[发明专利]分类模型构建方法、分类模型及物体识别方法

说明书

本发明实施例涉及深度学习技术领域，公开了一种分类模型构建方法，包括：获取N个类别的已知图像中每个类别的特征向量；根据特征向量将N个类别进行聚类形成多层分类层级树；将多层分类层级树的内节点作为分类模型的节点，对每个节点训练得到分类模型。本发明中实施方式提供的分类模型构建方法、分类模型及物体识别方法，使得构建的分类模型具有多个层级，分类性能较高。

技术领域

本发明实施例涉及深度学习技术领域，特别涉及一种分类模型构建方法、分类模型及物体识别方法。

背景技术

近年来，基于深度学习的分类方法相较于传统的分类方法，在分类效果上具有显著的突破，且分类准确度较高，随着ResNet，DenseNet等深度学习网络不断地被提出，基于深度学习的分类方法逐渐成为分类应用的主要潮流。

然而，发明人发现现有技术中至少存在如下问题：现有在训练分类模型时，通常将所有类别放置于同一层级来训练分类模型，得到的分类模型只有一个层级，分类性能不高。

发明内容

本发明实施方式的目的在于提供一种分类模型构建方法、分类模型及物体识别方法，使得构建的分类模型具有多个层级，分类性能较高。

为解决上述技术问题，本发明的实施方式提供了一种分类模型构建方法，包括：获取N 个类别的已知图像中每个类别的特征向量；根据特征向量将N个类别进行聚类形成多层分类层级树；将多层分类层级树的内节点作为分类模型的节点，对每个节点训练得到分类模型。

本发明的实施方式还提供了一种分类模型，分类模型利用上述的分类模型构建方法构建得到。

本发明的实施方式还提供了一种物体识别方法，包括：将待识别物体的图像输入上述的分类模型得到识别结果和识别结果的置信度。

本发明实施方式相对于现有技术而言，提供了一种分类模型构建方法，包括：获取N个类别的已知图像中每个类别的特征向量；根据特征向量将N个类别进行聚类形成多层分类层级树；将多层分类层级树的内节点作为分类模型的节点，对每个节点训练得到分类模型。本实施方式中对N个类别采用聚类方法形成多层分类层级树，使得同一层级的不同类别之间的相似度相对更加均匀，训练出的分类器性能更好，从而得到具有多层分类层级树的高性能的分类模型。

另外，根据特征向量将N个类别进行聚类形成多层分类层级树，具体包括：判断是否存在已划分好的层级树；若不存在已划分好的层级树，则根据特征向量对N个类别进行聚类层级划分得到多层分类层级树。

另外，根据特征向量将N个类别进行聚类层级划分得到多层分类层级树，具体包括：S11：从N个类别中选择一个类别；S12：计算选择的类别与其他所有类别之间的距离；S13：依据得到的距离求取距离阈值及聚类终止阈值；S14：判断距离阈值是否小于聚类终止阈值；S15：若距离阈值小于聚类终止阈值，则求取N个类别中所有类别两两之间的距离；S16：将小于或等于距离阈值的类别合并为一新类；S17：将新类与其他大于距离阈值的类别归为同一层级； S18：从新类以及其他大于距离阈值的类别中选取一个类别；S19：重新执行步骤S12至步骤 S18，直至距离阈值大于聚类终止阈值。该方案中给出了一种直接对N个类别聚类的具体实现方式。

另外，步骤S13具体包括：依据得到的距离绘制曲线，并利用多项式方程拟合曲线的拐点；曲线的拐点处的值作为距离阈值；求取距离的平均值以及标准差；依据平均值和标准差求取聚类终止阈值。该方案中给出了距离阈值以及聚类终止阈值的具体求取方法。

另外，在判断是否存在已划分好的层级树之后，还包括：若存在已划分好的层级树，则根据特征向量将N个类别与已划分好的层级树进行整合得到多层分类层级树。