CN109934302A - 新类别识别方法和基于模糊理论和深度学习的机器人*** - Google Patents
新类别识别方法和基于模糊理论和深度学习的机器人*** Download PDFInfo
- Publication number
- CN109934302A CN109934302A CN201910224601.3A CN201910224601A CN109934302A CN 109934302 A CN109934302 A CN 109934302A CN 201910224601 A CN201910224601 A CN 201910224601A CN 109934302 A CN109934302 A CN 109934302A
- Authority
- CN
- China
- Prior art keywords
- new category
- membership
- degree
- new
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
新类别识别方法和基于模糊理论和深度学习的机器人***,包括:对第一对象进行识别得到第一结果;根据所述第一结果判断所述第一对象的类别是否属于第一已知类别的集合:否,则将所述第一对象的类别作为第一新类别;是,则所述第一对象的类别为已知类别。上述方法和机器人***,通过根据所述第一结果来判断所述第一对象的类别,若所述第一对象不属于第一已知类别的集合,则得到所述第一对象所属的第一新类别,从而可以实现对新类别的识别。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种新类别识别方法和基于模糊理论和深度学习的机器人***。
背景技术
已有对象的识别技术可以通过已知类别的特征来实现对对象的识别,例如深度学习对对象进行识别的办法。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:1、现有识别技术只能识别已知类别,无法识别新类别;2、一旦新类别出现,现有识别***就会失效。
因此,现有技术还有待于改进和发展。
发明内容
基于此,有必要针对现有技术的缺陷或不足,提供新类别识别方法和基于模糊理论和深度学习的机器人***,以解决现有技术无法对新类别进行识别的缺点。
第一方面,本发明实施例提供一种识别方法,所述方法包括:
识别步骤:对第一对象进行识别得到第一结果;
新类别判断步骤:根据所述第一结果判断所述第一对象的类别是否属于第一已知类别的集合:否,则将所述第一对象的类别作为第一新类别;是,则所述第一对象的类别为已知类别。
优选地,
所述第一结果包括所述第一对象所属的至少一个已知类别以及所述第一对象属于所述至少一个已知类别中每一个已知类别的隶属度;
所述新类别判断步骤具体包括:取所述第一对象属于所述至少一个已知类别中每一个已知类别的隶属度中的最大隶属度;若所述最大隶属度小于或等于预设第一隶属度,则所述第一对象的类别为第一新类别;若所述最大隶属度大于预设第一隶属度,则所述第一对象的已知类别为所述最大隶属度对应的已知类别。
优选地,所述方法还包括:
新类别集合判断步骤:根据所述第一结果判断所述第一新类别是否属于第二新类别的集合:是,则将所述第一新类别对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合。
优选地,所述新类别集合判断步骤包括:
新类别集合隶属度计算步骤:计算所述第一新类别属于所述第二新类别的集合中每一个新类别的隶属度;
新类别集合加入判断步骤:获取所述隶属度中最大的隶属度,判断所述最大的隶属度是否大于预设第二隶属度:是,则将所述最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合。
优选地,
所述新类别集合加入判断步骤还包括:
若所述最大的隶属度大于预设第二隶属度,则判断所述第一对象是否有类别标签:是,则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述最大隶属度对应的所述第二新类别的集合中的所述新类别的标签;否,则获取所述最大隶属度对应的所述第二新类别的集合中的所述新类别的标签作为所述第一新类别的标签;
若所述最大的隶属度不大于预设第二隶属度,则判断所述第一对象是否有类别标签:是,则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述第二新类别的集合中所述第一新类别的标签;否,则生成所述第一新类别的标签,将所述第一新类别的标签作为所述第二新类别的集合中所述第一新类别的标签。
优选地,
所述新类别集合隶属度计算步骤还包括:
将所述第一结果作为所述第一新类别的第一画像;计算所述第一新类别的所述第一画像与所述第二新类别的集合中每一个新类别的第二画像的相似度;将所述相似度作为所述第一新类别属于所述第二新类别的集合中所述每一个新类别的隶属度;
所述新类别集合加入判断步骤还包括:
若所述最大的隶属度大于预设第二隶属度,则将所述第一结果作为所述第一新类别的第一画像,融合所述第一新类别的第一画像与所述最大隶属度对应的所述第二新类别的集合中的新类别的第二画像得到第三画像;将所述第三画像作为所述最大的隶属度对应的所述第二新类别的集合中的所述新类别的第二画像;
若所述最大的隶属度不大于预设第二隶属度,则将所述第一新类别的第一画像作为所述第二新类别的集合中的所述第一新类别的第二画像。
优选地,
所述新类别集合判断步骤还包括:
若所述第一新类别属于第二新类别的集合,则将所述最大的隶属度对应的所述第二新类别的集合中的新类别的样本数加1,将所述第一对象加入所述最大的隶属度对应的所述第二新类别的集合中的新类别的样本集合中;
若所述第一新类别不属于所述第二新类别的集合,则在将所述第一新类别加入所述第二新类别的集合之后,将所述第二新类别的集合中所述第一新类别的样本数设置为1,将所述第一对象加入所述第二新类别的集合中所述第一新类别的样本集合;
所述方法还包括:
已有识别***获取步骤:获取所述识别步骤中对所述第一对象进行识别的第一识别装置或***;
新识别***生成步骤:从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,通过所述样本和所述每一个新类别的标签对所述第一识别装置或***进行训练,得到能够识别所述每一个新类别的识别装置或***,作为第二识别装置或***。
优选地,
所述第一识别装置或***包括深度学习模型;所述深度学习模型的输入变量为对象;所述深度学习模型的输出变量为所述第一已知类别的集合中每一个类别及属于所述每一个类别的隶属度;
所述新识别***生成步骤具体包括:
