属性识别模型训练、属性识别方法、装置及设备制造方法及图纸

本公开提供的属性识别模型训练、属性识别方法、装置及设备，涉及人工智能领域，尤其涉及计算机视觉、图像识别和深度学习技术领域。其中，属性识别模型训练方法包括：对第一图像训练集的每张第一图像的标注物体位置复制第一数量并叠加在所属的第一图像中，生成第二图像训练集，将第二图像训练集中的每张第二图像输入到预设网络，确定出每张第二图像包括的第三数量的预测物体位置编码，进而结合每张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码，调整预设网络的参数，得到属性识别模型。属性识别方法包括：将待处理图像输入到上述训练得到的属性识别模型中，确定待处理图像是否包含目标属性。待处理图像是否包含目标属性。待处理图像是否包含目标属性。

【技术实现步骤摘要】
属性识别模型训练、属性识别方法、装置及设备


[0001]本公开涉及人工智能领域中的计算机视觉、图像识别和深度学习
，尤其涉及一种属性识别模型训练、属性识别方法、装置及设备。

技术介绍

[0002]随着深度学习技术的发展，目标检测成为计算机视觉领域的基本任务之一，尤其是特殊场景下的属性识别越来越重要。例如，在驾驶场景下，识别驾驶室图像中是否包含驾驶员打电话属性，驾驶员是否抽烟属性，对确定驾驶员是否安全驾驶确定至关重要；在医院或商场等场景下，识别监控图像中是否包含用户抽烟属性，对公共场所的安全、环境维护至关重要等。
[0003]现有的目标检测算法是用于通用物体检测任务，而上述特殊场景下的图像属性识别主要与小物体相关，而小物体是图像中面积较小的物体，现有的目标检测算法用于上述特殊场景的目标属性识别时存在识别能力差，属性识别准确度低的问题。

