亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

目標(biāo)識別方法、目標(biāo)識別裝置、終端設(shè)備和目標(biāo)識別系統(tǒng)與流程

文檔序號:12837361閱讀:290來源:國知局
目標(biāo)識別方法、目標(biāo)識別裝置、終端設(shè)備和目標(biāo)識別系統(tǒng)與流程

本發(fā)明涉及目標(biāo)識別技術(shù),尤其涉及基于在線自動深度學(xué)習(xí)的目標(biāo)識別方法、目標(biāo)識別裝置、終端設(shè)備和目標(biāo)識別系統(tǒng)。



背景技術(shù):

目標(biāo)識別技術(shù)在視頻監(jiān)控、機器人、智能交通等領(lǐng)域都有廣泛的應(yīng)用前景。但是由于目標(biāo)識別需要涉及到大量數(shù)據(jù)的計算和分析,外加光視角等環(huán)境因素的干擾,傳統(tǒng)識別算法無法提取到圖像的優(yōu)選特征,導(dǎo)致識別率有限。

目標(biāo)識別的一種方法可采用傳統(tǒng)的離線學(xué)習(xí)方法。但是,在傳統(tǒng)的離線學(xué)習(xí)方法中,利用離線分類器訓(xùn)練的分類模型只適用于特定的環(huán)境中的特定目標(biāo)。當(dāng)視頻圖像中的目標(biāo)大小和環(huán)境等與訓(xùn)練樣本嚴(yán)重不一致時,無法進行精確的行為識別,可移植性不好。雖然通過大樣本訓(xùn)練分類器的方法在一定程度上可以彌補這一缺陷。然而,這類算法往往需要建立包括不同條件、不同場景的大樣本數(shù)據(jù)庫,同時需要對數(shù)據(jù)庫中的數(shù)據(jù)進行手工標(biāo)記,從而帶來了巨大的工作量和諸多不便。

目標(biāo)識別的另一種方法是采用現(xiàn)有的在線學(xué)習(xí)方法。相比于傳統(tǒng)的離線學(xué)習(xí)方法,現(xiàn)有的在線學(xué)習(xí)方法不僅能以模型更新的方式保證模型的正確性,還能節(jié)約大量的存儲空間。在線學(xué)習(xí)方法可以大大弱化學(xué)習(xí)過程中手工標(biāo)注這一繁瑣的步驟,通常不需要啟動數(shù)據(jù),或只需啟動少量數(shù)據(jù),即,只需手工標(biāo)注一個較小的樣本集來用于分類器的初始訓(xùn)練。然后,該分類器在執(zhí)行分類任務(wù)時,能夠不斷地獲得新樣本,從而持續(xù)的自我訓(xùn)練和改進,以提高分類精度。雖然可以采用現(xiàn)有的在線學(xué)習(xí)方法來解決部分問題,但是現(xiàn)有的在線學(xué)習(xí)方法需要對獲得的新樣本進行類別的自動標(biāo)注,否則無法實現(xiàn)識別系統(tǒng)的智能化,并且訓(xùn)練樣本標(biāo)注的正確與否決定了整個訓(xùn)練過程的有效性。因而,初始精度低的分類器極其不適用于響應(yīng)迅速且精度要求可靠的應(yīng)用。

在2015年7月1日公開的公告號為cn102915453b的中國專利中,提出了一種實時反饋更新的車輛識別方法,包括離線學(xué)習(xí)處理、實時識別處理和在線學(xué)習(xí)處理。首先,利用離線學(xué)習(xí)處理中得到的離線強分類器中對實時識別過程中采集到的第1~k幀圖片進行分類,得到識別結(jié)果。然后,在在線學(xué)習(xí)處理中,根據(jù)得到的識別結(jié)果截取樣本,利 用在線強分類器進行車輛識別,得到識別目標(biāo)。在線學(xué)習(xí)處理不斷對在線強分類器進行更新。但是,在該專利文獻中,離線學(xué)習(xí)依賴于特征提取和分類器選擇。特征選取需要針對不同應(yīng)用作專門設(shè)計,并且使用的分類器adaboost又依賴于弱分類器初始選擇。而且,在線學(xué)習(xí)的訓(xùn)練樣本僅來源于第1~k幀圖片,數(shù)據(jù)類型不能模擬更多的場景。



技術(shù)實現(xiàn)要素:

本發(fā)明針對現(xiàn)有技術(shù)中存在的不足之處,提出了基于在線自動深度學(xué)習(xí)的目標(biāo)識別方法、目標(biāo)識別裝置、終端設(shè)備和目標(biāo)識別系統(tǒng)。本發(fā)明的目標(biāo)識別方法、目標(biāo)識別裝置、終端設(shè)備和目標(biāo)識別系統(tǒng),實現(xiàn)了高準(zhǔn)確率的目標(biāo)識別。

根據(jù)本發(fā)明的一個方面,提供了一種目標(biāo)識別方法,所述目標(biāo)識別方法基于在線自動深度學(xué)習(xí),所述方法包括:

實時采集圖像數(shù)據(jù);

利用存儲的第一分類器,對采集到的圖像數(shù)據(jù)進行目標(biāo)識別,以生成帶有類別標(biāo)簽的圖像數(shù)據(jù),所述類別標(biāo)簽包含目標(biāo)類別以及目標(biāo)后驗概率;

在所述目標(biāo)后驗概率滿足預(yù)定存儲條件的情況下,按照所述目標(biāo)類別,將所述帶有類別標(biāo)簽的圖像數(shù)據(jù)存儲為訓(xùn)練樣本;以及

在預(yù)定啟動條件被滿足的情況下,啟動在線深度學(xué)習(xí)處理,所述在線深度學(xué)習(xí)處理包括基于所述存儲的第一分類器構(gòu)建網(wǎng)絡(luò)模型,并且將存儲的全部訓(xùn)練樣本輸入到構(gòu)建的網(wǎng)絡(luò)模型中進行深度學(xué)習(xí)處理,以獲得第三分類器,并且用獲得的所述第三分類器來更新所述存儲的第一分類器。

