[发明专利]一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质

权利要求书

1.一种目标识别分类模型的训练方法，其特征在于，所述方法采用多个预先标注有类别信息的训练图像对目标识别分类模型进行联合训练，包括：

获取图像数据集，所述图像数据集为包括两个以上图像数据子集的联合数据集，其中，所述两个以上图像数据子集的标注类别不完全相同；

根据所述两个以上图像数据子集的标注类别，获取各图像数据子集的合并类别群组信息；

根据各图像数据子集的类别标签信息和合并类别群组信息，利用softmax群组交叉熵损失函数分别对各图像数据子集进行概率求和，得到目标识别分类的类别概率预测值；

Softmax交叉熵损失函数L表达为：其中，P_k为相应的M个类别中第k类的概率，p_i,k为某一个类别k对应的概率；

在需要时，将合并之后的类别定义为一个群组类别g，则此时的交叉熵损失函数可以引申为群组交叉熵损失函数，可以表示为：

其中，P_i,g为某一个类别g对应的概率，P_g为群组g的组合概率：

f为每一个类别的输出激活值，j代表遍历全集的每一个元素，k代表遍历子集g的每一个元素。

2.如权利要求1所述的目标识别分类模型的训练方法，其特征在于，

获取各图像数据子集的合并类别群组信息，包括，

获取图像数据集中所有标注类别的数量的并集，将其输出至各图像数据子集，将各图像数据子集的标注类别数量扩展至该并集的数量；

获取图像数据集中所有标注类别的种类的并集，将其输出至各图像数据子集，将各图像数据子集的标注类别种类扩展至该并集的标注种类；

获取原先不包含在各图像数据子集的标注类别种类，将其转换为背景类别。

3.如权利要求2所述的目标识别分类模型的训练方法，其特征在于，进一步包括：

将图像数据集获取的图像数据集中的图像，送入检测器算法模型进行训练；

将所述检测器算法模型的softmax交叉熵损失函数修改为softmax群组交叉熵损失函数；

训练修改的检测器算法，得到合并类别的检测器算法模型；

将待识别图像，输入合并类别的检测器算法模型，获取预测输出结果；

绘制并展示所述预测输出结果。

4.如权利要求1所述的目标识别分类模型的训练方法，其特征在于：图像数据子集的标注类别不完全相同是指各图像数据子集之间的标注类别没有交集或有部分交集。

5.如权利要求3所述的方法，其特征在于，进一步包括：将图像数据集中的图像，进行线性缩放至预设分辨率的图像，然后送入检测器算法模型进行训练。

6.如权利要求5所述的方法，其特征在于，所述预设分辨率包括：224×224、512×512、1020×2000。

7.如权利要求3所述的方法，其特征在于，进一步包括：检测器算法包括SSD检测算法，YOLO检测算法，Faster RCNN检测算法。

8.如权利要求3所述的方法，其特征在于，进一步包括：检测器算法包括SSD算法，修改SSD算法模型中用于检测输出预测类别概率的卷积层的卷积核数量，使其与合并类别的数量一致。

9.如权利要求8所述的方法，其特征在于，进一步包括：将得到所有的预测输出组合在一起，对组合结果进行非极大值抑制，把相近的预测矩形框进行融合，得到最终的预测输出效果。

10.如权利要求1所述的方法，其特征在于，网络采用的结构包括：VGG网络结构、GoogleNet网络结构、Resnet101网络结构。

11.一种物体识别方法，其特征在于，将待识别的图像作为目标识别模型的输入，所述目标识别模型预先采用如权利要求1-10任一项所述的方法进行训练。