CN112580745A - 图像识别方法、装置、电子设备和计算机可读介质 - Google Patents
图像识别方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112580745A CN112580745A CN202011599592.5A CN202011599592A CN112580745A CN 112580745 A CN112580745 A CN 112580745A CN 202011599592 A CN202011599592 A CN 202011599592A CN 112580745 A CN112580745 A CN 112580745A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- piece
- filtering
- corrected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001914 filtration Methods 0.000 claims abstract description 89
- 238000003860 storage Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了图像识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息,上述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率;对上述至少一条识别信息进行过滤,得到至少一条待修正信息;获取对应上述至少一条待修正信息的至少一条更新信息,上述更新信息用于表征对应的待识别图像属于上述至少两个图像类型中的某一图像类型;基于上述至少一条更新信息更新上述至少一条识别信息。该实施方式提高了对待识别图像的识别准确性和有效性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像识别方法、装置、电子设备和计算机可读介质。
背景技术
图像识别是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。通常,用户可以通过图像识别模型来实现对图像的识别。为了准确识别图像,需要对图像识别模型进行训练,以使得图像识别模型学习到图像的相关特征。
在机器学习领域,存在监督学习,非监督学习和半监督学习三种不同的学习方法,其中在使用传统的监督学习算法和半监督学习算法做分类时,依赖大量有标记数据。这类标记数据获取比较困难,需要相关领域内的专家标注,耗费大量的时间成本和经济成本,影响算法模型的产出。同时,过滤数据策略大多是静态配置,工程代码需要动态调整,数据过滤策略配置未解耦,没有完全实现自动化。因此,现有在通过图像识别模型识别图像的过程中,不易获取到准确有效的样本图像,进而使得图像识别模型的训练效率不高。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像识别方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种图像识别方法,该方法包括:对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息,上述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率;对上述至少一条识别信息进行过滤,得到至少一条待修正信息;获取对应上述至少一条待修正信息的至少一条更新信息,上述更新信息用于表征对应的待识别图像属于上述至少两个图像类型中的某一图像类型;基于上述至少一条更新信息更新上述至少一条识别信息。
第二方面,本公开的一些实施例提供了一种图像识别装置,该装置包括:图像识别单元,被配置成对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息,上述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率;待修正信息获取单元,被配置成对上述至少一条识别信息进行过滤,得到至少一条待修正信息;更新信息获取单元,被配置成获取对应上述至少一条待修正信息的至少一条更新信息,上述更新信息用于表征对应的待识别图像属于上述至少两个图像类型中的某一图像类型;图像识别更新单元,被配置成基于上述至少一条更新信息更新上述至少一条识别信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的图像识别方法对图像类型进行识别,提高了图像识别的准确性和有效性。具体来说,造成相关的图像识别模型识别结果不够准确的原因在于:现有方法无法获取大量准确有效的图像识别模型的训练样本图像。基于此,本公开的一些实施例的图像识别方法首先识别出至少一张待识别图像的至少一条识别信息,然后对至少一条识别信息进行过滤,得到至少一条待修正信息。如此,可以得到数量远少于至少一条识别信息的准确性不高的识别信息。之后,再获取至少一条待修正信息的准确有效的至少一条更新信息,并通过至少一条更新信息更新至少一条识别信息。如此,可以通过少量准确有效的更新信息对大量的识别信息进行更新,提高了对待识别图像的识别准确性和有效性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的图像识别方法的应用场景的示意图;