進一步地,所述存儲的第一分類器所采用的初始分類器是通過對類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本進行深度學(xué)習(xí)所獲得的離線深度學(xué)習(xí)分類器。

進一步地,所述目標(biāo)識別方法進一步包括:

定期將所述存儲的全部訓(xùn)練樣本經(jīng)由網(wǎng)絡(luò)傳輸給遠端服務(wù)器,以進行離線深度學(xué)習(xí)處理;以及

經(jīng)由所述網(wǎng)絡(luò)從所述遠端服務(wù)器接收由所述遠端服務(wù)器進行所述離線深度學(xué)習(xí)處理所獲得的第二分類器,并且在接收到所述第二分類器時,用接收到的所述第二分類器來更新所述存儲的第一分類器。

進一步地,在進行目標(biāo)識別之前,所述方法進一步包括對所述采集到的圖像數(shù)據(jù)進行圖像預(yù)處理,以提高圖像清晰度,并從所述采集到的圖像數(shù)據(jù)中提取出感興趣區(qū)域圖 像數(shù)據(jù);并且

在進行目標(biāo)識別時,對所述采集到的圖像數(shù)據(jù)中的所述感興趣區(qū)域圖像數(shù)據(jù)進行目標(biāo)識別。

進一步地,在進行深度學(xué)習(xí)之前,所述在線深度學(xué)習(xí)處理進一步包括對所述存儲的全部訓(xùn)練樣本進行圖像預(yù)處理,以提高圖像清晰度。

進一步地,當(dāng)屬于所述目標(biāo)類別的所述存儲的訓(xùn)練樣本的數(shù)量尚未達到預(yù)定數(shù)量時,所述預(yù)定存儲條件采用第一存儲條件,所述第一存儲條件為所述目標(biāo)后驗概率大于等于預(yù)定閾值;

當(dāng)屬于所述目標(biāo)類別的所述存儲的訓(xùn)練樣本的數(shù)量已經(jīng)達到所述預(yù)定數(shù)量時,所述預(yù)定存儲條件采用第二存儲條件,所述第二存儲條件為所述目標(biāo)后驗概率大于等于所述預(yù)定閾值,并且所述目標(biāo)后驗概率大于屬于所述目標(biāo)類別的所述存儲的訓(xùn)練樣本的最低目標(biāo)后驗概率;并且

當(dāng)所述目標(biāo)后驗概率滿足所述第二存儲條件時,所述目標(biāo)識別方法進一步包括,刪除最早存儲的屬于所述目標(biāo)類別的具有最低目標(biāo)后驗概率的訓(xùn)練樣本。

進一步地,所述預(yù)定啟動條件為使用所述目標(biāo)識別方法的設(shè)備處于空閑狀態(tài),并且每個目標(biāo)類別的所述存儲的訓(xùn)練樣本的數(shù)量均達到所述預(yù)定數(shù)量。

進一步地,所述預(yù)定數(shù)量為所述網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)個數(shù)的總數(shù)×10/要被訓(xùn)練的目標(biāo)類別的總數(shù)。

根據(jù)本發(fā)明的另一個方面,提供了一種目標(biāo)識別裝置,所述目標(biāo)識別裝置基于在線自動深度學(xué)習(xí),所述目標(biāo)識別裝置包括:實時檢測裝置、第一存儲裝置以及在線學(xué)習(xí)裝置,其中

所述實時檢測裝置包括:

圖像數(shù)據(jù)采集單元,所述圖像數(shù)據(jù)采集單元實時采集圖像數(shù)據(jù);

目標(biāo)識別單元,所述目標(biāo)識別單元利用存儲在所述第一存儲裝置中的第一分類器,對采集到的圖像數(shù)據(jù)進行目標(biāo)識別,以生成帶有類別標(biāo)簽的圖像數(shù)據(jù),所述類別標(biāo)簽包含目標(biāo)類別以及目標(biāo)后驗概率;

所述第一存儲裝置包括:

第一分類器存儲單元,所述第一分類器存儲單元存儲所述第一分類器;以及

第一訓(xùn)練樣本存儲單元,所述第一訓(xùn)練樣本存儲單元在所述目標(biāo)后驗概率滿足預(yù)定存儲條件的情況下,按照所述目標(biāo)類別,將所述帶有類別標(biāo)簽的圖像數(shù)據(jù)存儲為訓(xùn)練樣 本;

所述在線學(xué)習(xí)裝置包括:

在線學(xué)習(xí)啟動單元,所述在線學(xué)習(xí)啟動單元在預(yù)定啟動條件被滿足的情況下,啟動在線深度學(xué)習(xí)處理;以及

在線深度學(xué)習(xí)單元,當(dāng)所述在線學(xué)習(xí)啟動單元啟動所述在線深度學(xué)習(xí)處理時,所述在線深度學(xué)習(xí)單元基于存儲在所述第一分類器存儲單元中的所述第一分類器構(gòu)建網(wǎng)絡(luò)模型,并且將存儲在所述第一訓(xùn)練樣本存儲單元中的全部訓(xùn)練樣本輸入到構(gòu)建的網(wǎng)絡(luò)模型中進行深度學(xué)習(xí)處理,以獲得第三分類器,并且用獲得的所述第三分類器來更新存儲在所述第一分類器存儲單元中的所述第一分類器。

進一步地,存儲在所述第一分類器存儲單元中的所述第一分類器所采用的初始分類器是通過對類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本進行深度學(xué)習(xí)所獲得的離線深度學(xué)習(xí)分類器。

進一步地,所述目標(biāo)識別裝置進一步包括第一數(shù)據(jù)傳輸裝置,其中,

所述第一數(shù)據(jù)傳輸裝置定期將存儲在所述第一訓(xùn)練樣本存儲單元中的所述全部訓(xùn)練樣本經(jīng)由網(wǎng)絡(luò)傳輸給遠端服務(wù)器,以進行離線深度學(xué)習(xí)處理;以及

