【技术实现步骤摘要】
无种族偏见的识别人类的人工智能伦理方法和机器人
本专利技术涉及人工智能
，特别是涉及一种无种族偏见的识别人类的人工智能伦理方法和机器人。
技术介绍
在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：现有的人工智能伦理规则中对人类的识别是最基本的要求，非常重要，但现有算法对人类的识别存在算法偏见，例如对B种族人的识别率低于A种族人，甚至识别不出B种族人，现有技术中的解决方法是增加B种族人的样本量，但这往往也无法消除偏见。因此，现有技术还有待于改进和发展。
技术实现思路
基于此，有必要针对现有技术的缺陷或不足，提供无种族偏见的识别人类的人工智能伦理方法和机器人，以解决现有技术对肤色的偏见，来降低对B种族人等肤色的偏见，从而提高识别的准确率，降低由于偏见带来的人工智能伦理风险。第一方面，本专利技术实施例提供一种人工智能方法，所述方法包括：待识别场景获取步骤：获取待识别的事件场景，作为第一事件场景；换肤色步骤：将所述待识别的事件场景中的人类调整肤色后的事件场景...
【技术保护点】
1.一种人工智能方法，其特征在于，所述方法包括：/n待识别场景获取步骤：获取待识别的事件场景，作为第一事件场景；/n换肤色步骤：将所述待识别的事件场景中的人类调整肤色后的事件场景，作为第二事件场景；/n第一事件场景数据集获取步骤：获取事件场景数据集，所述数据集中的每一事件场景中若有人类，则将所述每一事件场景中的人类位置标记出来，若所述每一事件场景中没有人类，则将所述每一事件场景中的人类位置标记为空，将所述每一事件场景及其标记的集合作为第一事件场景数据集；/n第二事件场景数据集生成步骤：获取第一事件场景数据集的每一事件场景及其标记，将所述数据集中的每一事件场景中的人类调整肤色...
【技术特征摘要】
1.一种人工智能方法，其特征在于，所述方法包括：
待识别场景获取步骤：获取待识别的事件场景，作为第一事件场景；
换肤色步骤：将所述待识别的事件场景中的人类调整肤色后的事件场景，作为第二事件场景；
第一事件场景数据集获取步骤：获取事件场景数据集，所述数据集中的每一事件场景中若有人类，则将所述每一事件场景中的人类位置标记出来，若所述每一事件场景中没有人类，则将所述每一事件场景中的人类位置标记为空，将所述每一事件场景及其标记的集合作为第一事件场景数据集；
第二事件场景数据集生成步骤：获取第一事件场景数据集的每一事件场景及其标记，将所述数据集中的每一事件场景中的人类调整肤色，得到调整后的所述每一事件场景，将调整后的所述每一事件场景及其对应的所述标记的集合作为第二事件场景数据集；
第二事件场景训练步骤：获取所述第二事件场景数据集，将所述数据集中的事件场景作为深度学习模型的输入，将所述数据集中的事件场景中的人类的位置作为深度学习模型的预期输出，对深度学习模型进行训练，得到训练后的深度学习模型作为第二人类识别深度学习模型；
人类识别步骤：将所述第二事件场景输入所述第二人类识别深度学习模型，计算得到的输出作为所述第二事件场景中的人类的位置，若所述位置为空，则所述第一事件场景中不存在人类，若所述位置不为空，则将所述第二事件场景中的人类的位置作为所述第一事件场景中的人类的位置。
2.根据权利要求1所述的人工智能方法，其特征在于，
所述方法还包括：
肤色转换模型训练步骤：初始化生成模型GM、判别模型DM；获取所述第一事件场景数据集中的含有人类的事件场景数据子集，作为第一子集，将所述第一子集中的事件场景作为生成模型GM的输入，经过生成模型GM后输出的数据，作为FD；获取所述第一事件场景数据集中的含有A种族人的事件场景数据子集，作为第二子集，将所述第二子集中的事件场景作为RD；将（FD，0）、（RD，1），作为判别网络DM的输入，经过判别网络DM后输出值为一个0到1之间的数，用于表示输出为RD的概率；使用得到的概率值计算所述生成模型GM的损失函数和所述判别模型DM的损失函数；根据所述生成模型GM的损失函数，对所述生成模型GM进行修正；根据所述判别模型DM的损失函数，对所述判别模型DM进行修正；重复上述步骤，直至所述判别模型DM的输出接近1/2，将最新的所述生成模型GM作为肤色转换生成模型；
所述换肤色步骤具体包括：
将所述待识别的事件场景输入所述肤色转换生成模型，计算得到的输出作为将所述待识别的事件场景中的人类调整肤色后的事件场景，记为第二事件场景；
所述第二事件场景数据集生成具体包括：
获取第一事件场景数据集的每一事件场景及其标记，将所述数据集中的每一事件场景输入所述肤色转换生成模型，得到调整后的所述每一事件场景，将调整后的所述每一事件场景及其对应的所述标记的集合作为第二事件场景数据集。
3.根据权利要求1所述的人工智能方法，其特征在于，
所述方法还包括：
肤色转换训练步骤：获取训练数据集，将含人类的事件场景数据集作为深度学习模型的输入，将所述数据集中的事件场景中人类调为A种族人肤色后作为深度学习模型的预期输出，对深度学习模型进行训练，得到训练后的深度学习模型作为肤色转换深度学习模型；
所述换肤色步骤具体包括：
将所述待识别的事件场景输入所述肤色转换深度学习模型，计算得到的输出作为将所述待识别的事件场景中的人类调整肤色后的事件场景，记为第二事件场景；
所述第二事件场景数据集生成具体包括：
获取第一事件场景数据集的每一事件场景及其标记，将所述数据集中的每一事件场景输入所述肤色转换深度学习模型，得到调整后的所述每一事件场景，将调整后的所述每一事件场景及其对应的所述标记的集合作为第二事件场景数据集。
4.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：
第一事件场景训练步骤：获取第一事件场景数据集，将所述数据集中的事件场景作为深度学习模型的输入，将所述数据集中的事件场景中的人类的位置作为深度学习模型的预期输出，对深度学习模型进行训练，得到训练后的深度学习模型作为第一人类识别深度学习模型；
第一事件场景测试步骤：获取第一事件场景数据集，将所述数据集中的事件场景作为所述第一人类识别深度学习模型的输入，将所述数据集中的事件场景中的人类的位置作为所述第一人类识别深度学习模型的预期输出，对所述第一人类识别深度学习模型进行测试，统计预期输出与实际输出一致的次数为X1，统计预期输出与实际输出不一致的次数为X2，将X1/（X1+X2）作为第一人类识别深度学习模型的测试准确率P10；
第一各种族测试步骤：获取种族的数量M；获取第一事件场景数据集，将所述数据集中的含有第i种族人类的事件场景作为所述第一人类识别深度学习模型的输入，将所述事件场景...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。