基于不确定性分析的神经网络性能提升方法和设备技术

本发明专利技术公开了一种基于不确定性分析的神经网络性能提升方法和设备，涉及深度学习技术领域。其中，方法包括：采用测试集中的图片对多个目标识别网络分别进行测试，得到多个目标识别网络的识别结果，根据每个目标识别网络输出的每张图片上每个对象的置信度，生成二项分布；根据所述二项分布计算多个目标识别网络之间识别到同类对象总数的熵和方差，所述熵和方差作为所述目标识别网络的不确定性指标；根据所述熵和方差确定缺失的对象属性，并将包括所述缺失的对象属性的图片添加到训练集，用以训练所述目标识别网络。本发明专利技术通过科学合理的不确定性度量发现目前训练集/测试集中缺失的对象属性，从而提高网络性能。从而提高网络性能。从而提高网络性能。

【技术实现步骤摘要】
基于不确定性分析的神经网络性能提升方法和设备


[0001]本专利技术实施例涉及深度学习技术，尤其涉及一种基于不确定性分析的神经网络性能提升方法和设备。

技术介绍

[0002]神经网络已经被证明为处理非结构化数据的最佳机器学习模型，它们非常适合学习特征的层次结构，例如目标识别网络和语义分割网络；用于测试网络性能的典型现有解决方案着眼于高水平的性能指标，例如，准确率、误检率和精确率等。现有的这些性能指标关注网络的性能评价，以评估该网络是否满足使用要求，并没有为如何改进网络提供依据，也没有给出网络性能提升的方法。

技术实现思路

[0003]本专利技术提供一种基于不确定性分析的神经网络性能提升方法和设备，以通过科学合理的不确定性度量发现目前训练集/测试集中缺失的对象属性，从而提高网络性能。
[0004]第一方面，本专利技术提供了一种基于不确定性分析的神经网络性能提升方法，包括：采用测试集中的图片对多个目标识别网络分别进行测试，得到多个目标识别网络的识别结果，所述识别结果包括每张图片上对象的类别和置信度；根据每个目标识别网络输出的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定性分析的神经网络性能提升方法，其特征在于，包括：采用测试集中的图片对多个目标识别网络分别进行测试，得到多个目标识别网络的识别结果，所述识别结果包括每张图片上对象的类别和置信度；根据每个目标识别网络输出的每张图片上每个对象的置信度，生成二项分布；根据所述二项分布计算多个目标识别网络之间识别到同类对象总数的熵和方差，所述熵和方差作为所述目标识别网络的不确定性指标；根据所述熵和方差确定缺失的对象属性，并将包括所述缺失的对象属性的图片添加到训练集，用以训练所述目标识别网络。2.根据权利要求1所述的方法，其特征在于，所述图片为多张；所述根据所述二项分布计算多个目标识别网络之间识别到同类对象总数的熵和方差，包括：根据所述二项分布计算多个目标识别网络之间对每张图片识别到同类对象总数的熵和方差；将对每张图片识别到同类对象总数的熵和方差分别进行平均，得到多个目标识别网络之间识别到同类对象总数的平均熵和平均方差。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述熵和方差确定缺失的对象属性，包括：确定大于设定阈值的熵或者大于设定阈值的方差所对应的对象类别作为所述缺失的对象属性。4.一种基于不确定性分析的神经网络性能提升方法，其特征在于，包括：采用训练集中的图片对多个目标识别网络分别进行训练，得到多个目标识别网络的识别结果，所述识别结果包括每张图片上对象的类别、位置和尺寸；所述图片标注有对象的类别、位置和尺寸；计算每个目标识别网络输出的每张图片上同一个对象的标注与识别结果的交并比，并计算所述交并比的统计学特征；所述统计学特征作为所述目标识别网络的不确定性指标；根据所述统计学特征确定缺失的对象属性，并将包括所述缺失的对象属性的图片添加到训练集，用以训练所述目标识别网络。5.根据权利要求4所述的方法，其特征在于，所述计算所述交并比的统计学特征，包括：计算同张图片上同一个对象的标注与识别结果的交并比，在多个目标识别网络之间的方差；或者将对象类别按照交并比从大到小进行排序；所述根据所述统计学特征确定缺失的对象属性，包括：确定大于设定阈值的方差所对应的对象类别作为所述缺失的对象属性；或者，将排序在后的设定数量个交并比所对应的对象类别作为所述缺失的对象属性。6.根据权利要求4所述的方法，其特征在于，所述计算所述交并比的统计学特征，包括：将同一目标识别网络输出的每张图片上同一个对...

【专利技术属性】
技术研发人员：徐显杰，包永亮，窦汝振，
申请(专利权)人：所托杭州汽车智能设备有限公司，
类型：发明
国别省市：