垃圾分类模型建模方法、垃圾分类方法、装置及介质制造方法及图纸

本发明专利技术涉及一种垃圾分类模型建模方法、垃圾分类方法、装置及介质。基于自编码器重构误差与置信度概念，首先在只包含ID(In Distribution)样本的垃圾分类数据集上训练模型的主干网络及其串联的全连接网络，然后固定主干网络及全连接网络的连接权重，在只包含ID样本的垃圾分类数据集上并行训练自编码器；最后固定主干网络及其串联的全连接网络、自编码器的连接权重，在包含ID和OOD(Out of Distribution)样本的垃圾分类数据集上并行训练自编码器串联的全连接网络层。该方法训练出来的模型既能够准确分类已知类别垃圾也可以精准辨别未知类别垃圾。有利于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。能不好的问题。能不好的问题。

【技术实现步骤摘要】
垃圾分类模型建模方法、垃圾分类方法、装置及介质


[0001]本专利技术涉及计算机视觉
，具体涉及垃圾分类模型建模方法、垃圾分类方法、装置及介质。

技术介绍

[0002]垃圾的分类是保洁机器人的主要任务之一，目前常用的手段是通过神经网络对垃圾数据集进行学习，使保洁机器人获得“辨别”垃圾种类的能力。但在实际场景中，总会碰到未知的垃圾类别。这些不在已知类别范围内的垃圾称为垃圾分类模型的异常样本(Out of Distribution，OOD)，垃圾分类模型识别这些异常样本称为异常检测(OOD检测)。OOD检测指的是分类模型能够检测出OOD样本，而OOD样本是相对于正常样本(In Distribution，ID)而言的。
[0003]传统的机器学习方法通常假设模型训练与测试数据是独立同分布的(IID，Independent Identical Distribution)，即训练与测试数据都是ID样本。然而，在实际场景中模型部署上线后得到的数据往往不能被完全控制，也就是说模型接收的数据有可能是OOD样本，模型常常会将OOD样本判定是ID样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾分类模型建模方法，其特征在于，包括以下步骤：S1：确定主干网络的权重参数，将所述主干网络与第一全连接网络串联；S2：获取并使用已知类别的垃圾图像数据集，利用梯度下降算法训练所述主干网络与所述第一全连接网络；S3：固定所述主干网络与所述第一全连接网络的权重参数，将所述已知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络，所述主干网络的每一特征提取层均对应一个自编码器，利用所述主干网络的每一特征提取层提取的图像特征训练各自对应的自编码器；S4：获取包含未知类别的垃圾图像数据集，固定所述主干网络、所述第一全连接网络与各自编码器的权重参数，将所述包含未知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络，得到各特征提取层所对应的自编码器的重构误差；S5：各特征提取层所对应的自编码器均连接有一全连接网络，将各重构误差作为各全连接网络的输入，利用梯度下降算法训练各全连接网络得到各重构误差对应的样本的置信度，将各置信度相乘得到总置信度；S6：训练至所述已知类别的垃圾图像数据集中样本的总置信度趋近于1且所述包含未知类别的垃圾图像数据集中样本的总置信度趋近于0，得到垃圾分类模型。2.根据权利要求1所述的垃圾分类模型建模方法，其特征在于，所述主干网络为在公开垃圾分类数据集上预训练后的分类器网络或未经预训练的网络，所述主干网络为深度卷积神经网络。3.根据权利要求2所述的垃圾分...

【专利技术属性】
技术研发人员：袁野，刘娜，张泽阳，万里红，
申请(专利权)人：中原动力智能机器人有限公司，
类型：发明
国别省市：