从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,将所述第二已知类别的集合中每一个类别及属于所述每一个类别的隶属度作为所述深度学习模型的输出变量,通过所述每一个新类别的样本集合中的样本和所述每一个新类别的标签对所述深度学习模型进行训练,得到能够识别所述每一个新类别的深度学习模型,作为第二识别装置或***。
第二方面,本发明实施例提供一种识别装置,所述装置执行如第一方面的实施例中任一项所述的识别方法。
第三方面,本发明实施例提供一种机器人***,所述机器人***含有如第二方面的实施例中任一项所述的装置。
本发明实施例的有益效果:
1、本发明实施例中的方法和***能识别新类别。已有的识别技术是通过已有类别的特征或样本进行机器学习或深度学习等方法来识别已有类别,如果输入属于新类别的对象就无法识别。而本发明实施例中的方法和***可以将属于新类别的对象自动定义为一种新的类别,并当将来有属于同类新类别的对象时可以自动识别为之前所定义的新类别,从而可以实现对新类别的识别。
2、本发明实施例中的方法和***对新类别的识别能力可以使得机器人不仅仅是根据之前机器学习或深度学习的结果进行识别,不仅仅能识别人类通过程序或数据所指定的已知类别,而且能够将识别能力延伸到属于新类别的对象,从而使得机器人能够进行自主识别,从而为机器人拥有自主意识打下基础。
3、本发明实施例中的方法和***通过模糊理论中的隶属度在新类别与已有类别之间建立关联,计算新类别属于已有类别的隶属度以及新类别属于已识别出来的新类别的隶属度,从而通过已有类别来识别新类别,达到了与人类类似的联想识别的能力。
本实施例提供的新类别识别方法和基于模糊理论和深度学习的机器人***,包括:对第一对象进行识别得到第一结果;根据所述第一结果判断所述第一对象的类别是否属于第一已知类别的集合:否,则将所述第一对象的类别作为第一新类别;是,则所述第一对象的类别为已知类别。上述方法和机器人***,通过根据所述第一结果来判断所述第一对象的类别,若所述第一对象不属于第一已知类别的集合,则得到所述第一对象所属的第一新类别,从而可以实现对新类别的识别。
附图说明
图1为本发明的实施例1、2提供的识别方法的流程图;
图2为本发明的实施例3提供的识别方法的流程图;
图3为本发明的实施例4、5、6提供的识别方法的流程图;
图4为本发明的实施例7提供的识别方法的流程图;
图5为本发明的实施例8、9提供的识别方法的流程图;
图6为本发明的实施例10提供的识别方法的流程图;
图7为本发明的实施例11提供的识别方法的流程图;
图8为本发明的实施例12、13提供的识别***的原理框图;
图9为本发明的实施例14提供的识别***的原理框图;
图10为本发明的实施例15、16、17提供的识别***的原理框图;
图11为本发明的实施例18提供的识别***的原理框图;
图12为本发明的实施例19、20提供的识别***的原理框图;
图13为本发明的实施例21提供的识别***的原理框图;
图14为本发明的实施例22提供的识别***的原理框图。
具体实施方式
下面结合本发明实施方式,对本发明实施例中的技术方案进行详细地描述。
实施例1:(这个实施例是核心)
如图1所示,一种识别方法,包括:
识别步骤S10:通过第一识别装置或***对第一对象进行识别得到第一结果。对第一对象进行识别的方法包括采用机器学习或深度学习或其他识别方法。第一识别装置或***包括机器学习***、深度学习***、等中的一种或几种。所述对象包括人、物、场景、事件等等,对象的格式包括图像、视频、文本等等,识别时是从图像或视频或文本等中识别出其中的人或物或场景或事件等等的类别。在此步骤之前还需要获取待识别的第一对象。
新类别判断步骤S20:根据所述第一结果判断所述第一对象的类别是否属于第一已知类别的集合:否,则将所述第一对象的类别作为第一新类别;是,则所述第一对象的类别为已知类别。所述第一已知类别的集合是所述第一识别装置或***能够识别的类别集合。第一识别装置或***在进行构建或训练时就已经确定了所述第一识别装置或***能够识别的类别集合。
实施例2:(这个实施例增加了通过隶属度来区分已知类别与新类别的一些步骤,是实施例1的一种更具体的实现方案)
如图1所示,根据实施例1提供的识别方法,还包括:
识别步骤S10中所述的第一结果包括第一对象所属的至少一个已知类别以及所述第一对象属于所述所属的至少一个已知类别中每一个已知类别的隶属度。(所述隶属度也可以为可能性或概率)。
新类别判断步骤S20包括:取所述第一对象属于所述所属的至少一个已知类别中每一个已知类别的隶属度中的最大隶属度,判断所述最大隶属度是否大于预设第一隶属度(即判断所述第一对象的类别是否属于第一已知类别的集合),若所述最大隶属度大于预设第一隶属度(即所述第一对象的类别属于第一已知类别的集合),则所述第一对象的已知类别为所述最大隶属度对应的已知类别;若所述最大隶属度小于或等于预设第一隶属度(即所述第一对象的类别不属于第一已知类别的集合),则所述第一对象的类别为第一新类别。
例如,所述第一对象为一个人的照片,第一结果为该照片中的人属于已有类别张三的隶属度(或概率或可能性)为10%、属于已有类别李四的隶属度为20%、属于已有类别王五的隶属度为70%。此时最大的隶属度是70%。预设第一隶属度为69%。所以最大隶属度大于预设第一隶属度。最大隶属度对应的类别是王五,所以所述第一对象的类别为已有类别王五。又例如,所述第一对象为一个人的照片,第一结果为该照片中的人属于已有类别张三的隶属度(或称概率或称可能性)为30%、属于已有类别李四的隶属度为40%、属于已有类别王五的隶属度为30%。此时最大的隶属度是40%。预设第一隶属度为69%。所以最大隶属度小于预设第一隶属度。因此所述第一对象的类别为第一新类别。
实施例3:(这个实施例增加了通过隶属度来区分是否为第二新类别的集合中的新类别的一些步骤,这是对实施例1的步骤的补充,因为实施例只区分了已有类别和新类别,而没有区分新类别是否是过去已经识别到的新类别,也就是已在第二新类别的集合中的新类别。此实施例也是通过隶属度来区分所述第一新类别是否属于第二新类别的集合,实施例3只有在所述第一对象的类别不为已知类别时才会执行,在所述第一对象的类别为已知类别时则不会执行)
如图2所示,根据实施例1提供的识别方法,若所述第一对象的类别不为已知类别,则还包括:
类别集合判断步骤S30:根据所述第一结果判断所述第一新类别是否属于第二新类别的集合:是,则将所述第一新类别对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合。在此步骤前还要获取第二新类别的集合,并判断所述第二新类别的集合是否存在,若不存在,则新建一个空的第二新类别的集合,显然所述第一新类别不属于第二新类别的集合。
实施例4:(这个实施例增加了通过隶属度来判断是否属于第二新类别的集合的一些步骤,是实施例3的一种更具体的实现方案)
如图3所示,根据实施例3提供的识别方法,类别集合判断步骤S30包括:
新类别集合隶属度计算步骤S31:计算所述第一新类别属于第二新类别的集合中每一个新类别的隶属度。在此步骤前还要获取第二新类别的集合,并判断所述第二新类别的集合是否存在,若不存在,则新建一个空的第二新类别的集合,显然所述第一新类别属于第二新类别的集合中每一个新类别的隶属度为0。
新类别集合加入判断步骤S32:获取所述隶属度中最大的隶属度,判断最大的隶属度是否大于预设第二隶属度(显然隶属度越大,则所述第一新类别属于第二新类别的集合中新类别的可能性就越大):是,则将最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合(因为所述第一新类别不属于所述第二新类别的集合,所以需要加入)。
实施例5:(这个实施例增加了对新类别的标签的生成的一些步骤)
如图3所示,根据实施例4提供的识别方法,
新类别集合加入判断步骤S32还包括:若最大的隶属度大于预设第二隶属度,则在将最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别之后,判断所述第一对象是否有类别标签,若是(将有标签的属于新类别的对象输入第一识别装置或***可以使得第二新类别的集合中的新类别具有真实的标签),则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述最大隶属度对应的所述第二新类别的集合中的新类别的标签,若否,则获取所述最大隶属度对应的所述第二新类别的集合中的新类别的标签作为所述第一新类别的标签;若最大的隶属度不大于预设第二隶属度,则在将所述第一新类别加入所述第二新类别的集合之后,判断所述第一对象是否有类别标签,若是(将有标签的属于新类别的对象输入第一识别装置或***可以使得第二新类别的集合中的新类别具有真实的标签),则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述第二新类别的集合中所述第一新类别的标签,若否,则生成所述第一新类别的标签,所述第一新类别的标签需要区别于已有类别的标签,也要区别于第二新类别的集合中任一新类别的标签(因为每一个类别的标签需要唯一,否则难以进行各类别的区别,生成所述第一新类别的标签的具体步骤包括L:随机生成一个编码,并判断该编码与已有类别的标签、第二新类别的集合中任一新类别的标签是否相同:是,则回到L处重新执行;否,则将所述编码作为所述第一新类别的标签。例如,随机生成一个标签″新人三″,比较生成的标签与已有类别的标签″张三″、″李四″、″王二″、第二新类别的集合中每一个新类别的标签″新人一″、″新人二″是否相同,通过比较发现″新人三″可以作为所述第一新类别的标签。需要说明的是:初始时第二新类别的集合为空,所以初始时每一个新类别的标签也不存在),将所述第一新类别的标签作为第二新类别的集合中所述第一新类别的标签。第二新类别的集合中新类别的表示方法包括用一个自动生成的唯一标识符来表示,而唯一标识符可以通过现有技术随机生成,当然第二新类别的集合中新类别的表示方法也包括直接用标签来表示第二新类别的集合中的新类别。
实施例6:(这个实施例增加了对新类别的第一画像的生成的一些步骤)
如图3所示,根据实施例4提供的识别方法,
新类别集合隶属度计算步骤S31还包括:将所述第一结果作为所述第一新类别的第一画像。(画像指的是大数据和人工智能技术里的画像技术中的画像,画像也可以称之为特征);获取第二新类别的集合中每一个新类别的画像作为第二新类别的集合中所述每一个新类别的第二画像,计算所述第一新类别的第一画像与第二新类别的集合中每一个新类别的第二画像的相似度,将所述相似度作为所述第一新类别属于第二新类别的集合中每一个新类别的隶属度。
当第一画像中有某个类别而第二新类别的集合中某个新类别的第二画像中没有该个类别时,则在计算相似度时将第二新类别的集合中所述某个新类别的第二画像中属于该个类别的隶属度视为0,或者第二新类别的集合中某个新类别的第二画像中有某个类别而第一画像中没有该个类别时,则在计算相似度时将所述第一画像中属于该个类别的隶属度视为0,这样便于计算相似度。其中,相似度的计算方法包括采用余弦相似度进行计算的方法;余弦相似度进行计算的方法包括公式1:
其中Xi指的是第一画像中属于第i类的隶属度,Yi指的是第二画像中属于第i类的隶属度,如果第一画像中不存在第i类,则Xi为0,如果第二画像中不存在第i类,则Yi为0。
新类别集合加入判断步骤S32还包括:若最大的隶属度不大于预设第二隶属度,则在将所述第一新类别加入所述第二新类别的集合之后(所述画像、标签是与所述类别关联的,可以通过数据库或知识库或大数据等技术进行这种关联),将所述第一新类别的第一画像作为所述第二新类别的集合中的所述第一新类别的第二画像;若最大的隶属度大于预设第二隶属度,则在将最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别之后,将所述第一结果作为所述第一新类别的第一画像,融合所述第一新类别的第一画像与所述最大隶属度对应的所述第二新类别的集合中的新类别的第二画像得到第三画像(即将第一画像和第二画像进行融合得到第三画像。因为第二新类别的集合是由新类别的加入而形成的,所以第二画像与第一画像的构成相似,第一画像和第二画像中包括至少一个类别以及属于所述至少一个类别中每个类别的隶属度;其中,在进行融合时,将第一画像和第二画像中的类别归并后作为第三画像中的类别;对第一画像和第二画像中属于每一类别的隶属度进行加权平均得到第三画像中属于所述每一类别的隶属度),将所述第三画像作为所述最大隶属度对应的所述第二新类别的集合中的所述新类别的第二画像(进行第二新类别的集合中画像的更新,使得新类别的画像能更能代表该新类别)(第一画像、第二画像、第三画像都是画像,只是为了看起来更清晰,所以加上第一、第二、第三)。所述加权平均的方法包括((第一画像中属于每一类别的隶属度)×K1+(第二画像中属于所述每一类别的隶属度)×K2)/(K1+K2)。其中,K1、K2一般都取1,或者K1取1,K2取第二画像对应所述第二新类别的集合中的新类别的已有样本数。如果K2取第二画像对应所述第二新类别的集合中的新类别的已有样本数,则需要在S30中记录所述第二新类别的集合中的新类别的已有样本数,则S30需要扩展为:根据所述第一结果判断所述第一新类别是否属于第二新类别的集合:是,则将最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别,将最大隶属度对应的所述第二新类别的集合中的新类别的样本数加1;否,则在将所述第一新类别加入所述第二新类别的集合之后,将所述第二新类别的集合中所述第一新类别的样本数设置为1。
新类别集合加入判断步骤S32中所述将第一画像和第二画像进行融合得到第三画像的步骤中,如果第一画像中有某个类别、而第二画像中没有该个类别,则在计算第三画像中属于该个类别的隶属度时将第一画像中属于该个类别的隶属度视为0;或者第二画像中有某个类别、而第一画像中没有该个类别,则在计算第三画像中属于该个类别的隶属度时将第一画像中属于该个类别的隶属度视为0,这样处理是为了便于进行加权平均,因为第一画像和第二画像中的类别在大部分情况下是相同的,但也有可能不同。
