[发明专利]一种层次性分类方法及装置

权利要求书

1.一种层次性分类方法，其特征在于，所述方法包括：

神经网络接收输入的图像，并对所述图像进行识别处理以输出归一化得分；其中，所述神经网络预先已经完成训练，输出的所述归一化得分为对类别的预测概率；

查找所述归一化得分中的最大得分，并确定对应的类别；

判断所述最大得分是否大于阈值；

当所述最大得分大于所述阈值时，输出所述最大得分及对应的类别作为识别结果；当所述最大得分不大于所述阈值时，将所述得分分布转换为粗类得分分布，然后循环执行查找所述归一化得分中的最大得分，并确定对应的类别，以及判断所述最大得分是否大于阈值的步骤，直至确定所述最大得分大于所述阈值时停止循环，输出所述最大得分及对应的类别作为识别结果。

2.根据权利要求1所述的层次性分类方法，其特征在于，将所述得分分布转换为粗类得分分布，具体包括：

所述神经网络输入作为细分类的得分分布；

输入类别层次树；其中，所述类别层次树预先构建，用于存储细类到粗类的树形关系结构；

以当前输入的作为细分类的所述得分分布为子节点，查询所述类别层次树上所有父节点，以得到对应的粗类；

计算全部粗类的得分，并进行归一化处理；

以及输出粗类的得分分布。

3.根据权利要求2所述的层次性分类方法，其特征在于，计算全部粗类的得分，并进行归一化处理，具体为：

利用如下计算公式计算全部粗类的得分：

其中，m为细类数量，n为粗类数量，c为粗类编号；若c包含m_c为粗类c包含的细类数量，r_c为粗类c的平衡系数，P(c)为粗类c的得分，x为粗类c包含的细类编号，P(x)为细类得分；

对计算得到的粗类得分利用如下公式进行归一化处理。

4.根据权利要求2所述的层次性分类方法，其特征在于，构建所述类别层次树，具体包括：

选取部分数据集作为评估集，并输入所述评估集；

神经网络识别处理所述评估集以得到归一化的输出结果；

结合真实标签，统计神经网络的细分类结果，构建细类混淆矩阵；

将所述混淆矩阵中易混淆类别聚为一组，作为粗类；

对所述粗类命名、编号，以树形数据结构保存细类和粗类的关系；

判断保存所述粗类的节点是否到达树的根节点；若是，则保存并输出所述类别层次树；否则，计算所述粗类混淆矩阵，并从将所述混淆矩阵中易混淆类别聚为一组作为粗类的步骤开始循环，直至保存所述粗类的节点达到树的根节点时，停止循环，并输出所述类别层次树。

5.根据权利要求4所述的层次性分类方法，其特征在于，计算粗类混淆矩阵，具体为：

利用如下计算公式计算所述粗类混淆矩阵：

其中，m为细类数量，i、j为细类编号，x_ij为细类混淆矩阵X中第i行第j列的元素；n为粗类数量，u、v为粗类编号，c_uv为则粗类混淆矩阵C中的第u行第v列的元素，U、V分别为粗类u、v包含的细类编号的集合。

6.一种层次性分类装置，其特征在于，所述装置包括：

图像处理单元，用于接收输入的图像，并对所述图像进行识别处理以输出归一化得分；其中，所述输出的归一化得分为对类别的预测概率；

查找单元，用于查找所述归一化得分中的最大得分，并确定对应的类别；

判断单元，用于判断所述最大得分是否大于阈值；

识别结果输出单元，用于当所述最大得分大于所述阈值时，输出所述最大得分及对应的类别作为识别结果；

粗类转换单元，用于当所述最大得分不大于所述阈值时，将所述得分分布转换为粗类得分分布，并触发所述查找单元查找所述归一化得分中的最大得分以确定对应的类别，以及触发所述判断单元对所述最大得分是否大于阈值进行判断。