图2是根据本公开的图像识别方法的一些实施例的流程图;
图3是根据本公开的图像识别方法的另一些实施例的流程图;
图4是根据本公开的图像识别方法的又一些实施例的流程图;
图5是根据本公开的图像识别装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的图像识别方法的一个应用场景的示意图。
电子设备101可以对待识别图像1、2、3、4进行识别,分别得到对应待识别图像1、2、3、4的识别信息:[1:A:70%;B:30%];[2:A:80%;B:20%];[3:A:60%;B:40%];[4:A:90%;B:10%]。例如,识别信息:[1:A:70%;B:30%]中,“1”表示待识别图像1;“A:70%;B:30%”表示待识别图像1属于A类型图像的概率为70%,属于B类型图像的概率为30%。然后,电子设备101对识别信息过滤,得到待修正信息[1:A:70%;B:30%];[2:A:80%;B:20%];[3:A:60%;B:40%]。待识别图像4的识别信息[4:A:90%;B:10%]属于A类型图像的概率很高,可以认为对待识别图像4的识别足够准确,因此无需对待识别图像4修正。之后,技术人员可以对待修正信息进行修正,电子设备101可以获取到对应的更新信息:[1:B];[2:A];[3:B]。例如,更新信息[1:B]中,“1”表示待识别图像1,“B”表示待识别图像1实际属于B类型图像。最后,执行主体根据更新信息对待识别图像1、2、3进行更新,更新后,待识别图像1、2、3、4的图像类型分别为:B、A、B、A。如此,实现了对待识别图像1、2、3、4的图像识别。
应该理解,图1中的电子设备101的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备101。
继续参考图2,图2示出了根据本公开的图像识别方法的一些实施例的流程200。该图像识别方法,包括以下步骤:
步骤201,对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息。
在一些实施例中,图像识别方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式获取至少一张待识别图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
执行主体可以对至少一张待识别图像中的每一张待识别图像进行识别,得到每一张待识别图像对应的识别信息。其中,上述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率。例如,图1中的待识别图像1对应的识别信息可以是[1:A:70%;B:30%]。
步骤202,对上述至少一条识别信息进行过滤,得到至少一条待修正信息。
实际中,至少一张待识别图像中可能出现重复的图像,重复的图像对应的识别信息也相同。因此,执行主体可以对至少一条识别信息进行过滤,得到至少一条待修正信息。其中,待修正信息可以认为是识别可能不准确的信息。
步骤203,获取对应上述至少一条待修正信息的至少一条更新信息。
执行主体可以将至少一条待修正信息发送至其他设备,以使得技术人员修正待修正信息中的信息,进而可以得到对应待修正信息的更新信息。其中,上述更新信息用于表征对应的待识别图像属于上述至少两个图像类型中的某一图像类型。
步骤204,基于上述至少一条更新信息更新上述至少一条识别信息。
得到更新信息后,执行主体可以根据更新信息对原先的识别信息进行更新。如此,得到了待识别图像准确的识别信息。
通过本公开的一些实施例的图像识别方法对图像类型进行识别,提高了图像识别的准确性和有效性。具体来说,造成相关的图像识别模型识别结果不够准确的原因在于:现有方法无法获取大量准确有效的图像识别模型的训练样本图像。基于此,本公开的一些实施例的图像识别方法首先识别出至少一张待识别图像的至少一条识别信息,然后对至少一条识别信息进行过滤,得到至少一条待修正信息。如此,可以得到数量远少于至少一条识别信息的准确性不高的识别信息。之后,再获取至少一条待修正信息的准确有效的至少一条更新信息,并通过至少一条更新信息更新至少一条识别信息。如此,可以通过少量准确有效的更新信息对大量的识别信息进行更新,提高了对待识别图像的识别准确性和有效性。