例如,第一画像中属于已有类别张三的隶属度为30%、属于已有类别李四的隶属度为40%、属于已有类别王五的隶属度为30%;第二画像中属于已有类别张三的隶属度为32%、属于已有类别李四的隶属度为38%、属于已有类别王五的隶属度为30%;如果计算第一画像与第二画像的相似度,则可以通过包括余弦相似度在内的计算方法进行计算;如果将第一画像与第二画像融合为第三画像,则第三画像中的类别为张三、李四、王五,第三画像中属于已有类别张三的隶属度为30%加32%除以2即31%、属于已有类别李四的隶属度为40%加38%除以2即39%、属于已有类别王五的隶属度为30%加30%除以2即30%。
又例如,第一画像中属于已有类别张三的隶属度为30%、属于已有类别李四的隶属度为30%、属于已有类别王五的隶属度为30%、属于已有类别朱六的隶属度为10%;第二画像中属于已有类别张三的隶属度为32%、属于已有类别李四的隶属度为38%、属于已有类别王五的隶属度为30%;如果计算第一画像与第二画像的相似度,则可以通过包括余弦相似度在内的计算方法进行计算;如果将第一画像与第二画像融合为第三画像,则第三画像中的类别为张三、李四、王五、朱六,第三画像中属于已有类别张三的隶属度为30%加32%除以2即31%、属于已有类别李四的隶属度为30%加38%除以2即34%、属于已有类别王五的隶属度为30%加30%除以2即30%、属于已有类别朱六的隶属度为10%加0%除以2即5%)。
实施例7:(这个实施例增加了对新类别的标签的更新的一些步骤,可以对第二新类别的集合里的标签进行更新,而第二新类别的集合里的标签是在实施例3中产生的,在实施例5中已对标签进行了生成,但此时生成的标签还不是人类可以理解的标签。)
如图4所示,根据实施例3提供的识别方法,
标签获取步骤S40:获取标签和所述第二新类别的集合中的待更新标签的新类别。
标签更新步骤S50:将获取的所述标签作为所述第二新类别的集合中的待更新标签的新类别的标签。
所述第一标签可以是用户赋予的,也可以通过其他方式得到的,例如通过互联网获得的。通过实施例3已经生成了第二新类别的集合,使得新对象也可以被识别为第二新类别的集合中的新类别,通过实施例5生成了新类别的标签,但实施例5中生成的标签与我们人类观念中的标签还是不一样的,例如New1、New2等。虽然新对象刚出现时用户可能不知道这个新对象所属类别的标签,但随着时间的推移,用户是有可能知道新类别的真实标签,例如知道New2其实是郑七,那此时就可以把New2对应的新类别的标签改为郑七,那么以后如果又有对象属于该新类别,就知道该新对象为郑七了。
另一种标签的更新方法(在实施例5中提供)是将有标签的属于新类别的对象输入第一识别装置或***,也可以使得第二新类别的集合中的新类别具有真实的标签。
实施例8:(增加了将新类别转换为识别装置或***能够识别的已知类别的一些步骤)
如图5所示,根据实施例3提供的识别方法,
类别集合判断步骤S30还包括:若所述第一新类别属于第二新类别的集合,则在将最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别之后,将最大隶属度对应的所述第二新类别的集合中的新类别的样本数加1,将所述第一对象加入最大隶属度对应的所述第二新类别的集合中的新类别的样本集合中;若所述第一新类别不属于第二新类别的集合,则在将所述第一新类别加入所述第二新类别的集合之后,将所述第二新类别的集合中所述第一新类别的样本数设置为1新建所述第二新类别的集合中所述第一新类别的样本集合(新建时为空),将所述第一对象加入所述第二新类别的集合中所述第一新类别的样本集合。
已有识别***获取步骤S60:获取所述识别步骤中对所述第一对象进行识别的第一识别装置或***;
新识别***生成步骤S70:从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,通过所述样本和所述每一个新类别的标签对所述第一识别装置或***进行训练,得到能够识别所述每一个新类别的识别装置或***,作为第二识别装置或***。
然后又可以将所述能够识别所述新类别的第二识别装置或***作为识别步骤S10中的所述第一识别装置或***,重新通过上述任一实施例中的方法,得到能够识别更多新类别的第二识别装置或***,使得越来越多的新类别能够被所述第二识别装置或***所识别。
到新识别***生成步骤S70这一步就完全将一个新类别变成了已知类别,从而使得第二识别装置或***能自主地进化识别新类别,不仅仅是第一识别装置或***能够识别的那些已知类别。
下次再进行所述新类别的对象的识别时,如果该对象属于所述新类别,则将该对象输入所述能够识别所述新类别的第二识别装置或***,通过第二识别装置或***的输出就能够直接识别出该对象的类别为所述新类别,因为新类别已经加入到了第二识别装置或***的输出变量中,成了已知类别。
实施例9:(增加了将新类别转换为深度学习识别***能够识别的已知类别的一些步骤)
如图5所示,根据实施例8提供的识别方法,
所述第一识别装置或***包括深度学习模型;所述深度学习模型的输入变量为对象;所述深度学习模型的输出变量为所述第一已知类别的集合中每一个类别及属于所述每一个类别的隶属度。
新识别***生成步骤70具体包括:从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,将所述第二已知类别的集合中每一个类别及属于所述每一个类别的隶属度作为所述深度学习模型的输出变量(因为在第一已知类别的集合中增加了所述每一新类别,得到了第二已知类别的集合,而所述深度学习模型的输出为第一已知类别的集合中每一个类别及属于所述每一个类别的隶属度,所以需要对所述深度学习模型的输出变量进行更新),通过所述每一个新类别的样本集合中的样本和所述每一个新类别的标签对所述深度学习模型进行训练,得到能够识别所述每一个新类别的深度学习模型,作为第二识别装置或***。
其中,通过所述每一个新类别的样本集合中的样本和所述每一个新类别的标签对所述深度学习模型进行训练的步骤具体包括:将所述每一个新类别的样本集合中的样本作为所述深度学习模型的输入数据,将所述深度学习模型的预期输出数据中所述每一个新类别对应的隶属度设置为1、其他所有类别对应的隶属度设置为0,对所述深度学习模型进行有监督训练。当然在进行有监督训练之前还可以用所述第二新类别的集合中所有新类别的样本对所述深度学习模型进行无监督训练。
下次再进行所述新类别的对象的识别时,如果该对象属于所述新类别,则将该对象输入所述能够识别所述新类别的深度学习模型,通过该深度学习模型的输出就能够直接识别出该对象的类别为所述新类别,因为新类别已经加入到了该深度学习模型的输出变量中,成了已知类别。
实施例10:(增加了通过画像进行基于新类别画像的新对象应用的一些步骤)
如图6所示,根据实施例6提供的识别方法,所述方法还包括:
