行确定当前调和平均数的操作。6.根据权利要求5所述的方法，其特征在...

【专利技术属性】
技术研发人员：谢中武，王熙照，张天伦，罗宇轩，王冉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：