继续参考图3,图3示出了根据本公开的图像识别方法的一些实施例的流程300。该图像识别方法,包括以下步骤:
步骤301,对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息。
步骤301的内容与步骤201的内容相同,此处不再一一赘述。
在一些实施例的一些可选的实现方式中,上述对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息,可以包括:将上述至少一张待识别图像导入预先设定的图像识别模型,得到对应上述至少一张待识别图像的至少一条识别信息。
执行主体在识别待识别图像时,可以将待识别图像导入预先设定的图像识别模型。其中,图像识别模型可以对待识别图像的内容进行识别,并根据识别出的图像内容得到待识别图像属于各种图像类型的概率。
步骤302,通过预设过滤条件对上述至少一条识别信息进行过滤,得到至少一条待修正信息。
为了识别出哪些识别信息需要重新识别,执行主体可以通过预设过滤条件对于上述至少一条识别信息进行过滤,得到至少一条待修正信息。其中,上述预设过滤条件可以包括以下至少一项:分类器过滤、聚类过滤、布隆过滤等。分类器过滤可以按照图像类型对识别信息进行过滤。聚类过滤可以采用信息聚类的方式对识别信息进行过滤。
在一些实施例的一些可选的实现方式中,上述分类器过滤包括上述至少两个图像类型中每个图像类型对应的过滤阈值;以及,上述通过预设过滤条件对上述至少一条识别信息进行过滤,得到至少一条待修正信息,可以包括:响应于上述预设过滤条件包括分类器过滤,通过上述过滤阈值对于上述至少一条识别信息进行过滤,得到至少一条待修正信息。
当通过分类器过滤对至少一条识别信息进行过滤时,执行主体可以通过分类器过滤包含的每个图像类型的过滤阈值来过滤识别信息,进而确定待修正信息。其中,过滤阈值可以通过经验确定。过滤阈值通常为百分比或小数的形式。
在一些实施例的一些可选的实现方式中,上述通过上述过滤阈值对上述至少一条识别信息进行过滤,得到至少一条待修正信息,可以包括:对于上述至少一条识别信息中的识别信息,通过上述过滤阈值确定该识别信息是否为待修正信息。
执行主体可以通过过滤阈值对每条识别信息进行过滤,进而根据过滤结果确定识别信息是否为待修正信息。
在一些实施例的一些可选的实现方式中,上述通过上述过滤阈值确定该识别信息是否为待修正信息,可以包括:响应于该识别信息存在小于对应图像类型的过滤阈值的概率,确定该识别信息为待修正信息。
有上述描述可知,识别信息可以包含待识别图像属于各个图像类型的概率。相应的,每个图像类型可以有对应的过滤阈值。执行主体可以将每个图像类型的概率与对应的过滤阈值进行比较,进而确定每个图像类型是否满足过滤阈值要求。为了提高识别的准确性,当存在至少一个小于对应图像类型的过滤阈值的概率时,执行主体可以确定该识别信息为待修正信息。例如,识别信息:[1:A:70%;B:30%];[2:A:80%;B:20%];[3:A:60%;B:40%];[4:A:90%;B:10%]。对应的过滤阈值可以是:[A:50%],[B:20%]。经过过滤,执行主体可以确定,[1:A:70%;B:30%];[2:A:80%;B:20%];[3:A:60%;B:40%]满足[A:50%],[B:20%]。[4:A:90%;B:10%]中,只有[A:90%]大于[A:50%],[B:10%]不满足[B:20%]。即,[4:A:90%;B:10%]已经足够精确,无需修正。
在一些实施例的一些可选的实现方式中,上述过滤阈值可以通过以下步骤计算:
第一步,获取对应目标图像类型的至少一个样本图像。
为了确定过滤阈值,执行主体可以首先获取目标图像类型的至少一个样本图像。
第二步,获取所述至少一个样本图像对应的概率分布区间。
同一图像类型的经图像识别模型后得到的概率比较接近,由此可以得到至少一个样本图像对应的概率分布区间。
第三步,基于所述概率分布区间确定上述目标图像类型的过滤阈值。
执行主体可以将概率分布区间的中间值设置为目标图像类型的过滤阈值。如此,使得过滤阈值能够从整体上体现属于某一图像类型的概率,有利于提高对图像识别的准确性和有效性。
在一些实施例的一些可选的实现方式中,上述通过预设过滤条件对上述至少一条识别信息进行过滤,得到至少一条待修正信息,可以包括以下步骤:
第一步,响应于上述预设过滤条件包括聚类过滤,对上述至少一条识别信息进行聚类得到至少一个信息簇。
当通过聚类过滤来确定待修正信息时,执行主体可以首先通过聚类过滤得到对应至少一条识别信息的至少一个信息簇。
第二步,对于上述至少一个信息簇中的信息簇,将该信息簇的簇中心的待修正信息设置为待修正信息。
执行主体可以获取每个信息簇的簇中心的待修正信息。簇中心的待修正信息可以代表对应信息簇的特征。执行主体可以将该信息簇的簇中心的待修正信息设置为待修正信息。
步骤303,获取对应上述至少一条待修正信息的至少一条更新信息。
步骤304,基于上述至少一条更新信息更新上述至少一条识别信息。