对象类别判断步骤S80:判断待处理的对象的类别是否存在:否,则使用上述任一实施例中的方法进行识别得到所述待处理的对象的类别。在此步骤之前还包括获取待处理的对象和所述处理对应的应用。所述处理对应的应用包括决策、分析、统计等等应用,可以用于工业领域、军事领域等等。
对象信息融合步骤S90:判断待处理的对象的类别是否属于所述已知类别的集合:是,则从所述已知类别的集合中获取与所述待处理的对象的类别对应的已知类别的信息;否,则从所述第二新类别的集合中获取所述待处理的对象的类别的画像,从所述待处理的对象的类别的画像中获取每一个已知类别及属于所述每一个已知类别的隶属度,获取所述每一个已知类别的信息,根据所述属于所述每一个已知类别的隶属度对所述每一个已知类别的信息进行融合,得到所述待处理的对象的类别的信息。所述已知类别的信息包括已知类别的知识。所述融合的具体步骤包括获取预设的函数或模块,将所述每一个已知类别的信息及属于所述每一个已知类别的隶属度作为所述预设的函数或模块的输入,计算得到所述待处理的对象的类别的信息,将所述待处理的对象的类别的信息返回给所述处理对应的应用。所述融合的另一种简单的实现步骤包括对所述每一个已知类别的信息进行加权平均,得到所述待处理的对象的类别的信息,在加权平均时将所述属于所述每一个已知类别的隶属度作为所述每一个已知类别的信息的权值。
实施例11:(增加了识别新类别的一些步骤)
如图7所示,根据实施例8提供的识别方法,所述方法还包括:
第二对象获取步骤SA0:获取待识别的第二对象;
第二对象识别步骤SB0:将所述第二对象输入所述第二识别装置或***进行识别,得到第二结果;
第二对象类别判断步骤SC0:根据所述第二结果判断所述第二对象的类别是否属于第二已知类别的集合:否,则将所述第二对象的类别作为第二新类别;是,则所述第一对象的类别为已知类别。若所述第一对象的类别为已知类别时,则判断所述第二对象的类别是否属于第一已知类别的集合:否,则所述第二对象的类别对第一识别装置或***而言为第一新类别;是,则所述第二对象的类别对第一识别装置或***而言为已知类别。
此后的针对所述第二对象的步骤与针对所述第一对象的步骤类似,请参见实施例1至10,在此不再赘述。
实施例12~20提供一种识别装置,分别与实施例1~11对应,其中细节,在此不再赘述,只列出其中与实施例1~11中各主要步骤对应的主要模块。
实施例12:
如图8所示,一种识别装置,包括:
识别模块10通过第一识别装置或***对第一对象进行识别得到第一结果。
新类别判断模块20:根据所述第一结果判断所述第一对象的类别是否属于第一已知类别的集合:否,则将所述第一对象的类别作为第一新类别;是,则所述第一对象的类别为已知类别。
实施例13:
如图8所示,根据实施例12提供的识别装置,还包括:
识别模块10中所述第一结果包括所述第一对象所属的至少一个已知类别以及所述第一对象属于所述至少一个已知类别中每一个已知类别的隶属度。
新类别判断模块20具体包括:取所述第一对象属于所述至少一个已知类别中每一个已知类别的隶属度中的最大隶属度,判断所述最大隶属度是否大于预设第一隶属度,若所述最大隶属度大于预设第一隶属度,则所述第一对象的已知类别为所述最大隶属度对应的已知类别;若所述最大隶属度小于或等于预设第一隶属度,则所述第一对象的类别为第一新类别。
实施例14:
如图9所示,根据实施例12提供的识别装置,若所述第一对象的类别不为已知类别,则还包括:
第二新类别的集合判断模块30:根据所述第一结果判断所述第一新类别是否属于第二新类别的集合:是,则将所述第一新类别对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合。
实施例15:
如图10所示,根据实施例14提供的识别装置,
第二新类别的集合判断模块30包括:
新类别集合隶属度计算模块31:计算所述第一新类别属于所述第二新类别的集合中每一个新类别的隶属度。
新类别集合加入判断模块32:获取所述隶属度中最大的隶属度,判断所述最大的隶属度是否大于预设第二隶属度:是,则将所述最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合。
实施例16:
如图10所示,根据实施例15提供的识别装置,
新类别集合加入判断模块32还包括:若所述最大的隶属度大于预设第二隶属度,则判断所述第一对象是否有类别标签,若是,则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述最大隶属度对应的所述第二新类别的集合中的所述新类别的标签,若否,则获取所述最大隶属度对应的所述第二新类别的集合中的所述新类别的标签作为所述第一新类别的标签;若所述最大的隶属度不大于预设第二隶属度,则判断所述第一对象是否有类别标签,若是,则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述第二新类别的集合中所述第一新类别的标签,若否,则生成所述第一新类别的标签,将所述第一新类别的标签作为所述第二新类别的集合中所述第一新类别的标签。
实施例17:
如图10所示,根据实施例15提供的识别装置,
新类别集合隶属度计算模块31还包括:将所述第一结果作为所述第一新类别的第一画像。计算所述第一新类别的所述第一画像与所述第二新类别的集合中每一个新类别的第二画像的相似度,将所述相似度作为所述第一新类别属于所述第二新类别的集合中所述每一个新类别的隶属度。
其中,所述相似度的计算方法包括采用余弦相似度进行计算的方法;所述余弦相似度进行计算的方法包括公式1:
其中Xi指的是所述第一画像中属于第i类的隶属度,Yi指的是所述第二画像中属于第i类的隶属度。
新类别集合加入判断模块32还包括:若所述最大的隶属度不大于预设第二隶属度,则将所述第一新类别的第一画像作为所述第二新类别的集合中的所述第一新类别的第二画像;若所述最大的隶属度大于预设第二隶属度,则将所述第一结果作为所述第一新类别的第一画像,融合所述第一新类别的第一画像与所述最大隶属度对应的所述第二新类别的集合中的新类别的第二画像得到第三画像;其中,在进行融合时,将所述第一画像和所述第二画像中的类别归并后作为所述第三画像中的类别;对所述第一画像和所述第二画像中属于每一类别的隶属度进行加权平均得到所述第三画像中属于所述每一类别的隶属度;将所述第三画像作为所述最大的隶属度对应的所述第二新类别的集合中的所述新类别的第二画像。
实施例18:
如图11所示,根据实施例14提供的识别装置,
标签获取模块40:获取标签和所述第二新类别的集合中的待更新标签的新类别。
标签更新模块50:将获取的所述标签作为所述第二新类别的集合中的待更新标签的所述新类别的标签。
实施例19:
如图12所示,根据实施例14提供的识别装置,
