[发明专利]假阳性识别模型的训练方法、目标识别方法及装置

说明书

本发明涉及图像处理技术领域，具体涉及假阳性识别模型的训练方法、目标识别方法及装置，所述训练方法包括获取目标识别模型以及获取至少一个扰动目标识别模型，所述扰动目标识别模型是通过对所述目标识别模型中预设卷积层的输出特征信息进行随机扰动处理后训练得到的；基于各个扰动目标识别模型对目标图像的第一识别结果以及目标识别模型对目标图像的第二识别结果的关系，确定第一不确定度特征向量；根据第一不确定度特征向量以及目标图像的标签，对假阳性识别模型进行训练，确定目标假阳性识别模型。利用不确定度特征向量对假阳性识别模型进行训练，后续利用该假阳性识别模型对识别结果进行筛选，可以提高识别结果的准确性。

技术领域

本发明涉及图像处理技术领域，具体涉及假阳性识别模型的训练方法、目标识别方法及装置。

背景技术

卷积神经网络(CNN)是应用于图像处理领域最广泛的深度学习方法，通过向CNN中输入一张图片，接着将它传递到CNN中的多个卷积层和池化层中，从而能够实现图像特征的自动提取，逐层、自动地学习目标的特征表示，实现对物体层次化的抽象和描述，从而用于目标识别。其中，目标识别在各领域均有广泛的应用，例如在无人驾驶和医学影像分割等方面。

不论采用何种方法进行目标识别模型的构件，它们均需要依赖卷积层进行特征提取，而特征提取的结果直接会影响到目标识别的结果。对于一些识别正确的目标，特征提取的误差对识别结果的影响不大；而对于一些识别错误(即假阳性)的目标，在有特征提取误差的情况下目标识别结果会不稳定，主要体现为概率值有较大波动，从而会影响目标识别的准确率。

发明内容

有鉴于此，本发明实施例提供了一种假阳性识别模型的训练方法、目标识别方法及装置，以解决目标识别准确率偏低的问题。

根据第一方面，本发明实施例提供了一种假阳性识别模型的训练方法，所述训练方法包括：

获取目标识别模型以及获取至少一个扰动目标识别模型，所述扰动目标识别模型是通过对所述目标识别模型中预设卷积层的输出特征信息进行随机扰动处理后训练得到的；

基于各个所述扰动目标识别模型对目标图像的第一识别结果以及所述目标识别模型对所述目标图像的第二识别结果的关系，确定第一不确定度特征向量；

根据所述第一不确定度特征向量以及所述目标图像的标签，对所述假阳性识别模型进行训练，确定目标假阳性识别模型。

本发明实施例提供的假阳性识别模型的训练方法，在不改变目标识别模型结构的基础上，对卷积后生成的输出特征信息进行随机扰动处理，得到随机扰动条件下的第一识别结果，基于该第一识别结果就可以量化评价识别结果的不确定度特征向量，再利用不确定度特征向量对假阳性识别模型进行训练，可以得到识别较为准确的假阳性识别模型，后续利用该假阳性识别模型对识别结果进行筛选，可以提高识别结果的准确性。

结合第一方面，在第一方面第一实施方式中，所述获取至少一个扰动目标识别模型，包括：

将样本图像输入所述目标识别模型，提取所述目标识别模型中预设卷积层的输出特征信息；

随机选取多个扰动坐标点；

利用所述扰动坐标点，对所述输出特征信息中对应于所述扰动坐标点的像素值进行处理，得到扰动特征图；

基于所述扰动特征图对所述目标识别模型进行训练，得到所述扰动目标识别模型。

本发明实施例提供的假阳性识别模型的训练方法，通过随机选取扰动坐标点的方式对输出特征信息进行扰动处理，一方面能够保证扰动的随机性，另一方面处理方式简单，提高了假阳性识别模型的训练效率。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述利用所述扰动坐标点，对所述输出特征信息中对应于所述扰动坐标点的像素值进行处理，得到扰动特征图，包括：