步骤303和步骤304的内容与步骤203和步骤204的内容相同,此处不再一一赘述。
继续参考图4,图4示出了根据本公开的图像识别方法的一些实施例的流程400。该图像识别方法,包括以下步骤:
步骤401,对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息。
步骤402,对上述至少一条识别信息进行过滤,得到至少一条待修正信息。
步骤403,获取对应上述至少一条待修正信息的至少一条更新信息。
步骤401和步骤403的内容与步骤201和步骤203的内容相同,此处不再一一赘述。
步骤404,对于上述至少一条更新信息中的更新信息,基于该更新信息更新对应的待修正信息的图像类型信息,得到对应该更新信息的更新的识别信息。
执行主体可以通过每条更新信息更新对应的待修正信息的图像类型信息。例如,图1中,更新信息为:[1:B];[2:A];[3:B]。待修正信息可以为:[1:A:70%;B:30%];[2:A:80%;B:20%];[3:A:60%;B:40%]。则更新的识别信息的图像类型信息可以与更信息的信息类型信息相同。即识别信息也可以为:[1:B];[2:A];[3:B]。
在一些实施例的一些可选的实现方式中,上述基于该更新信息更新对应的待修正信息的图像类型信息,可以包括以下步骤:
第一步,查询该更新信息对应的目标信息簇。
执行主体可以通过得到更新信息的待修正信息确定目标信息簇。
第二步,将上述目标信息簇包含的目标待修正信息的图像类型信息,修改为该更新信息的图像类型信息。
由上述分析可知,信息簇内的信息具有共同的特征。执行主体可以将目标待修正信息的图像类型信息,修改为该更新信息的图像类型信息。如此,可以快速有效地确定大量图像的图像类型信息,提高了对待识别图像的识别准确性。
在一些实施例的一些可选的实现方式中,本实施例方法还可以包括:
第一步,通过更新后的上述至少一条识别信息对上述图像识别模型进行训练。
更新后的至少一条识别信息为图像类型信息准确的信息。执行主体可以将至少一张待识别图像作为输入,将至少一张待识别图像中每一张待识别图像对应的更新后的识别信息作为输出,对图像识别模型进行训练。
第二步,响应于上述图像识别模型的识别精度大于设定的精度阈值,设置上述图像识别模型为目标图像识别模型。
当图像识别模型的识别精度大于设定的精度阈值时,说明该图像识别模型已经训练完成。执行主体可以设置上述图像识别模型为目标图像识别模型。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种图像识别装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的图像识别装置500包括:图像识别单元501、待修正信息获取单元502、更新信息获取单元503和图像识别更新单元504。其中,图像识别单元501,被配置成对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息,上述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率;待修正信息获取单元502,被配置成对上述至少一条识别信息进行过滤,得到至少一条待修正信息;更新信息获取单元503,被配置成获取对应上述至少一条待修正信息的至少一条更新信息,上述更新信息用于表征对应的待识别图像属于上述至少两个图像类型中的某一图像类型;图像识别更新单元504,被配置成基于上述至少一条更新信息更新上述至少一条识别信息。
在一些实施例的可选实现方式中,上述图像识别单元501可以包括:图像识别子单元(图中未示出),被配置成将上述至少一张待识别图像导入预先设定的图像识别模型,得到对应上述至少一张待识别图像的至少一条识别信息。
在一些实施例的可选实现方式中,上述待修正信息获取单元502可以包括:待修正信息获取子单元(图中未示出),被配置成通过预设过滤条件对上述至少一条识别信息进行过滤,得到至少一条待修正信息,上述预设过滤条件包括以下至少一项:分类器过滤、聚类过滤。
在一些实施例的可选实现方式中,上述分类器过滤包括上述至少两个图像类型中每个图像类型对应的过滤阈值;以及,上述待修正信息获取子单元可以包括:第一待修正信息获取模块(图中未示出),被配置成响应于上述预设过滤条件包括分类器过滤,通过上述过滤阈值对于上述至少一条识别信息进行过滤,得到至少一条待修正信息。
在一些实施例的可选实现方式中,上述第一待修正信息获取模块可以包括:待修正信息确定子模块(图中未示出),被配置成对于上述至少一条识别信息中的识别信息,通过上述过滤阈值确定该识别信息是否为待修正信息。
在一些实施例的可选实现方式中,上述待修正信息确定子模块可以包括:待修正信息确定模组(图中未示出),被配置成响应于该识别信息存在小于对应图像类型的过滤阈值的概率,确定该识别信息为待修正信息。