第二新类别的集合判断模块30还包括:若所述第一新类别属于第二新类别的集合,则将所述最大的隶属度对应的所述第二新类别的集合中的新类别的样本数加1将所述第一对象加入所述最大的隶属度对应的所述第二新类别的集合中的新类别的样本集合中;若所述第一新类别不属于所述第二新类别的集合,则在将所述第一新类别加入所述第二新类别的集合之后,将所述第二新类别的集合中所述第一新类别的样本数设置为1,将所述第一对象加入所述第二新类别的集合中所述第一新类别的样本集合。
已有识别***获取模块60:获取所述识别模块中对所述第一对象进行识别的第一识别装置或***;
新识别***生成模块70:从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,通过所述样本和所述每一个新类别的标签对所述第一识别装置或***进行训练,得到能够识别所述每一个新类别的识别装置或***,作为第二识别装置或***。
然后又可以将所述能够识别所述新类别的第二识别装置或***作为识别模块10中的所述第一识别装置或***,重新通过上述任一实施例中的方法,得到能够识别更多新类别的第二识别装置或***,使得越来越多的新类别能够被所述第二识别装置或***所识别。
实施例20:
如图12所示,根据实施例19提供的识别装置,
所述第一识别装置或***包括深度学习模型;所述深度学习模型的输入变量为对象;所述深度学习模型的输出变量为所述第一已知类别的集合中每一个类别及属于所述每一个类别的隶属度。
新识别***生成模块70具体包括:从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,将所述第二已知类别的集合中每一个类别及属于所述每一个类别的隶属度作为所述深度学习模型的输出变量,通过所述每一个新类别的样本集合中的样本和所述每一个新类别的标签对所述深度学习模型进行训练,得到能够识别所述每一个新类别的深度学习模型,作为第二识别装置或***。
其中,通过所述每一个新类别的样本集合中的样本和所述每一个新类别的标签对所述深度学习模型进行训练的步骤具体包括:将所述每一个新类别的样本集合中的样本作为所述深度学习模型的输入数据,将所述深度学习模型的预期输出数据中所述每一个新类别对应的隶属度设置为1、其他所有已有类别对应的隶属度设置为0,对所述深度学习模型进行有监督训练。
实施例21:
如图13所示,根据实施例17提供的识别装置,所述装置还包括:
对象类别判断模块80:判断待处理的对象的类别是否存在:否,则使用上述任一实施例中的方法进行识别得到所述待处理的对象的类别。
对象信息融合模块90:判断待处理的对象的类别是否属于所述已知类别的集合:是,则从所述已知类别的集合中获取与所述待处理的对象的类别对应的已知类别的信息;否,则从所述第二新类别的集合中获取所述待处理的对象的类别的画像,从所述待处理的对象的类别的画像中获取每一个已知类别及属于所述每一个已知类别的隶属度,获取所述每一个已知类别的信息,根据所述属于所述每一个已知类别的隶属度对所述每一个已知类别的信息进行融合,得到所述待处理的对象的类别的信息。
实施例22:
如图14所示,根据实施例19提供的识别装置,所述装置还包括:
第二对象获取模块A0:获取待识别的第二对象;
第二对象识别模块B0:将所述第二对象输入所述第二识别装置或***进行识别,得到第二结果;
第二对象类别判断模块C0:根据所述第二结果判断所述第二对象的类别是否属于第二已知类别的集合:否,则将所述第二对象的类别作为第二新类别;是,则所述第一对象的类别为已知类别。若所述第一对象的类别为已知类别时,则判断所述第二对象的类别是否属于第一已知类别的集合:否,则所述第二对象的类别对第一识别装置或***而言为第一新类别;是,则所述第二对象的类别对第一识别装置或***而言为已知类别。
此后的针对所述第二对象的步骤与针对所述第一对象的步骤类似,请参见实施例12至21,在此不再赘述。
实施例23提供一种***,所述***含有如实施例12~22任一实施例所述的装置。
实施例24提供一种机器人***,所述机器人***含有如实施例12~22任一实施例所述的装置。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,则对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种识别方法,其特征在于,所述方法包括:
识别步骤:对第一对象进行识别得到第一结果;
新类别判断步骤:根据所述第一结果判断所述第一对象的类别是否属于第一已知类别的集合:否,则将所述第一对象的类别作为第一新类别;是,则所述第一对象的类别为已知类别。
2.根据权利要求1所述的识别方法,其特征在于,
所述第一结果包括所述第一对象所属的至少一个已知类别以及所述第一对象属于所述至少一个已知类别中每一个已知类别的隶属度;
所述新类别判断步骤具体包括:取所述第一对象属于所述至少一个已知类别中每一个已知类别的隶属度中的最大隶属度;若所述最大隶属度小于或等于预设第一隶属度,则所述第一对象的类别为第一新类别;若所述最大隶属度大于预设第一隶属度,则所述第一对象的已知类别为所述最大隶属度对应的已知类别。
3.根据权利要求1所述的识别方法,其特征在于,所述方法还包括:
新类别集合判断步骤:根据所述第一结果判断所述第一新类别是否属于第二新类别的集合:是,则将所述第一新类别对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合。
4.根据权利要求3所述的识别方法,其特征在于,所述新类别集合判断步骤包括:
新类别集合隶属度计算步骤:计算所述第一新类别属于所述第二新类别的集合中每一个新类别的隶属度;
新类别集合加入判断步骤:获取所述隶属度中最大的隶属度,判断所述最大的隶属度是否大于预设第二隶属度:是,则将所述最大隶属度对应的所述第二新类别的集合中的新类别作为所述第一新类别;否,则将所述第一新类别加入所述第二新类别的集合。
5.根据权利要求4所述的识别方法,其特征在于,
所述新类别集合加入判断步骤还包括:
若所述最大的隶属度大于预设第二隶属度,则判断所述第一对象是否有类别标签:是,则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述最大隶属度对应的所述第二新类别的集合中的所述新类别的标签;否,则获取所述最大隶属度对应的所述第二新类别的集合中的所述新类别的标签作为所述第一新类别的标签;
若所述最大的隶属度不大于预设第二隶属度,则判断所述第一对象是否有类别标签:是,则将所述类别标签作为所述第一新类别的标签,并将所述第一新类别的标签作为所述第二新类别的集合中所述第一新类别的标签;否,则生成所述第一新类别的标签,将所述第一新类别的标签作为所述第二新类别的集合中所述第一新类别的标签。
6.根据权利要求4所述的识别方法,其特征在于,
所述新类别集合隶属度计算步骤还包括:
将所述第一结果作为所述第一新类别的第一画像;计算所述第一新类别的所述第一画像与所述第二新类别的集合中每一个新类别的第二画像的相似度;将所述相似度作为所述第一新类别属于所述第二新类别的集合中所述每一个新类别的隶属度;
