一种层次性分类方法及装置制造方法及图纸

本发明专利技术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，并对图像进行识别处理以输出归一化得分；查找归一化得分中的最大得分，并确定对应的类别；判断最大得分是否大于阈值；当最大得分大于阈值时，输出最大得分及对应的类别作为识别结果；当最大得分不大于阈值时，将得分分布转换为粗类得分分布，然后循环执行查找归一化得分中的最大得分，并确定对应的类别，以及判断最大得分是否大于阈值的步骤，直至确定最大得分大于阈值时停止循环，输出最大得分及对应的类别作为识别结果。通过上述方式，本发明专利技术由细到粗的层次性分类，以解决现有的图像识别任务中当所有细类的得分都较低时导致的错漏识别问题。

【技术实现步骤摘要】
一种层次性分类方法及装置
本专利技术涉及神经网络学习
，特别涉及一种层次性分类方法及装置。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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mc为粗类c包含的细类数量，rc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。其中，构建所述类别层次树，具体包括：选取部分数据集作为评估集，并输入所述评估集；神经网络识别处理所述评估集以得到归一化的输出结果；结合真实标签，统计神经网络的细分类结果，构建细类混淆矩阵；将所述混淆矩阵中易混淆类别聚为一组，作为粗类；对所述粗类命名、编号，以树形数据结构保存细类和粗类的关系；判断保存所述粗类的节点是否到达树的根节点；若是，则保存并输出所述类别层次树；否则，计算所述粗类混淆矩阵，并从将所述混淆矩阵中易混淆类别聚为一组作为粗类的步骤开始循环，直至保存所述粗类的节点达到树的根节点时，停止循环，并输出所述类别层次树。其中，计算粗类混淆矩阵，具体为：利用如下计算公式计算所述粗类混淆矩阵：其中，m为细类数量，i、j为细类编号，xij为细类混淆矩阵X中第i行第j列的元素；n为粗类数量，u、v为粗类编号，cuv为则粗类混淆矩阵C中的第u行第v列的元素，U、V分别为粗类u、v包含的细类编号的集合。为解决上述技术问题，本专利技术采用的另一个技术方案是：提供一种层次性分类装置，所述装置包括：图像处理单元，用于接收输入的图像，并对所述图像进行识别处理以输出归一化得分；其中，所述输出的归一化得分为对类别的预测概率；查找单元，用于查找所述归一化得分中的最大得分，并确定对应的类别；判断单元，用于判断所述最大得分是否大于阈值；识别结果输出单元，用于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；粗类转换单元，用于当所述最大得分大于所述阈值时，将所述得分分布转换为粗类得分分布，并触发所述查找单元查找所述归一化得分中的最大得分以确定对应的类别，以及触发所述判断单元对所述最大得分是否大于阈值进行判断。其中，所述粗类转换单元具体用于：以当前输入的作为细分类的所述得分分布为子节点，查询类别层次树上所有父节点，以得到对应的粗类；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；计算全部粗类的得分，并进行归一化处理以得到所述粗类的得分分布。其中，所述粗类转换单元具体用于：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mc为粗类c包含的细类数量，rc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。其中，还包括类别层次树构建单元，用于：选取部分数据集作为评估集，并输入所述评估集；识别处理所述评估集以得到归一化的输出结果；结合真实标签，统计神经网络的细分类结果，构建细类混淆矩阵；将所述混淆矩阵中易混淆类别聚为一组，作为粗类；对所述粗类命名、编号，以树形数据结构保存细类和粗类的关系；判断保存所述粗类的节点是否到达树的根节点；若是，则保存并输出所述类别层次树；否则，计算所述粗类混淆矩阵，并从将所述混淆矩阵中易混淆类别聚为一组作为粗类的步骤开始循环，直至保存所述粗类的节点达到树的根节点时，停止循环，并输出所述类别层次树。其中，所述类别层次树构建单元具体用于利用如下计算公式计算所述粗类混淆矩阵：其中，m为细类数量，i、j为细类编号，xij为细类混淆矩阵X中第i行第j列的元素；n为粗类数量，u、v为粗类编号，cuv为则粗类混淆矩阵C中的第u行第v列的元素，U、V分别为粗类u、v包含的细类编号的集合。以上方案中，通过本专利技术中的层次性分类方法及装置，当所有细类的得分都较低时转换为粗类识别结果，因为粗类的得分一般大于细类得分，所以在用阈值筛选的时候能够保留更多结果且每个结果的可信度更高，从而减少错漏识别、提高准确率。附图说明图1是本专利技术实施方式中的一种层次性分类方法的流程示意图；图2是图1所示的得分分布作为细类得分分布转换为粗类得分分布方法的流程示意图；图3是本专利技术实施方式中的构建类别层次树方法的流程示意图；图4是本专利技术第一实施方式中的一种层次性分类装置的结构示意图；图5是本专利技术第二实施方式中的一种层次性分类装置的结构示意图。具体实本文档来自技高网...

【技术保护点】
1.一种层次性分类方法，其特征在于，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。

【技术特征摘要】
1.一种层次性分类方法，其特征在于，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。2.根据权利要求1所述的层次性分类方法，其特征在于，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。3.根据权利要求2所述的层次性分类方法，其特征在于，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mc为粗类c包含的细类数量，rc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。4.根据权利要求2所述的层次性分类方法，其特征在于，构建所述类别层次树，具体包括：选取部分数据集作为评估集，并输入所述评估集；神经网络识别处理所述评估集以得到归一化的输出结果；结合真实标签，统计神经网络的细分类结果，构建细类混淆矩阵；将所述混淆矩阵中易混淆类别聚为一组，作为粗类；对所述粗类命名、编号，以树形数据结构保存细类和粗类的关系；判断保存所述粗类的节点是否到达树的根节点；若是，则保存并输出所述类别层次树；否则，计算所述粗类混淆矩阵，并从将所述混淆矩阵中易混淆类别聚为一组作为粗类的步骤开始循环，直至保存所述粗类的节点达到树的根节点时，停止循环，并输出所述类别层次树。5.根据权利要求4所述的层次性分类方法，其特征在于，计算粗类混淆矩阵，具体为：利用如下计算公式计算所述粗类混淆矩阵：其中，m为细类数量，i、j为细类编号，xij为细类混淆矩阵X中第i行第j列的元素；n为粗类数量，u、v为粗类编号，cuv为则粗类混淆矩阵C中的第u行...

【专利技术属性】
技术研发人员：钟华堡，张帆，夏远祥，
申请(专利权)人：厦门华联电子股份有限公司，
类型：发明
国别省市：福建,35