所述第一數(shù)據(jù)傳輸裝置經(jīng)由所述網(wǎng)絡(luò)從所述遠端服務(wù)器接收由所述遠端服務(wù)器進行所述離線深度學(xué)習(xí)處理所獲得的第二分類器,并且在接收到所述第二分類器時,用接收到的所述第二分類器來更新存儲在所述第一分類器存儲單元中的所述第一分類器。

進一步地,所述實時檢測裝置進一步包括第一圖像預(yù)處理單元,所述第一圖像預(yù)處理單元對所述采集到的圖像數(shù)據(jù)進行圖像預(yù)處理,以提高圖像清晰度,并從所述采集到的圖像數(shù)據(jù)中提取出感興趣區(qū)域圖像數(shù)據(jù);并且

所述目標(biāo)識別單元對所述采集到的圖像數(shù)據(jù)中的所述感興趣區(qū)域圖像數(shù)據(jù)進行目標(biāo)識別。

進一步地,所述在線學(xué)習(xí)裝置進一步包括第三圖像預(yù)處理單元,所述第三圖像預(yù)處理單元在所述在線深度學(xué)習(xí)單元進行深度學(xué)習(xí)處理之前,對存儲在所述第一訓(xùn)練樣本存儲單元中的全部訓(xùn)練樣本進行圖像預(yù)處理,以提高圖像清晰度。

進一步地,當(dāng)存儲在所述第一訓(xùn)練樣本存儲單元中的屬于所述目標(biāo)類別的訓(xùn)練樣本的數(shù)量尚未達到預(yù)定數(shù)量時,所述預(yù)定存儲條件采用第一存儲條件,所述第一存儲條件為所述目標(biāo)后驗概率大于等于預(yù)定閾值;

當(dāng)存儲在所述第一訓(xùn)練樣本存儲單元中的屬于所述目標(biāo)類別的訓(xùn)練樣本的數(shù)量已經(jīng) 達到所述預(yù)定數(shù)量時,所述預(yù)定存儲條件采用第二存儲條件,所述第二存儲條件為所述目標(biāo)后驗概率大于等于所述預(yù)定閾值,并且所述目標(biāo)后驗概率大于存儲在所述第一訓(xùn)練樣本存儲單元中的屬于所述目標(biāo)類別的訓(xùn)練樣本的最低目標(biāo)后驗概率;并且

當(dāng)所述目標(biāo)后驗概率滿足所述第二存儲條件時,所述第一訓(xùn)練樣本存儲單元刪除最早存儲到所述第一訓(xùn)練樣本存儲單元中的屬于所述目標(biāo)類別的具有最低目標(biāo)后驗概率的訓(xùn)練樣本。

進一步地,所述預(yù)定啟動條件為具有所述目標(biāo)識別裝置的設(shè)備處于空閑狀態(tài),并且存儲在所述第一訓(xùn)練樣本存儲單元中的每個目標(biāo)類別的訓(xùn)練樣本的數(shù)量均達到所述預(yù)定數(shù)量。

進一步地,所述預(yù)定數(shù)量為所述網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)個數(shù)的總數(shù)×10/要被訓(xùn)練的目標(biāo)類別的總數(shù)。

根據(jù)本發(fā)明的又一個方面,提供了一種終端裝置,所述終端裝置包括本發(fā)明的目標(biāo)識別裝置。

根據(jù)本發(fā)明的再一個方面,提供了一種目標(biāo)識別系統(tǒng),所述系統(tǒng)包括遠端服務(wù)器、以及經(jīng)由網(wǎng)絡(luò)與所述遠端服務(wù)器連接的多個本發(fā)明的終端裝置,其中,

每個所述終端裝置利用存儲在第一分類器存儲單元中的第一分類器對實時采集到的圖像數(shù)據(jù)進行目標(biāo)識別,將滿足預(yù)定存儲條件的圖像數(shù)據(jù)存儲為訓(xùn)練樣本,并且用通過對存儲在第一訓(xùn)練樣本存儲單元中的全部訓(xùn)練樣本進行深度學(xué)習(xí)處理所獲得的第三分類器或者用從所述遠端服務(wù)器接收到的第二分類器,來更新存儲在所述第一分類器存儲單元中的所述第一分類器;

每個所述終端裝置包括第一數(shù)據(jù)傳輸裝置,所述第一數(shù)據(jù)傳輸裝置定期經(jīng)由所述網(wǎng)絡(luò)將存儲的全部訓(xùn)練樣本傳輸給所述遠端服務(wù)器;

所述遠端服務(wù)器包括第二存儲裝置、離線學(xué)習(xí)裝置和第二數(shù)據(jù)傳輸裝置,其中,

所述第二存儲裝置包括存儲所述第二分類器的第二分類器存儲單元,以及存儲類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本和從所述多個終端裝置接收到的訓(xùn)練樣本的第二訓(xùn)練樣本存儲單元,

所述離線學(xué)習(xí)裝置包括離線深度學(xué)習(xí)單元,所述離線深度學(xué)習(xí)單元基于存儲在所述第二分類器存儲單元中的所述第二分類器構(gòu)建網(wǎng)絡(luò)模型,將存儲在所述第二訓(xùn)練樣本存儲單元中的全部訓(xùn)練樣本輸入到構(gòu)建的網(wǎng)絡(luò)模型中進行深度學(xué)習(xí)處理,以獲得新的第二分類器,并且用獲得的所述新的第二分類器來更新存儲在所述第二分類器存儲單元中的 所述第二分類器,以及

所述第二數(shù)據(jù)傳輸裝置經(jīng)由所述網(wǎng)絡(luò)將更新后的所述第二分類器傳輸給每個所述終端裝置。

進一步地,存儲在所述第一分類器存儲單元中的所述第一分類器與存儲在所述第二分類器存儲單元中的所述第二分類器采用同一個初始分類器,所述初始分類器是所述離線深度學(xué)習(xí)單元通過對類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本進行深度學(xué)習(xí)處理所獲得的離線深度學(xué)習(xí)分類器。

進一步地,所述離線學(xué)習(xí)裝置進一步包括第二圖像預(yù)處理單元,所述第二圖像預(yù)處理單元在所述離線深度學(xué)習(xí)單元進行深度學(xué)習(xí)處理之前,對存儲在所述第二訓(xùn)練樣本存儲單元中的全部訓(xùn)練樣本進行圖像預(yù)處理,以提高圖像清晰度。

通過采用本發(fā)明的目標(biāo)識別方法、目標(biāo)識別裝置、終端設(shè)備和目標(biāo)識別系統(tǒng),能夠隨著識別目標(biāo)的外觀變化及場景變化,充分利用實時采集到的圖像數(shù)據(jù),在通過目標(biāo)后驗概率確保訓(xùn)練樣本的可靠性的前提下進行在線學(xué)習(xí),從而實現(xiàn)高準(zhǔn)確率的目標(biāo)識別。此外,采用離線深度學(xué)習(xí)分類器作為初始分類器,對目標(biāo)進行識別,更進一步地保證了較高的識別準(zhǔn)確率。

附圖說明

圖1顯示根據(jù)本發(fā)明的實施例的目標(biāo)識別系統(tǒng)的配置結(jié)構(gòu)的示意圖;

圖2顯示現(xiàn)有的深度學(xué)習(xí)方法的流程圖;

圖3顯示根據(jù)本發(fā)明的實施例的目標(biāo)識別裝置的配置結(jié)構(gòu)的示意圖;以及

圖4顯示根據(jù)本發(fā)明的實施例的目標(biāo)識別方法的流程圖。

具體實施方式

下面將參考附圖描述根據(jù)本發(fā)明的各種實施例。

圖1顯示根據(jù)本發(fā)明的實施例的目標(biāo)識別系統(tǒng)1的配置的示意圖。

如圖1所示,目標(biāo)識別系統(tǒng)1包括遠端服務(wù)器10和多個終端裝置30。每個終端裝置30經(jīng)由網(wǎng)絡(luò)20與遠端服務(wù)器10連接,以便相互能夠進行數(shù)據(jù)交換。

每個終端裝置30包括目標(biāo)識別裝置300。每個終端裝置30的目標(biāo)識別裝置300利用存儲的第一分類器對實時采集到的圖像數(shù)據(jù)進行目標(biāo)識別,將滿足預(yù)定存儲條件的圖像數(shù)據(jù)存儲為訓(xùn)練樣本,并且用通過對存儲的全部訓(xùn)練樣本進行深度學(xué)習(xí)處理所獲得的第 三分類器或者用從遠端服務(wù)器10接收到的第二分類器,來更新存儲的第一分類器。

每個終端裝置30的目標(biāo)識別裝置300定期經(jīng)由網(wǎng)絡(luò)30將存儲的全部訓(xùn)練樣本傳輸給遠端服務(wù)器10。

目標(biāo)識別裝置300的具體配置結(jié)構(gòu)以及處理過程將稍后在下文中被詳細(xì)地說明。下面將結(jié)合圖1和圖2詳細(xì)描述根據(jù)本發(fā)明的實施例的遠端服務(wù)器10的具體配置結(jié)構(gòu)以及處理過程。

如圖1所示,遠端服務(wù)器10包括第二數(shù)據(jù)傳輸裝置110、第二存儲裝置120和離線學(xué)習(xí)裝置130。第二存儲裝置120包括第二分類器存儲單元121和第二訓(xùn)練樣本存儲單元122。離線學(xué)習(xí)裝置130包括第二圖像預(yù)處理單元131和離線深度學(xué)習(xí)單元132。

第二數(shù)據(jù)傳輸裝置110接收每個終端裝置30定期經(jīng)由網(wǎng)絡(luò)20傳輸來的訓(xùn)練樣本,并且將接收到的訓(xùn)練樣本存儲到第二訓(xùn)練樣本存儲單元122中。此外,在第二存儲裝置120的第二分類器存儲單元121中存儲的第二分類器被更新后,第二數(shù)據(jù)傳輸裝置110經(jīng)由網(wǎng)絡(luò)30將更新后的第二分類器傳輸給每個終端裝置30。

第二分類器存儲單元121用于存儲第二分類器。第二訓(xùn)練樣本存儲單元122用于按照類別存儲類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本和從多個終端裝置30接收到的類別標(biāo)簽由目標(biāo)識別裝置300的訓(xùn)練樣本。

第二圖像預(yù)處理單元131在離線深度學(xué)習(xí)單元132對存儲在第二訓(xùn)練樣本存儲單元122中的全部訓(xùn)練樣本進行深度學(xué)習(xí)之前,對存儲在第二訓(xùn)練樣本存儲單元122中的全部訓(xùn)練樣本進行圖像預(yù)處理,諸如進行降噪處理或者其他處理,以提高圖像清晰度。

離線深度學(xué)習(xí)單元132采用現(xiàn)有的深度學(xué)習(xí)方法,并且能夠進行兩種處理,一種處理是基于零的離線深度學(xué)習(xí)處理,以及另一種處理是基于在線學(xué)習(xí)反饋的離線深度學(xué)習(xí)處理。

下面將描述由離線深度學(xué)習(xí)單元132進行的基于零的離線深度學(xué)習(xí)處理。

當(dāng)目標(biāo)識別系統(tǒng)1處于初始狀態(tài)時,即,遠端服務(wù)器10還沒有接收到來自多個終端裝置30的訓(xùn)練樣本,并且存儲在遠端服務(wù)器10的第二訓(xùn)練樣本存儲單元122中的訓(xùn)練樣本均為類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本(在下文中,為了便于說明,將類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本簡稱為“全監(jiān)督訓(xùn)練樣本”)時,離線深度學(xué)習(xí)單元132對存儲在第二訓(xùn)練樣本存儲單元122中的全部的全監(jiān)督訓(xùn)練樣本進行基于零的離線深度學(xué)習(xí)處理,來獲得初始分類器,獲得的初始分類器為離線深度學(xué)習(xí)分類器。當(dāng)離線深度學(xué)習(xí)單元132通過進行基于零的離線深度學(xué)習(xí)處理獲得初始分類器時,離線深度學(xué)習(xí)單元132將獲得的初始分 類器存儲到第二分類器存儲單元121中,以作為第二分類器的初始分類器。然后,遠端服務(wù)器10的第二數(shù)據(jù)傳輸裝置110可以經(jīng)由網(wǎng)絡(luò)20將存儲在第二分類器存儲單元121中的第二分類器的初始分類器傳輸給每個終端裝置30,以使得每個終端裝置30與遠端服務(wù)器10具有同一個初始分類器。

下面將結(jié)合圖2中所顯示的現(xiàn)有的深度學(xué)習(xí)方法的流程圖,來描述離線深度學(xué)習(xí)單元132通過進行基于零的離線深度學(xué)習(xí)處理來獲得初始分類器的過程。

首先,如圖2所示,在步驟s201中,離線深度學(xué)習(xí)單元132通過將網(wǎng)絡(luò)模型的模型參數(shù)的參數(shù)值初始化為統(tǒng)一值來構(gòu)建網(wǎng)絡(luò)模型。網(wǎng)絡(luò)模型的模型參數(shù)包括網(wǎng)絡(luò)的層數(shù)、每層的節(jié)點數(shù)、節(jié)點與節(jié)點之間的權(quán)重值、以及響應(yīng)函數(shù)。在現(xiàn)有的深度學(xué)習(xí)方法中,隨著所采用的響應(yīng)函數(shù)的不同,能夠構(gòu)建不同的網(wǎng)絡(luò)模型。在下文中,將以卷積神經(jīng)網(wǎng)絡(luò)模型為例來進行相關(guān)的說明。

離線深度學(xué)習(xí)單元132所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型的各層包括輸入層、輸出層、以及在輸入層和輸出層之間的多層隱層。多層隱層包括濾波器組層、校正層、局部對比歸一化層、平均池化和子采樣層、以及最大池化和子采樣層。濾波器組層包括卷積濾波器、激活函數(shù)、以及可訓(xùn)練增益。激活函數(shù)采用非線性變換函數(shù)sigmoid。卷積濾波器采用核函數(shù)進行卷積濾波。校正層對濾波器組層的輸出結(jié)果進行簡單校正,采用的是取絕對值的操作。局部對比歸一化層對上層輸出結(jié)果取均值和方差歸一化,即圖像特征歸一化。平均池化和子采樣層使得提取的特征對微小形變具有魯棒性,采用的是對采樣窗口所有值取平均,得到的值被傳輸?shù)较乱徊蓸訉?。最大池化和子采樣層是實現(xiàn)提取到的特征對平移操作的不變性,采用的是對采樣窗口所有值取平均最大值,得到的值傳輸給下一采樣層。

接著,在步驟s202中,離線深度學(xué)習(xí)單元132將經(jīng)過第二圖像預(yù)處理單元131的預(yù)處理的全部的全監(jiān)督訓(xùn)練樣本中的一部分全監(jiān)督訓(xùn)練樣本按照類別輸入到已構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型中,通過對輸入的全監(jiān)督訓(xùn)練樣本進行深度學(xué)習(xí),利用反卷積的訓(xùn)練方法,對卷積神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)進行訓(xùn)練,以調(diào)整模型參數(shù)的參數(shù)值。訓(xùn)練過程包含前向訓(xùn)練和后向訓(xùn)練。前向訓(xùn)練過程為自下而上的非監(jiān)督學(xué)習(xí),即從底層開始,一層一層的往頂層訓(xùn)練。在前向訓(xùn)練過程中,在通過訓(xùn)練學(xué)習(xí)得到第n-1層的模型參數(shù)的參數(shù)值之后,將n-1層的輸出作為第n層的輸入,來訓(xùn)練第n層,由此分別得到各層的模型參數(shù)的參數(shù)值。后向訓(xùn)練過程為自上而下的監(jiān)督學(xué)習(xí),即訓(xùn)練誤差自頂向下傳輸,對模型參數(shù)的參數(shù)值進行微調(diào)。

然后,在步驟s203中,離線深度學(xué)習(xí)單元132將經(jīng)過第二圖像預(yù)處理單元131的預(yù)處理的全部的全監(jiān)督訓(xùn)練樣本中的另一部分全監(jiān)督訓(xùn)練樣本作為測試樣本按照類別輸入到模型參數(shù)已經(jīng)被訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)模型中,經(jīng)過多次卷積和次抽樣處理得到優(yōu)選特征。

然后,在步驟s204中,離線深度學(xué)習(xí)單元132根據(jù)優(yōu)選特征,統(tǒng)計出樣本屬性類別映射關(guān)系表,從而獲得包含樣本屬性類別映射關(guān)系表以及已經(jīng)被訓(xùn)練過的模型參數(shù)的參數(shù)值的離線深度學(xué)習(xí)分類器,該離線深度學(xué)習(xí)分類器為初始分類器。

下面將描述由離線深度學(xué)習(xí)單元132進行的基于在線學(xué)習(xí)反饋的離線深度學(xué)習(xí)處理。

當(dāng)目標(biāo)識別系統(tǒng)1處于非初始狀態(tài)時,即,遠端服務(wù)器10已經(jīng)接收到來自多個終端裝置30的訓(xùn)練樣本,并且存儲在遠端服務(wù)器10的第二訓(xùn)練樣本存儲單元122中的訓(xùn)練樣本包括類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本、以及從多個終端裝置30接收到的類別標(biāo)簽由目標(biāo)識別裝置300標(biāo)注的訓(xùn)練樣本(在下文中,為了便于說明,將既包括類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本,又包括從多個終端裝置30接收到的類別標(biāo)簽由目標(biāo)識別裝置300標(biāo)注的訓(xùn)練樣本的樣本集合簡稱為“半監(jiān)督訓(xùn)練樣本”)時,離線深度學(xué)習(xí)單元132基于存儲在第二分類器存儲單元121中的第二分類器,對存儲在第二訓(xùn)練樣本存儲單元122中的全部的半監(jiān)督訓(xùn)練樣本進行基于在線學(xué)習(xí)反饋的離線深度學(xué)習(xí)處理,來獲得新的第二分類器。當(dāng)離線深度學(xué)習(xí)單元132通過進行基于在線學(xué)習(xí)反饋的離線深度學(xué)習(xí)處理獲得新的第二分類器時,離線深度學(xué)習(xí)單元132將獲得的新的第二分類器存儲到第二分類器存儲單元121中,以便用獲得的新的第二分類器來更新存儲在第二分類器存儲單元121中的第二分類器。

離線深度學(xué)習(xí)單元132進行基于在線學(xué)習(xí)反饋的離線深度學(xué)習(xí)處理來獲得新的第二分類器的過程,與離線深度學(xué)習(xí)單元132進行基于零的離線深度學(xué)習(xí)處理來獲得初始分類器的過程大致相同,都是采用如圖2所示的現(xiàn)有的深度學(xué)習(xí)方法。區(qū)別僅在于,在進行基于在線學(xué)習(xí)反饋的離線深度學(xué)習(xí)處理時,離線深度學(xué)習(xí)單元132通過將網(wǎng)絡(luò)模型的模型參數(shù)的參數(shù)值初始化為存儲在第二分類器存儲單元121中的第二分類器所包含的模型參數(shù)的參數(shù)值,即上一次離線學(xué)習(xí)所獲得的模型參數(shù)的參數(shù)值,來構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型,并且輸入到構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練樣本為半監(jiān)督訓(xùn)練樣本。獲得的新的第二分類器包含樣本屬性類別映射關(guān)系表以及已經(jīng)被訓(xùn)練過的模型參數(shù)的參數(shù)值。為了簡化說明,這里省略了相同的描述。

下面將結(jié)合圖3和圖4來描述根據(jù)本發(fā)明的實施例的目標(biāo)識別裝置300的具體配置結(jié) 構(gòu)以及處理過程。圖3顯示根據(jù)本發(fā)明的實施例的目標(biāo)識別裝置300的配置結(jié)構(gòu)的示意圖。

如圖3所示,基于在線自動深度學(xué)習(xí)的目標(biāo)識別裝置300包括實時檢測裝置310、第一存儲裝置320、在線學(xué)習(xí)裝置330、以及第一數(shù)據(jù)傳輸裝置340。

實時檢測裝置310包括圖像數(shù)據(jù)采集單元311以及目標(biāo)識別單元313。另外,如圖3所示,實時檢測裝置310還可以進一步包括第一圖像預(yù)處理單元312。

第一存儲裝置320包括第一分類器存儲單元322以及第一訓(xùn)練樣本存儲單元321。

第一分類器存儲單元322用于存儲第一分類器,第一分類器包含樣本屬性類別映射關(guān)系表以及已經(jīng)被訓(xùn)練過的模型參數(shù)的參數(shù)值。存儲在第一分類器存儲單元322中的第一分類器所采用的初始分類器可以是預(yù)先存儲在第一分類器存儲單元322中的通過對類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本進行深度學(xué)習(xí)所獲得的離線深度學(xué)習(xí)分類器,或者也可以是由第一數(shù)據(jù)傳輸裝置340經(jīng)由網(wǎng)絡(luò)20從遠端服務(wù)器10接收到的初始分類器。

第一訓(xùn)練樣本存儲單元321用于按照類別存儲目標(biāo)后驗概率滿足預(yù)定存儲條件的訓(xùn)練樣本。

在線學(xué)習(xí)裝置330包括在線學(xué)習(xí)啟動單元331以及在線深度學(xué)習(xí)單元333。此外,如圖3所示,在線學(xué)習(xí)裝置330還可以包括第三圖像預(yù)處理單元332。

第一數(shù)據(jù)傳輸裝置340定期將存儲在第一訓(xùn)練樣本存儲單元321中的全部訓(xùn)練樣本經(jīng)由網(wǎng)絡(luò)20傳輸給遠端服務(wù)器30,以進行離線深度學(xué)習(xí)處理。而且,第一數(shù)據(jù)傳輸裝置340還經(jīng)由網(wǎng)絡(luò)20從遠端服務(wù)器10接收由遠端服務(wù)器10進行離線深度學(xué)習(xí)處理所獲得的第二分類器,并且在接收到第二分類器時,用接收到的第二分類器來更新存儲在第一分類器存儲單元中的第一分類器。

圖4顯示根據(jù)本發(fā)明的實施例的由目標(biāo)識別裝置300進行的目標(biāo)識別方法的流程圖。

如圖4所示,首先,在步驟s401中,圖像數(shù)據(jù)采集單元311實時采集圖像數(shù)據(jù)。圖像數(shù)據(jù)采集單元311包括光學(xué)系統(tǒng)和攝像頭。光學(xué)系統(tǒng)具有變倍功能、自動調(diào)焦功能等。攝像頭可以是采用彩色ccd(電荷耦合元件)的攝像機。

接著,在步驟s402中,目標(biāo)識別單元313利用存儲在第一存儲裝置322中的第一分類器,對采集到的圖像數(shù)據(jù)進行目標(biāo)識別,以生成帶有類別標(biāo)簽的圖像數(shù)據(jù)。類別標(biāo)簽包含目標(biāo)類別以及目標(biāo)后驗概率。

另外,在目標(biāo)識別單元313對采集到的圖像數(shù)據(jù)進行目標(biāo)識別之前,還可以利用第一圖像預(yù)處理單元312對圖像數(shù)據(jù)采集單元311采集到的圖像數(shù)據(jù)進行諸如降噪處理等的圖 像預(yù)處理,以提高圖像清晰度。

另外,為了使得目標(biāo)識別單元313能夠更準(zhǔn)確對采集到的圖像數(shù)據(jù)進行目標(biāo)識別,第一圖像預(yù)處理單元312還可以對圖像數(shù)據(jù)采集單元311采集到的圖像數(shù)據(jù)進行諸如運動檢測法(如光流法)、背景建立法(如高斯混合模型建立)、目標(biāo)物候選區(qū)域提取(如dpm變形零部件模型)等圖像預(yù)處理,以從采集到的圖像數(shù)據(jù)中提取出感興趣區(qū)域圖像數(shù)據(jù)。

此時,在步驟s402中,目標(biāo)識別單元313利用存儲在第一存儲裝置322中的第一分類器,對采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)進行目標(biāo)識別,以生成帶有類別標(biāo)簽的圖像數(shù)據(jù)。類別標(biāo)簽包含目標(biāo)類別以及目標(biāo)后驗概率。

目標(biāo)識別單元313根據(jù)第一分類器中包含的樣本屬性類別映射關(guān)系表,計算采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)分別對應(yīng)于各個類別的概率值,將具有最大概率值的類別確定為采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)類別,并且將該最大概率值作為采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率。

目標(biāo)識別單元313的識別結(jié)果,包括采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)類別以及目標(biāo)后驗概率,可以被輸出,以便用于其他應(yīng)用。例如,目標(biāo)識別單元313的識別結(jié)果可以作為跟蹤算法的輸入來進行目標(biāo)跟蹤。

接著,在步驟s403中,第一存儲裝置中的第一訓(xùn)練樣本存儲單元321判斷采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率是否滿足預(yù)定存儲條件。當(dāng)采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率滿足預(yù)定存儲條件時(步驟s403中的是),第一訓(xùn)練樣本存儲單元321在步驟s404中,按照目標(biāo)類別,將帶有類別標(biāo)簽的圖像數(shù)據(jù)存儲為訓(xùn)練樣本。當(dāng)采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率不滿足預(yù)定存儲條件時(步驟s403中的否),返回步驟s401。

可以根據(jù)需要來設(shè)定預(yù)定存儲條件。在本實施例中,基于確保存儲在第一訓(xùn)練樣本存儲單元中的訓(xùn)練樣本的可靠性的目的,來設(shè)定預(yù)定存儲條件。

當(dāng)存儲在第一訓(xùn)練樣本存儲單元321中的屬于采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)類別的訓(xùn)練樣本的數(shù)量尚未達到預(yù)定數(shù)量時,采用第一存儲條件作為預(yù)定存儲條件。第一存儲條件為采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率大于等于預(yù)定閾值。一般,預(yù)定閾值設(shè)定得 越高,存儲到第一訓(xùn)練樣本存儲單元321中的訓(xùn)練樣本的可靠性越高。預(yù)定數(shù)量可以被設(shè)定成將要在在線深度學(xué)習(xí)單元中構(gòu)建的網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)個數(shù)的總數(shù)×10/要被訓(xùn)練的目標(biāo)類別的總數(shù)。

當(dāng)存儲在第一訓(xùn)練樣本存儲單元321中的屬于采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)類別的訓(xùn)練樣本的數(shù)量已經(jīng)達到預(yù)定數(shù)量時,采用第二存儲條件作為預(yù)定存儲條件。第二存儲條件為采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率大于等于預(yù)定閾值,并且采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率大于存儲在第一訓(xùn)練樣本存儲單元321中的屬于采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)類別的訓(xùn)練樣本的最低目標(biāo)后驗概率。

當(dāng)采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)后驗概率滿足第二存儲條件時,第一訓(xùn)練樣本存儲單元321進一步刪除最早存儲到第一訓(xùn)練樣本存儲單元321中的屬于采集到的圖像數(shù)據(jù)或者采集到的圖像數(shù)據(jù)中的感興趣區(qū)域圖像數(shù)據(jù)的目標(biāo)類別的具有最低目標(biāo)后驗概率的訓(xùn)練樣本。

接著,在步驟s405中,在線學(xué)習(xí)啟動單元331判斷預(yù)定啟動條件是否被滿足。當(dāng)在線學(xué)習(xí)啟動單元331判斷預(yù)定啟動條件被滿足時(步驟s405中的是),在線學(xué)習(xí)啟動單元331在步驟s406中啟動在線深度學(xué)習(xí)處理,以獲得第三分類器。當(dāng)在線學(xué)習(xí)啟動單元331判斷預(yù)定啟動條件沒有被滿足時(步驟s405中的否),返回步驟s401。

在本實施例中,預(yù)定啟動條件被設(shè)定為具有目標(biāo)識別裝置300的終端設(shè)備30處于空閑狀態(tài),并且存儲在第一訓(xùn)練樣本存儲單元321中的每個目標(biāo)類別的訓(xùn)練樣本的數(shù)量均達到預(yù)定數(shù)量。

由于具有目標(biāo)識別裝置300的終端設(shè)備30可以被應(yīng)用于不同領(lǐng)域,因此,確定具有目標(biāo)識別裝置300的終端設(shè)備30的設(shè)備狀態(tài)的方法也不同。

舉例來說,當(dāng)具有目標(biāo)識別裝置300的終端設(shè)備30被應(yīng)用于自動駕駛/輔助駕駛時,即目標(biāo)識別裝置300被安裝在作為終端設(shè)備30的車輛中時,目標(biāo)識別裝置300可以通過識別終端設(shè)備30(車輛)當(dāng)前是否長時間停止運動(已熄火)來確定終端設(shè)備30(車輛)是否處于空閑狀態(tài)。即,目標(biāo)識別裝置300識別運動目標(biāo)所在場景是否發(fā)生變化,包括對圖像序列背景建模獲取相對于光照變化魯棒的背景模型與前一時刻獲得的背景模型進行比較來識別是否發(fā)生場景變化。所謂背景建模就是提取運動目標(biāo)圖像序列中每一幀無運動區(qū)域部分,對該部分進行混合高斯背景建模,求取圖像序列當(dāng)前幀的背景模型和 以前獲得背景模型差異值來判斷場景是否發(fā)生變化。如果目標(biāo)識別裝置300識別當(dāng)前終端設(shè)備30(車輛)已停止運行,背景場景未發(fā)生變化,則確定終端設(shè)備30(車輛)處于空閑狀態(tài)。

當(dāng)具有目標(biāo)識別裝置300的終端設(shè)備30被應(yīng)用于視頻監(jiān)控時,目標(biāo)識別裝置300可通過識別當(dāng)前是否存在運動物體來確定終端設(shè)備30是否處于空閑狀態(tài)。如果目標(biāo)識別裝置300識別當(dāng)前不存在運動物體時,則確定終端設(shè)備30處于空閑狀態(tài)。

對于某些其他應(yīng)用,目標(biāo)識別裝置300也可以通過識別當(dāng)前場景是否已經(jīng)開始紅外補光來確定終端設(shè)備30是否處于空閑狀態(tài)。如果目標(biāo)識別裝置300識別當(dāng)前已經(jīng)開始紅外補光,即當(dāng)前正處于晚間,無須進行實時識別,則確定終端設(shè)備30處于空閑狀態(tài)。

在步驟s406中,當(dāng)在線學(xué)習(xí)啟動單元331啟動在線深度學(xué)習(xí)處理時,第三圖像預(yù)處理單元332在在線深度學(xué)習(xí)單元333進行深度學(xué)習(xí)處理之前,對存儲在第一訓(xùn)練樣本存儲單元321中的全部訓(xùn)練樣本進行圖像預(yù)處理,以提高圖像清晰度。然后,在步驟s407中,在線深度學(xué)習(xí)單元333基于存儲在第一分類器存儲單元321中的第一分類器構(gòu)建網(wǎng)絡(luò)模型,并且將存儲在第一訓(xùn)練樣本存儲單元321中的全部訓(xùn)練樣本輸入到構(gòu)建的網(wǎng)絡(luò)模型中進行深度學(xué)習(xí)處理,以獲得第三分類器。

在線深度學(xué)習(xí)單元333類似于離線深度學(xué)習(xí)單元132,也是采用現(xiàn)有的深度學(xué)習(xí)方法,來進行基于在線學(xué)習(xí)反饋的在線深度學(xué)習(xí)處理,以獲得第三分類器。

在線深度學(xué)習(xí)單元333進行基于在線學(xué)習(xí)反饋的在線深度學(xué)習(xí)處理,與離線深度學(xué)習(xí)單元132進行基于在線學(xué)習(xí)反饋的離線深度學(xué)習(xí)處理來獲得新的第二分類器的過程大致相同,都是采用如圖2所示的現(xiàn)有的深度學(xué)習(xí)方法。區(qū)別僅在于,在進行基于在線學(xué)習(xí)反饋的在線深度學(xué)習(xí)處理時,在線深度學(xué)習(xí)單元333通過將網(wǎng)絡(luò)模型的模型參數(shù)的參數(shù)值初始化為存儲在第一分類器存儲單元322中的第一分類器所包含的模型參數(shù)的參數(shù)值,即上一次在線學(xué)習(xí)所獲得的模型參數(shù)的參數(shù)值,來構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型,并且輸入到構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練樣本為存儲在第一訓(xùn)練樣本存儲單元321中的類別標(biāo)簽由目標(biāo)識別單元313標(biāo)注的訓(xùn)練樣本(簡稱為“無監(jiān)督訓(xùn)練樣本”)。獲得的第三分類器包含樣本屬性類別映射關(guān)系表以及已經(jīng)被訓(xùn)練過的模型參數(shù)的參數(shù)值。

接著,在步驟s407中,在線深度學(xué)習(xí)單元333用獲得的第三分類器來更新存儲在第一分類器存儲單元中的第一分類器。

采用本發(fā)明的目標(biāo)識別裝置200進行目標(biāo)識別,解決了現(xiàn)有技術(shù)中需要采集大量樣本的問題,節(jié)省了大量資源和時間。本發(fā)明的目標(biāo)識別裝置200通過在線學(xué)習(xí),可以在目標(biāo) 識別過程中,不斷更新和調(diào)整用于目標(biāo)識別的分類器,逐步提高識別的正確率,很好地解決了目標(biāo)外觀變化、快速運動以及遮擋等問題。并且,本發(fā)明采用的深度學(xué)習(xí)網(wǎng)絡(luò)具有多個隱層,擁有比淺層網(wǎng)絡(luò)更加優(yōu)異的特征表達能力,對光線、視角不敏感,算法具有較好的識別效果及優(yōu)良的分類性能。

在本發(fā)明的目標(biāo)識別系統(tǒng)1中,采用了全監(jiān)督或半監(jiān)督的離線學(xué)習(xí)與無監(jiān)督的在線學(xué)習(xí)相結(jié)合的方案,適應(yīng)于各種場景、角度、光照、天氣的變化,解決了目標(biāo)多尺度變化和遮擋造成的目標(biāo)漂移丟失問題,保證了目標(biāo)分類的適應(yīng)性和可靠性。離線學(xué)習(xí)采用深度學(xué)習(xí)這種多層感知器,不需要特殊的特征提取算法,這部分由網(wǎng)絡(luò)自動完成。在線學(xué)習(xí)完全基于非監(jiān)督方式獲得分類器,而不需要通過用戶參與的監(jiān)督學(xué)習(xí)訓(xùn)練類別模型,從而提高了系統(tǒng)的自動化程度。并且,在線學(xué)習(xí)訓(xùn)練樣本選擇采用信任度高的帶類別標(biāo)簽樣本,有利于保證在線學(xué)習(xí)的精度。在線訓(xùn)練后學(xué)習(xí)完畢之后,選擇不丟棄信任度高的樣本,反饋給離線訓(xùn)練,有利于提高離線學(xué)習(xí)的精度。

本發(fā)明適用于自動駕駛/輔助駕駛中實時且高精度的障礙物識別以及視頻監(jiān)控中高精度目標(biāo)識別。

雖然經(jīng)過對本發(fā)明結(jié)合具體實施例進行描述,對于本領(lǐng)域的技術(shù)技術(shù)人員而言,根據(jù)上文的敘述后作出的許多替代、修改與變化將是顯而易見。因此,當(dāng)這樣的替代、修改和變化落入附后的權(quán)利要求的精神和范圍之內(nèi)時,應(yīng)該被包括在本發(fā)明中。

當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1