在一些实施例的可选实现方式中,上述图像识别装置500可以包括过滤阈值计算单元(图中未示出),被配置成计算过滤阈值,上述过滤阈值计算单元可以包括:样本图像获取子单元(图中未示出)、概率分布区间获取子单元(图中未示出)和过滤阈值确定子单元(图中未示出)。样本图像获取子单元,被配置成获取对应目标图像类型的至少一个样本图像;概率分布区间获取子单元,被配置成获取所述至少一个样本图像对应的概率分布区间;过滤阈值确定子单元,被配置成基于所述概率分布区间确定所述目标图像类型的过滤阈值。
在一些实施例的可选实现方式中,上述待修正信息获取子单元可以包括:信息簇获取模块(图中未示出)和第二待修正信息获取模块(图中未示出)。其中,信息簇获取模块,被配置成响应于上述预设过滤条件包括聚类过滤,对上述至少一条识别信息进行聚类得到至少一个信息簇;第二待修正信息获取模块,被配置成对于上述至少一个信息簇中的信息簇,将该信息簇的簇中心的待修正信息设置为待修正信息。
在一些实施例的可选实现方式中,上述图像识别更新单元504可以包括:图像识别更新子单元(图中未示出),被配置成对于上述至少一条更新信息中的更新信息,基于该更新信息更新对应的待修正信息的图像类型信息,得到对应该更新信息的更新的识别信息。
在一些实施例的可选实现方式中,上述图像识别更新子单元可以包括:目标信息簇查询模块(图中未示出)和图像识别更新模块(图中未示出)。其中,目标信息簇查询模块,被配置成查询该更新信息对应的目标信息簇;图像识别更新模块,被配置成将上述目标信息簇包含的目标待修正信息的图像类型信息,修改为该更新信息的图像类型信息。
在一些实施例的可选实现方式中,上述图像识别装置500还可以包括:训练单元(图中未示出)和目标图像识别模型获取单元(图中未示出)。其中,训练单元,被配置成通过更新后的上述至少一条识别信息对上述图像识别模型进行训练;目标图像识别模型获取单元,被配置成响应于上述图像识别模型的识别精度大于设定的精度阈值,设置上述图像识别模型为目标图像识别模型。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对至少一张待识别图像进行识别,得到对应上述至少一张待识别图像的至少一条识别信息,上述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率;对上述至少一条识别信息进行过滤,得到至少一条待修正信息;获取对应上述至少一条待修正信息的至少一条更新信息,上述更新信息用于表征对应的待识别图像属于上述至少两个图像类型中的某一图像类型;基于上述至少一条更新信息更新上述至少一条识别信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像识别单元、待修正信息获取单元、更新信息获取单元和图像识别更新单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像识别单元还可以被描述为“用于识别待识别图像的图像类型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种图像识别方法,包括:
对至少一张待识别图像进行识别,得到对应所述至少一张待识别图像的至少一条识别信息,所述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率;
对所述至少一条识别信息进行过滤,得到至少一条待修正信息;
获取对应所述至少一条待修正信息的至少一条更新信息,所述更新信息用于表征对应的待识别图像属于所述至少两个图像类型中的某一图像类型;
基于所述至少一条更新信息更新所述至少一条识别信息。
2.根据权利要求1所述的方法,其中,所述对至少一张待识别图像进行识别,得到对应所述至少一张待识别图像的至少一条识别信息,包括:
将所述至少一张待识别图像导入预先设定的图像识别模型,得到对应所述至少一张待识别图像的至少一条识别信息。
3.根据权利要求1所述的方法,其中,所述对所述至少一条识别信息进行过滤,得到至少一条待修正信息,包括:
通过预设过滤条件对所述至少一条识别信息进行过滤,得到至少一条待修正信息,所述预设过滤条件包括以下至少一项:分类器过滤、聚类过滤。
4.根据权利要求3所述的方法,其中,所述分类器过滤包括所述至少两个图像类型中每个图像类型对应的过滤阈值;以及
所述通过预设过滤条件对所述至少一条识别信息进行过滤,得到至少一条待修正信息,包括:
响应于所述预设过滤条件包括分类器过滤,通过所述过滤阈值对于所述至少一条识别信息进行过滤,得到至少一条待修正信息。
5.根据权利要求4所述的方法,其中,所述通过所述过滤阈值对所述至少一条识别信息进行过滤,得到至少一条待修正信息,包括:
对于所述至少一条识别信息中的识别信息,通过所述过滤阈值确定该识别信息是否为待修正信息。
6.根据权利要求5所述的方法,其中,所述通过所述过滤阈值确定该识别信息是否为待修正信息,包括:
响应于该识别信息存在小于对应图像类型的过滤阈值的概率,确定该识别信息为待修正信息。
