[发明专利]一种基于训练模型识别典型图片对新增实体的验证方法及系统

说明书

本发明公开了一种基于训练模型识别典型图片对新增实体的验证方法及系统，该方法包括步骤：S11.获取新增实体典型图片集；S12.通过现有训练模型对所述新增实体典型图片集进行识别计算所述新增实体典型图片集中每一张典型图片的top1和top5的置信度；S13.根据所述top1和top5的置信度结合预设的算法判断出所述新增实体是否已经存在于所述现有训练模型中。本发明在现有训练模型的基础上，通过对新增实体的典型图片进行识别，得到top1和top5的置信度，然后根据一定的算法，从而判断该新增实体是否已经存在现有训练模型中，有效的解决了单纯使用名字匹配或者语义分析进行判断产生误判，漏判断，或者错判的情况，大大提高对新增实体判断的准确性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于训练模型识别典型图片对新增实体的验证方法及系统。

背景技术

图像识别技术是人工智能的一个重要领域，其原理是基于深度学习及大规模图像训练，通过提取大量图片的特征来训练模型，准确识别图片中的物体类别、置信度等综合信息，随着现在识别模型健全，新增种类也越来越多，怎么判断新增的事物是否在已经存在该模型中，以及判断的标准，对于模型增广和扩大有很重要的意义。

但是现有的典型判断新增实体是否存在现有模型中的方法主要是通过字符的匹配或者字符语义的分析，即新增实体的名字与现有模型中的label进行判断，会产生对应的true和false结果，虽然现有的新增实体的判断方法对于特征分明或者名字唯一的实体进行判断不存在问题，但是在实际生活中，不同的实体在不同的国家、区域有不同的名字，这时就会出现一个实体对应多个名字的情况，甚至同样名字对应不同的实体，这样对于新增实体的判断，就会出现偏差甚至是错误，所以对于一个实体对应多个名字，或者一个名字对应多个实体这种情况，仅仅通过关键字的判断或者语义判断的方式就不足以解决新增实体的验证。

公开号为CN 107688822A的专利公开了一种基于深度学习的新增类别识别方法，包括以下步骤：将预测样本输入到深度网络获得预测样本的输出向量；计算所述预测样本的输出向量，与训练样本中每种类别的代表向量之间的相似度值，从而识别所述预测样本的类别；其中，所述训练样本中每种类别的代表向量是通过将所述训练样本集输入到深度网络获得输出向量集，并根据所述训练样本的输出向量集计算得出的。该方法是通过将新增实体与训练样本中的每种类别进行相似度比较，从而来判断该新增实体是否在训练样本中，该方法通过计算相似度的方式实质就是通过语义判断的方式来验证新增实体，还是无法保证验证新增实体的准确性。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于训练模型识别典型图片对新增实体的验证方法及系统，判断该新增实体是否已经存在已有的模型，有效的解决了单纯使用名字匹配或者语义分析进行判断产生误判，漏判断，或者错判的情况。

为了实现以上目的，本发明采用以下技术方案：

一种基于训练模型识别典型图片对新增实体的验证方法，包括步骤：

S1.获取新增实体典型图片集；

S2.通过现有训练模型对所述新增实体典型图片集进行识别计算所述新增实体典型图片集中每一张典型图片的top1和top5的置信度；

S3.根据所述top1和top5的置信度结合预设的算法判断出所述新增实体是否已经存在于所述现有训练模型中。

进一步的，所述现有训练模型对当前种类的识别top1的置信度大于75％、top 5的置信度大于90％。

进一步的，所述预设的算法具体为：

A1.计算新增实体典型图片集中所有典型图片的top5的置信度之和M＝P1+P2+P3+…+Pn以及top1的置信度之和T_n＝P₁+P₂+P₃+…+P_n；