技术实现思路

[0004]本公开提供了一种属性识别模型训练、属性识别方法、装置及设备。
[0005]根据本公开的第一方面，提供了一种属性识别模型训练方法，包括：
[0006]获取第一图像训练集，所述第一图像训练集中的每张第一图像携带有标注属性和标注物体位置，每张第一图像的标注物体位置对应物体的面积与所述第一图像的总面积的比值小于预设比例阈值；
[0007]对每张第一图像中的标注物体位置随机的复制第一数量并叠加在所属的第一图像中，生成第二图像训练集，所述第一数量小于或等于预设数量阈值，所述第二图像训练集中的每张第二图像携带有所述标注属性和第二数量的标注物体位置；
[0008]将所述第二图像训练集中的每张第二图像输入到预设网络，确定出每张第二图像包括的第三数量的预测物体位置编码；
[0009]根据每张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码，调整所述预设网络的参数，得到属性识别模型。
[0010]根据本公开的第二方面，提供了一种属性识别方法，包括：
[0011]获取待处理图像；
[0012]利用属性识别模型对所述待处理图像进行属性识别，得到属性识别结果，所述属性识别结果包括：所述待处理图像中包含目标属性或者所述待处理图像中未包含目标属性；
[0013]其中，所述属性识别模型是利用第二图像训练集中各张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码对预设网络进行训练得到的，所述第二图像训练集是针对第一图像训练集中每张第一图像的标注物体位置进行随机复制第一数量并叠加在所属的第一图像中生成的，每张第一图像的标注
物体位置对应物体的面积与所述第一图像的总面积的比值小于预设比例阈值。
[0014]根据本公开的第三方面，提供了一种属性识别模型训练装置，包括：
[0015]获取单元，用于获取第一图像训练集，所述第一图像训练集中的每张第一图像携带有标注属性和标注物体位置，每张第一图像的标注物体位置对应物体的面积与所述第一图像的总面积的比值小于预设比例阈值；
[0016]生成单元，用于对每张第一图像中的标注物体位置随机的复制第一数量并叠加在所属的第一图像中，生成第二图像训练集，所述第一数量小于或等于预设数量阈值，所述第二图像训练集中的每张第二图像携带有所述标注属性和第二数量的标注物体位置；
[0017]处理单元，用于将所述第二图像训练集中的每张第二图像输入到预设网络，确定出每张第二图像包括的第三数量的预测物体位置编码；
[0018]训练单元，用于根据每张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码，调整所述预设网络的参数，得到属性识别模型。
[0019]根据本公开的第四方面，提供了一种属性识别装置，包括：
[0020]获取单元，用于获取待处理图像；
[0021]识别单元，用于利用属性识别模型对所述待处理图像进行属性识别，得到属性识别结果，所述属性识别结果包括：所述待处理图像中包含目标属性或者所述待处理图像中未包含目标属性；
[0022]其中，所述属性识别模型是利用第二图像训练集中各张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码对预设网络进行训练得到的，所述第二图像训练集是针对第一图像训练集中每张第一图像的标注物体位置进行随机复制第一数量并叠加在所属的第一图像中生成的，每张第一图像的标注物体位置对应物体的面积与所述第一图像的总面积的比值小于预设比例阈值。
[0023]根据本公开的第五方面，提供了一种电子设备，包括：
[0024]至少一个处理器；以及
[0025]与所述至少一个处理器通信连接的存储器；其中，
[0026]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法，或者，执行第二方面所述的方法。
[0027]根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法，或者，执行第二方面所述的方法。
[0028]根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法，或者执行第二方面所述的方法。
[0029]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0030]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0031]图1为本公开实施例提供的一种应用场景的示意图；
[0032]图2是本公开第一实施例提供的属性识别模型训练方法的流程示意图；
[0033]图3是本公开第二实施例提供的属性识别模型训练方法的流程示意图；
[0034]图4是本公开第三实施例提供的属性识别模型训练方法的流程示意图；
[0035]图5是本公开第一实施例提供的属性识别方法的流程示意图；
[0036]图6是本公开第二实施例提供的属性识别方法的流程示意图；
[0037]图7是本公开实施例提供的一种属性识别模型训练装置的结构示意图；
[0038]图8是本公开实施例提供的一种属性识别装置的结构示意图；
[0039]图9是可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
[0040]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种属性识别模型训练方法，包括：获取第一图像训练集，所述第一图像训练集中的每张第一图像携带有标注属性和标注物体位置，每张第一图像的标注物体位置对应物体的面积与所述第一图像的总面积的比值小于预设比例阈值；对每张第一图像中的标注物体位置随机的复制第一数量并叠加在所属的第一图像中，生成第二图像训练集，所述第一数量小于或等于预设数量阈值，所述第二图像训练集中的每张第二图像携带有所述标注属性和第二数量的标注物体位置；将所述第二图像训练集中的每张第二图像输入到预设网络，确定出每张第二图像包括的第三数量的预测物体位置编码；根据每张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码，调整所述预设网络的参数，得到属性识别模型。2.根据权利要求1所述的方法，其中，所述根据每张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码，调整所述预设网络的参数，得到属性识别模型，包括：根据每张第二图像中第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码，确定每张第二图像中物体位置编码数量的预测准确率；根据每张第二图像中物体位置编码数量的预测准确率、预设准确率阈值和标注属性，确定所述预设网络的属性识别准确度；响应于所述属性识别准确度小于识别准确度阈值，调整所述预设网络的参数，直到所述属性识别准确度大于或等于所述识别准确度阈值，得到属性识别模型。3.根据权利要求2所述的方法，其中，所述预设网络包括：损失层；相应的，所述响应于所述属性识别准确度小于识别准确度阈值，调整所述预设网络的参数，直到所述属性识别准确度大于或等于所述识别准确度阈值，得到属性识别模型，包括：响应于所述属性识别准确度小于识别准确度阈值，使用所述损失层的损失函数监督所述预设网络的参数调整，得到属性识别模型。4.根据权利要求1
‑
3任一项所述的方法，其中，所述预设网络包括：全连接层；相应的，所述将所述第二图像训练集中的每张第二图像输入到预设网络，确定出每张第二图像包括的第三数量的预测物体位置编码，包括：将所述第二图像训练集中的每张第二图像输入到预设网络，利用所述全连接层对每张第二图像进行二分类，得到每张第二图像包含的第三数量的二分类结果；基于每张第二图像包含的第三数量的二分类结果，生成每张第二图像对应的第三数量的空间响应特征图；针对每张第二图像对应的第三数量的空间响应特征图进行位置编码，得到每张第二图像包括的第三数量的预测物体位置编码。5.根据权利要求1至4任一项所述的方法，其中，在所述将所述第二图像训练集中的每张第二图像输入到预设网络，确定出每张第二图像包括的第三数量的预测物体位置编码之前，还包括：对每张第二图像包括的第二数量的标注物体位置进行位置编码，在每张图像中，生成
所述第二数量的标注物体位置对应的标注物体位置编码。6.一种属性识别方法，包括：获取待处理图像；利用属性识别模型对所述待处理图像进行属性识别，得到属性识别结果，所述属性识别结果包括：所述待处理图像中包含目标属性或者所述待处理图像中未包含目标属性；其中，所述属性识别模型是利用第二图像训练集中各张第二图像的标注属性、第二数量的标注物体位置对应的标注物体位置编码和第三数量的预测物体位置编码对预设网络进行训练得到的，所述第二图像训练集是针对第一图像训练集中每张第一图像的标注物体位置进行随机复制第一数量并叠加在所属的第一图像中生成的，每张第一图像的标注物体位置对应物体的面积与所述第一图像的总面积的比值小于预设比例阈值。7.根据权利要求6所述的方法，其中，所述利用属性识别模型对所述待处理图像进行属性识别，得到属性识别结果，包括：将所述待处理图像输入到属性识别模型，确定所述待处理图像中是否包含目标物体；响应于所述待处理图像包含目标物体，根据物体与属性的关联关系，确定所述待处理图像包含所述目标物体关联的目标属性；响应于所述待处理图像未包含目标物体，确定所述待处理图像未包含目标属性。8.根据权利要求6或7所述的方法，其中，所述获取待处理图像，包括：获取属性识别请求，所述属性识别请求用于指示识别的属性类型；基于所述属性识别请求，获取所述属性类型对应的待处理图像。9.根据权利要求6
‑
8任一项所述的方法，其中，在所述利用属性识别模型对所述待处理图像进行属性识别，得到属性识别结果之后，还包括：响应于所述待处理图像中包含目标属性，生成所述目标属性的提示信息，所述提示信息为文本信息或者语音信息；输出所述提示信息，或者向预设设备发送所述提示信息。10.一种属性识别模型训练装置，包括：获取单元，用于获取第一图像训练集，所述第一图像训练集中的每张第一图像携带有标注属性和标注物体位置，每张第一图像的标注物体位置对应物体的面积与所述第一图像的总面积的比值小于预设比例阈值；生成单元，用于对每张第一图像中的标注物体位置...

【专利技术属性】
技术研发人员：蒋旻悦，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：