基于融合的零样本物体种类识别方法、装置及设备制造方法及图纸

本发明专利技术实施例公开了一种基于融合的零样本物体种类识别方法、装置及设备，该方法包括：获取待识别对象的视觉向量；根据视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果；根据第一预测结果和对应的决策参数，以及第二预测结果确定待识别对象所属物体种类的识别结果，决策参数通过差分进化算法确定。解决了物体种类识别过程中，由于使用单一分类器所造成的结果不准确的问题，通过差分进化算法确定决策参数，然后通过决策参数对第一预测结果和第二预测结果进行决策融合，得到最终的待识别对象所属物体种类的识别结果。通过差分进化算法选择决策参数，使识别结果融合过程中可以得到最优结果，提高了物体种类识别的准确度。准确度。准确度。

【技术实现步骤摘要】
基于融合的零样本物体种类识别方法、装置及设备


[0001]本专利技术实施例涉及数据处理技术，尤其涉及基于融合的零样本物体种类识别方法、装置及设备。

技术介绍

[0002]随着计算机技术的发展，深度学习的应用越来越多。在物体种类识别的模型训练过程中，由于存在物体图像种类不齐全，即缺少某一种类物体的图像，所以出现了零样本学习这一技术。在通用零样本学习(generalized zero
‑
shot learning,GZSL)中，大家常常采用基于条件生成对抗网络(conditional generative adversarial nets,CGAN)来生成不可见类样例的视觉向量。
[0003]在通用零样本学习范式下，其需要学习样本x到其标签y的映射关系，其中y的标签空间包括可见类与不可见类。即：训练条件生成对抗网络(CGAN)时，训练样本中没有不可见类样例，只能依靠可见类的语义信息(用来描述一个类的属性向量，即条件生成对抗网络中的条件)和视觉向量(图片经特征抽取器进行变换所得的向量)训练一个可以根据语义信息就能生成视觉向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合的零样本物体种类识别方法，其特征在于，包括：获取待识别对象的视觉向量；根据所述视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果；根据所述第一预测结果和对应的决策参数，以及第二预测结果确定所述待识别对象所属物体种类的识别结果，所述决策参数通过差分进化算法确定。2.根据权利要求1所述的方法，其特征在于，根据所述视觉向量结合预确定的目标网络模型确定第一预测结果和第二预测结果，包括：根据所述视觉向量确定第一输入数据和第二输入数据；将所述第一输入数据输入至目标网络模型中的第一分类器，根据所述第一分类器的输出结果确定第一预测结果；将所述第二输入数据输入至目标网络模型中的第二分类器，根据所述第二分类器的输出结果确定第二预测结果。3.根据权利要求2所述的方法，其特征在于，根据所述视觉向量确定第一输入数据和第二输入数据，包括：将所述视觉向量输入至预确定的目标回归器，获得对应的预测语义向量；将所述预测语义向量与所述视觉向量进行维度拼接，得到拼接向量；将所述预测语义向量确定为第一输入数据，将所述拼接向量作为第二输入数据。4.根据权利要求1所述的方法，其特征在于，根据所述第一预测结果和对应的决策参数，以及第二预测结果确定所述待识别对象所属物体种类的识别结果，包括：将所述第一预测结果与所述决策参数相乘，得到决策结果；确定所述决策结果与第二预测结果之和中设定数量的维度值所对应的类别，并确定各所述维度值中的最大维度值；将所述最大维度值所对应的类别确定为待识别对象所属物体种类的识别结果。5.根据权利要求1所述的方法，其特征在于，通过差分进化算法确定决策参数的步骤包括：获取包括第一预设数量的初始参数的初始参数集，并将所述初始参数集作为当前参数集；根据所述当前参数集中的各所述当前参数结合所述目标网络模型根据训练样本集所输出的第一训练结果和第二训练结果确定当前调和平均数；判断所述当前调和平均数是否满足预设的终止条件，若是，将所述当前参数集中的最优参数确定为决策参数；否则，从所述当前参数集中选择第二预设数量的当前参数进行变异，形成进化参数；通过对所述进化参数进行交叉选择，形成进化参数集，并将所述进化参数集作为新的当前参数集，返回执行确定当前调和平均数的操作。6.根据权利要求5所述的方法，其特征在...

【专利技术属性】
技术研发人员：谢中武，王熙照，张天伦，罗宇轩，王冉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：