[发明专利]一种对象分类的方法与装置

权利要求书

1.一种对象分类的方法，其特征在于，所述方法包括：

将至少一个对象输入端模型，根据所述端模型对所述至少一个对象进行推理，获得端模型推理结果，所述端模型推理结果包括每个对象所属的分类或每个对象属于不同分类的概率；

确定所述端模型推理结果的置信度小于或等于阈值，将所述端模型输出的特征向量发送至云计算设备上运行的云模型；

确定所述端模型推理结果的置信度大于阈值，输出所述端模型推理结果。

2.根据权利要求1所述的方法，其特征在于，所述端模型包括：

重量级神经网络第1层至第n层、编码层、第一解码层和轻量级神经网络，其中，所述重量级神经网络相比所述轻量级神经网络占用内存大，或在相同条件下训练所述重量级神经网络所需的时间长于训练所述轻量级神经网络所需的时间，或所述重量级神经网络的结构中权重参数的个数多于所述轻量级神经网络的结构中权重参数的个数。

3.根据权利要求2所述的方法，其特征在于，所述方法包括：

所述编码层接收所述重量级神经网络第n层输出的特征向量，根据所述重量级神经网络第n层输出的特征向量输出所述编码层输出的特征向量，所述编码层的输出的特征向量的通道数目低于所述重量级神经网络第n层输出的特征向量的通道数目；

所述第一解码层接收所述编码层输出的特征向量，根据所述编码层输出的特征向量输出所述第一解码层输出的特征向量，所述第一编码层输出的特征向量的通道数目等于轻量级神经网络的输入层可输入的特征向量的通道数目。

4.根据权利要求1至3任一所述的方法，其特征在于，所述端模型输出的特征向量包括所述端模型的编码层输出的特征向量。

5.一种对象分类的方法，其特征在于，所述方法包括：

接收端计算设备发送的端模型输出的特征向量，其中，所述端模型输出的特征向量是由所述端模型根据接收到的至少一个对象获取的；

将所述端模型输出的特征向量输入云模型；

根据所述云模型对所述端计算设备发送的端模型输出的特征向量进行推理，获得云模型推理结果；

输出所述云模型推理结果，所述云模型推理结果包括每个对象所属的分类或每个对象属于不同分类的概率。

6.根据权利要求5所述的方法，其特征在于，所述云模型包括：

第二解码层和重量级神经网络的第n+1至第N层，所述重量级神经网络包括N层。

7.根据权利要求6所述的方法，其特征在于，所述方法包括:

所述第二解码层接收所述端计算设备发送的端模型输出的特征向量，根据所述端计算设备发送的端模型输出的特征向量输出所述第二解码层输出的特征向量，所述第二解码层输出的特征向量的通道数目等于端计算设备上端模型中重量级神经网络第n层输出的特征向量的通道数目。

8.一种训练端云结合对象分类模型的方法，其特征在于，所述方法包括：

构建端云结合对象分类模型，所述端云结合对象分类模型包括端模型和云模型；

根据至少一个训练对象训练所述端云结合对象分类模型；

存储训练完毕的所述云模型和所述端模型。

9.根据权利要求8所述的方法，其特征在于，所述构建端云结合对象分类模型包括：

确定重量级神经网络的拆分层为所述重量级神经网络的第n层；

获取编码层、第一解码层、第二解码层；

将重量级神经网络第1层至第n层、编码层、第一解码层和轻量级神经网络连接，构成所述端模型；

将所述第二解码层和所述重量级神经网络的第n+1层连接，构成所述云模型。

10.根据权利要求8或9所述的方法，其特征在于，所述训练所述端云结合对象分类模型包括：

输入所述至少一个训练对象至所述端云结合对象分类模型，直至整体损失函数输出值收敛，其中，所述整体损失函数输出值为端模型损失函数输出值与云模型损失函数输出值的加权平均值。