所述新类别集合加入判断步骤还包括:
若所述最大的隶属度大于预设第二隶属度,则将所述第一结果作为所述第一新类别的第一画像,融合所述第一新类别的第一画像与所述最大隶属度对应的所述第二新类别的集合中的新类别的第二画像得到第三画像;将所述第三画像作为所述最大的隶属度对应的所述第二新类别的集合中的所述新类别的第二画像;
若所述最大的隶属度不大于预设第二隶属度,则将所述第一新类别的第一画像作为所述第二新类别的集合中的所述第一新类别的第二画像。
7.根据权利要求3所述的识别方法,其特征在于,
所述新类别集合判断步骤还包括:
若所述第一新类别属于第二新类别的集合,则将所述最大的隶属度对应的所述第二新类别的集合中的新类别的样本数加1,将所述第一对象加入所述最大的隶属度对应的所述第二新类别的集合中的新类别的样本集合中;
若所述第一新类别不属于所述第二新类别的集合,则在将所述第一新类别加入所述第二新类别的集合之后,将所述第二新类别的集合中所述第一新类别的样本数设置为1,将所述第一对象加入所述第二新类别的集合中所述第一新类别的样本集合;
所述方法还包括:
已有识别***获取步骤:获取所述识别步骤中对所述第一对象进行识别的第一识别装置或***;
新识别***生成步骤:从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,通过所述样本和所述每一个新类别的标签对所述第一识别装置或***进行训练,得到能够识别所述每一个新类别的识别装置或***,作为第二识别装置或***。
8.根据权利要求7所述的识别方法,其特征在于,
所述第一识别装置或***包括深度学习模型;所述深度学习模型的输入变量为对象;所述深度学习模型的输出变量为所述第一已知类别的集合中每一个类别及属于所述每一个类别的隶属度;
所述新识别***生成步骤具体包括:
从所述第二新类别的集合中获取样本数大于预设样本数的每一个新类别;获取所述每一个新类别的样本集合中的样本,将所述每一个新类别从第二新类别的集合中删除,并将所述每一个新类别加入所述第一已知类别的集合,得到第二已知类别的集合,将所述第二已知类别的集合中每一个类别及属于所述每一个类别的隶属度作为所述深度学习模型的输出变量,通过所述每一个新类别的样本集合中的样本和所述每一个新类别的标签对所述深度学习模型进行训练,得到能够识别所述每一个新类别的深度学习模型,作为第二识别装置或***。
9.一种识别装置,其特征在于,所述装置执行如权利要求1至8任一项所述的识别方法。
10.一种机器人***,其特征在于,所述机器人***含有如权利要求9所述的装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910224601.3A CN109934302B (zh) | 2019-03-23 | 2019-03-23 | 新类别识别方法和基于模糊理论和深度学习的机器人*** |
PCT/CN2019/099963 WO2020191988A1 (zh) | 2019-03-23 | 2019-08-09 | 新类别识别方法和基于模糊理论和深度学习的机器人*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910224601.3A CN109934302B (zh) | 2019-03-23 | 2019-03-23 | 新类别识别方法和基于模糊理论和深度学习的机器人*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934302A true CN109934302A (zh) | 2019-06-25 |
CN109934302B CN109934302B (zh) | 2021-12-07 |
Family
ID=66988040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910224601.3A Active CN109934302B (zh) | 2019-03-23 | 2019-03-23 | 新类别识别方法和基于模糊理论和深度学习的机器人*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109934302B (zh) |
WO (1) | WO2020191988A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191988A1 (zh) * | 2019-03-23 | 2020-10-01 | 南京智慧光信息科技研究院有限公司 | 新类别识别方法和基于模糊理论和深度学习的机器人*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1835336A (zh) * | 2006-03-10 | 2006-09-20 | 天津大学 | 基于概率的电力***电压稳定在线监视和预防控制方法 |
US20120011032A1 (en) * | 2009-12-17 | 2012-01-12 | American Express Travel Related Services Company, Inc. | System and method for enabling industry based channels in an ip marketplace |
US20140248930A1 (en) * | 2004-02-25 | 2014-09-04 | Alan G. FISHEL | Geography based card game and method of play |
CN106021377A (zh) * | 2016-05-11 | 2016-10-12 | 上海点荣金融信息服务有限责任公司 | 计算机实现的信息处理方法及装置 |
CN107067045A (zh) * | 2017-05-31 | 2017-08-18 | 北京京东尚科信息技术有限公司 | 数据聚类方法、装置、计算机可读介质和电子设备 |
CN107194617A (zh) * | 2017-07-06 | 2017-09-22 | 北京航空航天大学 | 一种app软件工程师软技能分类***及方法 |
CN107688822A (zh) * | 2017-07-18 | 2018-02-13 | 中国科学院计算技术研究所 | 基于深度学习的新增类别识别方法 |
CN109460471A (zh) * | 2018-11-01 | 2019-03-12 | 信融源大数据科技(北京)有限公司 | 一种基于自学习的方式建立纤维种类图谱库的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778804B (zh) * | 2016-11-18 | 2020-10-20 | 天津大学 | 基于类别属性迁移学习的零样本图像分类方法 |