7.根据权利要求4所述的方法,其中,所述过滤阈值通过以下步骤计算:
获取对应目标图像类型的至少一个样本图像;
获取所述至少一个样本图像对应的概率分布区间;
基于所述概率分布区间确定所述目标图像类型的过滤阈值。
8.根据权利要求3所述的方法,其中,所述通过预设过滤条件对所述至少一条识别信息进行过滤,得到至少一条待修正信息,包括:
响应于所述预设过滤条件包括聚类过滤,对所述至少一条识别信息进行聚类得到至少一个信息簇;
对于所述至少一个信息簇中的信息簇,将该信息簇的簇中心的待修正信息设置为待修正信息。
9.根据权利要求8所述的方法,其中,所述基于所述至少一条更新信息更新所述至少一条识别信息,包括:
对于所述至少一条更新信息中的更新信息,基于该更新信息更新对应的待修正信息的图像类型信息,得到对应该更新信息的更新的识别信息。
10.根据权利要求9所述的方法,其中,所述基于该更新信息更新对应的待修正信息的图像类型信息,包括:
查询该更新信息对应的目标信息簇;
将所述目标信息簇包含的目标待修正信息的图像类型信息,修改为该更新信息的图像类型信息。
11.根据权利要求10所述的方法,其中,所述方法还包括:
通过更新后的所述至少一条识别信息对所述图像识别模型进行训练;
响应于所述图像识别模型的识别精度大于设定的精度阈值,设置所述图像识别模型为目标图像识别模型。
12.一种图像识别装置,包括:
图像识别单元,被配置成对至少一张待识别图像进行识别,得到对应所述至少一张待识别图像的至少一条识别信息,所述识别信息包括对应的待识别图像属于至少两个图像类型中每个图像类型的概率;
待修正信息获取单元,被配置成对所述至少一条识别信息进行过滤,得到至少一条待修正信息;
更新信息获取单元,被配置成获取对应所述至少一条待修正信息的至少一条更新信息,所述更新信息用于表征对应的待识别图像属于所述至少两个图像类型中的某一图像类型;
图像识别更新单元,被配置成基于所述至少一条更新信息更新所述至少一条识别信息。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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权利要求1至11中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至11中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011599592.5A CN112580745A (zh) | 2020-12-29 | 2020-12-29 | 图像识别方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011599592.5A CN112580745A (zh) | 2020-12-29 | 2020-12-29 | 图像识别方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580745A true CN112580745A (zh) | 2021-03-30 |
Family
ID=75144184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011599592.5A Pending CN112580745A (zh) | 2020-12-29 | 2020-12-29 | 图像识别方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580745A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180204562A1 (en) * | 2015-09-08 | 2018-07-19 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for image recognition |
CN109543773A (zh) * | 2018-12-12 | 2019-03-29 | 泰康保险集团股份有限公司 | 图像处理方法、装置、介质及电子设备 |
WO2020006964A1 (zh) * | 2018-07-06 | 2020-01-09 | 北京字节跳动网络技术有限公司 | 图像检测方法和装置 |
CN110909803A (zh) * | 2019-11-26 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 图像识别模型训练方法、装置和计算机可读存储介质 |
CN111709480A (zh) * | 2020-06-17 | 2020-09-25 | 北京百度网讯科技有限公司 | 用于识别图像类别的方法及装置 |
