【技术实现步骤摘要】
本申请涉及但不限于数据处理、人工智能，尤其涉及一种模型调试方法、图像识别方法及计算机设备。
技术介绍
1、随着计算机视觉技术的快速发展，图像动作类别检测作为其中的一个重要分支，已经在体育分析、视频监控、人机交互等多个领域展现出巨大的应用潜力。图像动作类别检测的核心在于构建能够准确识别图像中人物或物体动作类别的模型。然而，在实际应用中，由于图像数据的多样性和复杂性，以及不同动作类别在样本数量上的不均衡分布，传统的图像动作类别检测方法往往难以达到理想的识别精度和泛化能力。现有的图像动作类别检测方法通常直接基于模型预测结果与真实标签之间的差异（即检测误差）来调试模型参数。这种方法在处理样本数量均衡且特征简单的数据集时可能表现良好，但在面对复杂多变的实际场景时，其局限性逐渐显现。特别是当数据集中存在大量难以识别的高级学习样例（即困难样本）时，传统的误差计算方法往往无法给予这些样例足够的关注，导致模型在训练过程中对这些样例的学习不足，进而影响最终的识别性能。
2、此外，不同动作类别在样本数量上的不均衡分布也是制约图像动作类别检测精度的一个重要因素。在实际应用中，某些常见动作类别的样本数量可能远多于其他动作类别，导致模型在训练过程中偏向于识别数量较多的动作类别，而忽视数量较少的动作类别。这种不均衡现象不仅降低了模型的泛化能力，还可能导致模型在实际应用中出现误判和漏判的情况。
技术实现思路
1、有鉴于此，本申请提供一种模型调试方法、图像识别方法及计算机设备。本申请的技术方案是这样实现
2、一方面，本申请提供一种模型调试方法，所述方法包括：采用图像动作类别检测模型对图像学习样例库中的图像学习样例执行图像动作类别检测，得到各个图像学习样例对应的样例图像动作类别检测结果，所述图像学习样例库中包括所述图像学习样例以及所述图像学习样例对应的图像动作类别先验信息；基于所述图像学习样例的图像样例特征信息以及所述样例图像动作类别检测结果，确定所述图像学习样例对应的误差修正影响系数，所述图像样例特征信息包括学习样例难度属性和所述图像学习样例对应图像动作类别先验信息的先验学习样例数量中的一种或多种，所述学习样例难度属性包括基础学习样例和高级学习样例，所述先验学习样例数量表示所述图像学习样例库中包含所述图像动作类别先验信息的图像学习样例数量；基于所述误差修正影响系数、所述样例图像动作类别检测结果以及所述图像动作类别先验信息，确定所述图像学习样例的图像动作类别检测误差；基于所述图像动作类别检测误差调试所述图像动作类别检测模型。
3、第二方面，本申请提供一种图像识别方法，所述方法包括：通过调试后的图像动作类别检测模型对目标视频中各个核心对象的目标姿态图像执行图像动作类别检测，确定各个核心对象的目标姿态图像对应的目标动作标记，所述目标视频中包括一个或多个视频时间段以及若干个核心对象的目标姿态图像；其中，所述图像动作类别检测模型基于前一方面所述的方法调试得到；依据各个核心对象的目标姿态图像对应的目标动作标记对所述目标视频进行内容精彩度分析，得到目标视频内容精彩度分析结果。
4、第三方面，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述第一方面和第二方面所述方法中的步骤。
5、本申请的有益效果至少包括：本申请采用图像动作类别检测模型对图像学习样例库中的图像学习样例执行图像动作类别检测，获得各个图像学习样例的样例图像动作类别检测结果之后，未直接基于样例图像动作类别检测结果和图像动作类别先验信息确定图像动作类别检测误差，取而代之，考虑到图像学习样例库中各个图像学习样例的图像样例特征信息，先基于图像学习样例的图像样例特征信息以及样例图像动作类别检测结果，确定误差修正影响系数，然后结合误差修正影响系数、样例图像动作类别检测结果以及图像动作类别先验信息一起确定图像动作类别检测误差，再基于图像动作类别检测误差调试图像动作类别检测模型。基于本申请提供的方法，通过误差修正影响系数确定图像动作类别检测误差，能对基础学习样例以及高级学习样例的图像动作类别检测误差进行修正，以及在不同图像动作类别先验信息的图像学习样例数量不平衡时，对不平衡先验信息样例的图像动作类别检测误差的进行修正，以基于修正后的图像动作类别检测误差调试图像动作类别检测模型，可以提高图像动作类别检测模型的调试质量，增加图像动作类别检测模型输出的精度。
本文档来自技高网...【技术保护点】
1.一种模型调试方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述第一调试环节，所述基于所述图像学习样例的图像样例特征信息以及所述样例图像动作类别检测结果，确定所述图像学习样例对应的误差修正影响系数，包括：
3.根据权利要求1所述的方法，其特征在于，在所述第二调试环节，所述基于所述图像学习样例的图像样例特征信息以及所述样例图像动作类别检测结果，确定所述图像学习样例对应的误差修正影响系数，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述图像学习样例包含的样例先验信息种类个数、所述图像动作类别先验信息的先验学习样例数量以及所述第二图像学习样例库中的第二先验信息种类个数，确定所述图像学习样例对应的第二误差修正影响系数，包括：
5.根据权利要求1所述的方法，其特征在于，所述采用图像动作类别检测模型对图像学习样例库中的图像学习样例执行图像动作类别检测，得到各个图像学习样例对应的样例图像动作类别检测结果，包括：
6.一种图像识别方法，其特征在于，所述方法包括：
7.根据权利要
8.根据权利要求7所述的方法，其特征在于，所述依据相同视频时间段中的各个核心对象的目标姿态图像对应的目标动作标记，以及所述目标动作标记对应的动作推理置信度，生成各个核心对象在所述视频时间段中的动作演变光流信息，包括：
9.根据权利要求7所述的方法，其特征在于，所述依据各个核心对象对应的动作演变光流信息对所述目标视频进行内容精彩度分析，得到所述目标视频内容精彩度分析结果，包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述方法中的步骤。
...【技术特征摘要】
1.一种模型调试方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述第一调试环节，所述基于所述图像学习样例的图像样例特征信息以及所述样例图像动作类别检测结果，确定所述图像学习样例对应的误差修正影响系数，包括：
3.根据权利要求1所述的方法，其特征在于，在所述第二调试环节，所述基于所述图像学习样例的图像样例特征信息以及所述样例图像动作类别检测结果，确定所述图像学习样例对应的误差修正影响系数，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述图像学习样例包含的样例先验信息种类个数、所述图像动作类别先验信息的先验学习样例数量以及所述第二图像学习样例库中的第二先验信息种类个数，确定所述图像学习样例对应的第二误差修正影响系数，包括：
5.根据权利要求1所述的方法，其特征在于，所述采用图像动作类别检测模型对图像学习样例库中的图像学习样例执行图像动作类别检测，得到各个图像学习样例...
【专利技术属性】
技术研发人员：蒋合领，李志勇，王凡，元全江，柴方冬，吴佼，
申请(专利权)人：贵州数安智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。