[发明专利]一种层次性分类方法及装置

说明书

本发明专利公开了一种层次性分类方法及装置，该方法包括：神经网络接收输入的图像，并对图像进行自动识别处理以输出一种预警控制命令；接收到一种预警控制命令，自动化控制机构装置根据接收到的命令通过动力结构单元执行命令完成对应的自动避让操作动作，并将执行完成情况反馈给神经网络；神经网络再次接收新输入的图像，并重新对图像进行自动识别处理以输出一种正常工作命令；自动化控制机构装置在接收到正常工作命令后，启动操作机构执行正常工作命令；由此不断轮训直至整体工作完成为止。通过上述方式，本发明专利将替代目前通过人为肉眼判断、喊话再完成相应操作的工作，解决传统问题。

技术领域

本发明涉及神经网络学习技术领域，特别涉及一种层次性分类方法及装置。

背景技术

神经网络被广泛应用在图像识别领域。一般情况下，一个训练好的神经网络只能够对特定的几类事物进行分类，并且要求这几种类别之间独立不包含，如苹果和梨，且需要对所有类别的得分进行归一化 (所有数值在0～1之间且和为1)。我们可以把这些类别称为细类别，在这之上则是粗一级类别，例如苹果和梨都属于梨果类，再往上粗一级别还有水果类，依次类推。假如存在归一化的粗类输出得分，因为粗类囊括的类别范围更大，所以理论上目标的粗类得分应当比包含的细类得分高。

神经网络提取的图像特征只是物体的表面特征，例如形状、纹理、颜色，还不能完全理解事物间的本质区别，所以对外表相近的事物容易混淆，具体表现就是：相似物品的得分相近，同时得分也都比较低，不易区分。

一个用于多分类的图像识别系统的一般工作流程是：将待分类图像输入神经网络，得到归一化的数组，数组中每个地址位置对应一个类别，每个数值代表了这幅图像属于这个类别的得分或预测概率，然后在数组中查找最大的得分及其所属的类别，若这个最大得分大于某个阈值则将其得分值和类别输出，否则不输出。在一些开放的图像识别应用场景中，需要识别区分的种类非常多，例如冰箱内部物品识别、识别功能演示，这种场景经常遇到新的、未知的、模糊的或特征相似的物体类别，这会导致神经网络输出的最大得分仍然较小，那么上述用阈值作区分的办法就可能造成漏识别或错识别，准确率下降，影响用户体验。

发明内容

本发明主要解决的技术问题是提供一种层次性分类方法及装置，以解决现有技术中图像识别任务中当所有细类的得分较低时导致的错漏识别技术问题。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种层次性分类方法，所述方法包括：神经网络接收输入的图像，并对所述图像进行识别处理以输出归一化得分；其中，所述神经网络预先已经完成训练，输出的所述归一化得分为对类别的预测概率；查找所述归一化得分中的最大得分，并确定对应的类别；判断所述最大得分是否大于阈值；当所述最大得分大于所述阈值时，输出所述最大得分及对应的类别作为识别结果；当所述最大得分不大于所述阈值时，将所述得分分布转换为粗类得分分布，然后循环执行查找所述归一化得分中的最大得分，并确定对应的类别，以及判断所述最大得分是否大于阈值的步骤，直至确定所述最大得分大于所述阈值时停止循环，输出所述最大得分及对应的类别作为识别结果。

其中，将所述得分分布转换为粗类得分分布，具体包括：所述神经网络输入作为细分类的得分分布；输入类别层次树；其中，所述类别层次树预先构建，用于存储细类到粗类的树形关系结构；以当前输入的作为细分类的所述得分分布为子节点，查询所述类别层次树上所有父节点，以得到对应的粗类；计算全部粗类的得分，并进行归一化处理；以及输出粗类的得分分布。

其中，计算全部粗类的得分，并进行归一化处理，具体为：利用如下计算公式计算全部粗类的得分：

其中，m为细类数量，n为粗类数量，c为粗类编号；若c包含 m_c为粗类c包含的细类数量，r_c为粗类c的平衡系数，P(c)为粗类 c的得分，x为粗类c包含的细类编号，P(x)为细类得分；对计算得到的粗类得分利用如下公式进行归一化处理。