CN111783889A (zh) * | 2020-07-03 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 图像识别方法、装置、电子设备和计算机可读介质 |
-
2020
- 2020-12-29 CN CN202011599592.5A patent/CN112580745A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180204562A1 (en) * | 2015-09-08 | 2018-07-19 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for image recognition |
WO2020006964A1 (zh) * | 2018-07-06 | 2020-01-09 | 北京字节跳动网络技术有限公司 | 图像检测方法和装置 |
CN109543773A (zh) * | 2018-12-12 | 2019-03-29 | 泰康保险集团股份有限公司 | 图像处理方法、装置、介质及电子设备 |
CN110909803A (zh) * | 2019-11-26 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 图像识别模型训练方法、装置和计算机可读存储介质 |
CN111709480A (zh) * | 2020-06-17 | 2020-09-25 | 北京百度网讯科技有限公司 | 用于识别图像类别的方法及装置 |
CN111783889A (zh) * | 2020-07-03 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 图像识别方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10565442B2 (en) | Picture recognition method and apparatus, computer device and computer- readable medium | |
CN108427939B (zh) | 模型生成方法和装置 | |
CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN111046027B (zh) | 时间序列数据的缺失值填充方法和装置 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN109359139A (zh) | 数据同步方法、***、电子设备及计算机可读存储介质 | |
CN110097004B (zh) | 面部表情识别方法和装置 | |
CN112330059B (zh) | 用于生成预测分数的方法、装置、电子设备和介质 | |
CN110046670B (zh) | 特征向量降维方法和装置 | |
CN110275880B (zh) | 数据分析方法、装置、服务器及可读存储介质 | |
CN112580745A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN112308090B (zh) | 图像分类方法及装置 | |
CN113052266A (zh) | 交易模式类型识别方法及装置 | |
CN113869317A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN113762279A (zh) | 目标图像识别方法、模型训练方法、装置、设备和介质 | |
CN112070034A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN113780148A (zh) | 交通标志图像识别模型训练方法和交通标志图像识别方法 | |
CN111726476A (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN111625692A (zh) | 特征抽取方法、装置、电子设备和计算机可读介质 | |
CN113779335A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN115393652B (zh) | 基于对抗网络的人工智能模型更新方法、识别方法和设备 | |
CN113077352B (zh) | 基于用户信息和保险相关信息的保险服务物品推荐方法 | |
CN113469159B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN115223113B (zh) | 训练样本集清洗方法、装置 |
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 |