[发明专利]一种目标识别的方法、装置及电子设备

说明书

本发明提供一种目标识别的方法、装置及电子设备，用以提升目标识别的准确性。该方法包括：将训练图像输入待训练模型，确定所述训练图像中第一目标为可能类型的置信度；在第一目标的所述可能类型中，确定最大置信度为第一置信度，并标记第一置信度对应的可能类型为第一可能类型；以及确定仅低于第一置信度的置信度为第二置信度，并标记第二置信度对应的可能类型为第二可能类型；响应于所述第一可能类型与所述第一目标的第一预设类型标签一致，利用第一损失函数调整所述待训练模型中的参数，直到第一损失函数的值小于第一预设阈值，得到分类模型；将待检测图像输入分类模型，确定待检测图像中目标的目标类型。

技术领域

本申请涉及图像识别技术领域，尤其涉及一种目标识别的方法、装置及电子设备。

背景技术

目前，在图像识别领域中深度学习模型通过海量数据的学习、训练极大提高了分类、检测等任务的效果。但由于目标的姿态、成像的场景、视角、遮挡等因素，深度学习模型对于不同类别间的目标的区分性能并不理想。

以车辆类型的区分为例，车辆的类型可分为货车、客车、公交车、小轿车、三轮车等类型。对于一些业务场景，还需进行更为细致的划分，例如，将货车又进一步分为小货车、中货车、和大货车等。当在一大类目标中进行不同类型目标识别时，显然更容易收到光照、成像角度、成像距离等因素的影响，出现目标类型识别准确率下降的问题。因此，现有技术中目标识别的准确率有待于提升。

发明内容

本发明提供一种目标识别的方法、装置及电子设备，用以提升目标识别的准确性。

第一方面，本申请实施例提供一种目标识别的方法，包括：

将训练图像输入待训练模型，确定所述训练图像中第一目标为可能类型的置信度；其中，所述训练图像包括所述第一目标与第一预设类型标签的一一对应关系，所述第一预设类型标签用于指示第一预设类型；所述可能类型与所述置信度一一对应，所述第一目标至少对应于两个所述可能类型；

在所述第一目标的所述可能类型中，确定最大所述置信度标记为第一置信度，并标记所述第一置信度对应的所述可能类型为第一可能类型；以及确定仅低于所述第一置信度的所述置信度为第二置信度，并标记所述第二置信度对应的所述可能类型为第二可能类型；

响应于所述第一可能类型与所述第一目标的第一预设类型标签一致，利用第一损失函数调整所述待训练模型中的参数，使所述第一可能类型的属性元与所述第一预设类型的属性元之间的差距减小，且所述第一可能类型的属性元与第二可能类型的属性元之间的差距增加，直到所述第一损失函数的值小于第一预设阈值，得到分类模型；

将待检测图像输入所述分类模型，确定所述待检测图像中目标的目标类型。

本申请实施例通过在对待训练模型的训练过程中，利用第一损失函数不仅减小第一可能类型与第二可能类型之间的差距，同时还通过对置信度中较高的两种可能类型(即第一可能类型以及第二可能类型)的属性元在特征空间中进行距离惩罚，即增加第一可能类型的属性元与第二可能类型的属性元之间的差距，使得待训练模型经过训练可准确辨别第一可能类型与第二可能类型，即实现待训练模型可更为准确地辨别以及区分相似特征且不同类型的的目标，从而有效提升识别待检测图像中目标类型的准确性。

一种可能的实施方式，所述第一损失函数包括第一子损失函数和第二子损失函数；所述第二子损失函数与特征空间中所述第一可能类型的属性元及所述第二可能类型的属性元之间的距离呈负相关。