US11354565B2 (en) * | 2017-03-15 | 2022-06-07 | Salesforce.Com, Inc. | Probability-based guider |
CN109376786A (zh) * | 2018-10-31 | 2019-02-22 | 中国科学院深圳先进技术研究院 | 一种图像分类方法、装置、终端设备及可读存储介质 |
CN109934302B (zh) * | 2019-03-23 | 2021-12-07 | 大国创新智能科技(东莞)有限公司 | 新类别识别方法和基于模糊理论和深度学习的机器人*** |
-
2019
- 2019-03-23 CN CN201910224601.3A patent/CN109934302B/zh active Active
- 2019-08-09 WO PCT/CN2019/099963 patent/WO2020191988A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140248930A1 (en) * | 2004-02-25 | 2014-09-04 | Alan G. FISHEL | Geography based card game and method of play |
CN1835336A (zh) * | 2006-03-10 | 2006-09-20 | 天津大学 | 基于概率的电力***电压稳定在线监视和预防控制方法 |
US20120011032A1 (en) * | 2009-12-17 | 2012-01-12 | American Express Travel Related Services Company, Inc. | System and method for enabling industry based channels in an ip marketplace |
CN106021377A (zh) * | 2016-05-11 | 2016-10-12 | 上海点荣金融信息服务有限责任公司 | 计算机实现的信息处理方法及装置 |
CN107067045A (zh) * | 2017-05-31 | 2017-08-18 | 北京京东尚科信息技术有限公司 | 数据聚类方法、装置、计算机可读介质和电子设备 |
CN107194617A (zh) * | 2017-07-06 | 2017-09-22 | 北京航空航天大学 | 一种app软件工程师软技能分类***及方法 |
CN107688822A (zh) * | 2017-07-18 | 2018-02-13 | 中国科学院计算技术研究所 | 基于深度学习的新增类别识别方法 |
CN109460471A (zh) * | 2018-11-01 | 2019-03-12 | 信融源大数据科技(北京)有限公司 | 一种基于自学习的方式建立纤维种类图谱库的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191988A1 (zh) * | 2019-03-23 | 2020-10-01 | 南京智慧光信息科技研究院有限公司 | 新类别识别方法和基于模糊理论和深度学习的机器人*** |
Also Published As
Publication number | Publication date |
---|---|
CN109934302B (zh) | 2021-12-07 |
WO2020191988A1 (zh) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506702B (zh) | 基于多角度的人脸识别模型训练及测试***及方法 | |
CN107330396B (zh) | 一种基于多属性和多策略融合学习的行人再识别方法 | |
CN107679522B (zh) | 基于多流lstm的动作识别方法 | |
CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
CN110135249B (zh) | 基于时间注意力机制和lstm的人体行为识别方法 | |
CN112132197B (zh) | 模型训练、图像处理方法、装置、计算机设备和存储介质 | |
CN107273872A (zh) | 用于图像或视频中行人重识别的深度判别网络模型方法 | |
CN108537743A (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN107292813A (zh) | 一种基于生成对抗网络的多姿态人脸生成方法 | |
CN104915351B (zh) | 图片排序方法及终端 | |
CN111768336B (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 | |
CN106845357A (zh) | 一种基于多通道网络的视频人脸检测和识别方法 | |
CN110287805A (zh) | 基于三流卷积神经网络的微表情识别方法及*** | |
CN108875907B (zh) | 一种基于深度学习的指纹识别方法和装置 | |
CN111444826B (zh) | 视频检测方法、装置、存储介质及计算机设备 | |
CN108573243A (zh) | 一种基于深度卷积神经网络的低质量人脸的比对方法 | |
CN107341463A (zh) | 一种结合图像质量分析与度量学习的人脸特征识别方法 | |
CN108764336A (zh) | 用于图像识别的深度学习方法及装置、客户端、服务器 | |
Fang et al. | Dynamic gesture recognition using inertial sensors-based data gloves | |
CN107230267A (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
Krawczyk et al. | Breast thermogram analysis using classifier ensembles and image symmetry features | |
CN106228109A (zh) | 一种基于骨骼运动轨迹的动作识别方法 | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
CN110188715A (zh) | 一种多帧检测投票的视频人脸活体检测方法 | |
CN101493887A (zh) | 基于半监督学习和哈希索引的眉毛图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |