[发明专利]分类方法、分类模块及计算机程序产品

权利要求书

1.一种分类方法，其特征在于该分类方法包括：

提供一分类模块，该分类模块包括一深度神经网络；

取得一待分类数据；

该深度神经网络自动撷取该待分类数据的一特征反应；

判断该待分类数据的该特征反应是否落在多笔学习数据的一界线范围内，所述学习数据分属于多个类别；

若该待分类数据的该特征反应落在该界线范围内，该深度神经网络依据所述学习数据，判断该待分类数据所属的该类别。

2.如权利要求1所述的分类方法，其特征在于该分类方法还包括：

若该待分类数据的该特征反应未落在该界线范围内，对该分类数据进行分类。

3.如权利要求2所述的分类方法，其特征在于在对该待分类数据进行分类动作的步骤后，该分类方法还包括：

将该待分类数据增列成所述学习数据的一员。

4.如权利要求1所述的分类方法，其特征在于所述类别包括一瑕疵类；于判断该待分类数据所属的该类别的步骤中包括：

判断该待分类数据是否属于该瑕疵类；

该分类方法还包括：

若该待分类数据属于该瑕疵类，对该待分类数据进行再确认。

5.如权利要求4所述的分类方法，其特征在于该分类方法还包括：

若该待分类数据经再确认后确认属于该瑕疵类，将该待分类数据增列成所述学习数据的一员。

6.如权利要求4所述的分类方法，其特征在于该分类方法还包括：

若该待分类数据经再确认后确认不属于该瑕疵类，将该待分类数据增列成所述学习数据的一员。

7.如权利要求1所述的分类方法，其特征在于该待分类数据为影像。

8.如权利要求1所述的分类方法，其特征在于所述学习数据分属于一瑕疵类及一正常类，该瑕疵类的所述学习数据的笔数与该正常类的所述学习数据的笔数相等。

9.如权利要求1所述的分类方法，其特征在于在判断该待分类数据的该特征反应是否落在该界线范围内的步骤前，该分类方法还包括一学习过程，该学习过程包括：

取得多个该学习数据；

该深度神经网络学习所述学习数据个别的该特征反应；以及

决定所述学习数据的该界线范围。

10.一种分类模块，其特征在于该分类模块包括：

一深度神经网络，用以自动撷取一待分类数据的一特征反应；

一判断单元，用以判断该待分类数据的该特征反应是否落在多笔学习数据的一界线范围内，所述学习数据分属于多个类别；

其中，若该待分类数据的该特征反应落在该界线范围内，该深度神经网络依据所述学习数据，判断该待分类数据所属的该类别。

11.如权利要求10所述的分类模块，其特征在于该分类模块还包括：

一学习数据界线单元，用以将该待分类数据增列成所述学习数据的一员。

12.如权利要求10所述的分类模块，其特征在于所述类别包括一瑕疵类；该深度神经网络还用以判断该待分类数据是否属于该瑕疵类。

13.如权利要求10所述的分类模块，其特征在于该待分类数据为影像。

14.如权利要求10所述的分类模块，其特征在于所述学习数据分属于一瑕疵类及一正常类，该瑕疵类的所述学习数据的笔数与该正常类的所述学习数据的笔数相等。

15.如权利要求10所述的分类模块，其特征在于该深度神经网络还用以学习所述学习数据个别的所述特征反应；该分类模块还包括：

一学习数据界线单元，用以决定所述学习数据的该界线范围。

16.一种计算机程序产品，其特征在于经由一处理器加载该程序执行：

自动撷取一待分类数据的一特征反应；

判断该待分类数据的该特征反应是否落在多笔学习数据的一界线范围内，其中所述学习数据分属于多个类别；以及

若该待分类数据的该特征反应落在该界线范围内，依据所述学习数据判断该待分类数据所属的该类别。