[发明专利]图像物体识别方法、装置、计算机设备及存储介质在审

专利信息
申请号: 202010198070.8 申请日: 2020-03-19
公开(公告)号: CN111652262A 公开(公告)日: 2020-09-11
发明(设计)人: 王国彬;胡鹏;侯兴兴 申请(专利权)人: 深圳市彬讯科技有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04
代理公司: 深圳众鼎专利商标代理事务所(普通合伙) 44325 代理人: 谭果林
地址: 518000 广东省深圳市南山区高*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 图像 物体 识别 方法 装置 计算机 设备 存储 介质
【权利要求书】:

1.一种图像物体识别方法,其特征在于,所述图像物体识别方法包括:

搭建卷积神经网络,将待识别图像输入所述卷积神经网络获取m幅卷积特征图,其中m大于1;

将每幅卷积特征图压缩成n维向量以获取m个n维向量,将所述m个n维向量一维化并通过全连接层进行学习以获取图像表征;

对所述图像表征进行分类并输出所述待识别图像的分类概率。

2.如权利要求1所述的图像物体识别方法,其特征在于,所述“搭建卷积神经网络,将待识别图像输入所述卷积神经网络获取m幅卷积特征图”包括:

搭建具有5个卷积层的vgg16模型,将待识别图像输入所述vgg16模型中获取m幅卷积特征图。

3.如权利要求2所述的图像物体识别方法,其特征在于,所述“将待识别图像输入所述vgg16模型中获取m幅卷积特征图”包括:

将待识别图像输入所述vgg16模型中获取512幅7×7的卷积特征图。

4.如权利要求3所述的图像物体识别方法,其特征在于,所述“将每幅卷积特征图压缩成n维向量以获取m个n维向量,将所述m个n维向量一维化并通过全连接层进行学习以获取图像表征”包括:

将每幅卷积特征图压缩成49维向量以获取512个49维向量,将所述512个49维向量一维化得到1×25088个向量,将所述1×25088个向量通过全连接层进行学习以获取图像表征。

5.如权利要求1所述的图像物体识别方法,其特征在于,所述“对所述图像表征进行分类并输出所述待识别图像的分类概率”,包括:

通过分类器对所述图像表征进行分类,获取出现最大概率值对应的标签作为所述待识别图像的输出标签。

6.一种图像物体识别装置,其特征在于,所述图像物体识别装置包括:

特征图获取模块,用于搭建卷积神经网络,将待识别图像输入所述卷积神经网络获取m幅卷积特征图,其中m大于1;

图像表征输出模块,用于将每幅卷积特征图压缩成n维向量以获取m个n维向量,将所述m个n维向量一维化并通过全连接层进行学习以获取图像表征;

分类模块,用于对所述图像表征进行分类并输出待识别图像的分类概率。

7.如权利要求6所述的图像物体识别装置,其特征在于,所述特征图获取模块具体用于搭建具有5个卷积层的vgg16模型,将待识别图像输入所述vgg16模型中获取m幅卷积特征图。

8.如权利要求6所述的图像物体识别装置,其特征在于,所述图像表征输出模块具体用于将每幅卷积特征图压缩成49维向量以获取512个49维向量,将所述512个49维向量一维化得到1×25088个向量,将所述1×25088个向量通过全连接层进行学习以获取图像表征。

9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。

10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳市彬讯科技有限公司,未经深圳市彬讯科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010198070.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top