【技术实现步骤摘要】
物件辨识装置及物件辨识方法
[0001]本专利技术实施例是关于一种辨识装置及辨识方法,特别是关于一种适用于判断图像中的特定物件的物件辨识装置及物件辨识方法。
技术介绍
[0002]目前人工智能(AI)模型标记工作,多半被专门企业独立承揽,以人工进行标记作业,尤其是在中国、印度、东南亚等国家,有越来越多专门委托人工标记的公司。市面上所有AI物件辨识模型训练前,必定要累积大量数据,并且需要大量人工标记,因此十分耗费人工资源,且需要大量时间进行手动标记。
[0003]因此如何使用自动标记产生工具,达到大量产生图片并自动标记,已成为本领域需解决的问题之一。
技术实现思路
[0004]本揭露内容的一实施例提供了一种物件辨识装置包含处理器以及一储存装置。处理器用以存取储存装置所储存的程序,以实现一前处理模组、一老师模型训练模组以及一学生模型训练模组。前处理模组用以产生一追踪样本及一对抗样本。老师模型训练模组用以产生一老师模型。学生模型训练模组依据老师模型以初始化一学生模型。其中学生模型依据老师模型以及对抗样本调整复数个参数,响应于调整后的学生模型的输出结果与老师模型的输出结果之间的向量差值小于一学习门槛值,则视为学生模型完成训练,提取学生模型作为一物件辨识模型。
[0005]本揭露内容的一实施例提供了一种物件辨识方法,包含:产生一追踪样本及一对抗样本;依据追踪样本产生一老师模型;以及依据老师模型初始化一学生模型;其中学生模型依据老师模型以及该对抗样本调整复数个参数,响应于调整后的学生模型的输出结果 ...
【技术保护点】
【技术特征摘要】
1.一种物件辨识装置,其特征在于,包含:一处理器;以及一储存装置,所述处理器用以存取所述储存装置所储存的程序,以实现一前处理模组、一老师模型训练模组以及一学生模型训练模组;其中所述前处理模组,用以产生一追踪样本及一对抗样本;所述老师模型训练模组,以所述追踪样本训练出一老师模型;以及所述学生模型训练模组,依据所述老师模型初始化一学生模型;其中所述学生模型依据所述老师模型以及所述对抗样本调整所述学生模型的复数个参数,响应于所述学生模型的输出结果与所述老师模型的输出结果之间的向量差值小于一学习门槛值,则视为所述学生模型完成训练,提取所述学生模型作为一物件辨识模型。2.根据权利要求1所述的物件辨识装置,其特征在于,所述学生模型设置的深度学习模型的卷积层数及神经元数量小于所述老师模型的卷积层数及神经元数量,且所述学生模型的卷积层数及神经元数量对应的权重参数数量也小于所述老师模型的卷积层数及神经元数量对应的权重参数数量。3.根据权利要求1所述的物件辨识装置,其特征在于,所述前处理模组更用以接收一人工标记样本,响应于所述学生模型的所述输出结果与所述老师模型的所述输出结果之间的向量差值小于所述学习门槛值时,所述老师模型训练模组将所述人工标记样本输入所述老师模型进行训练,以产生一进修老师模型。4.根据权利要求3所述的物件辨识装置,其特征在于,所述老师模型训练模组将所述人工标记样本输入所述进修老师模型,响应于所述进修老师模型输出的一进修后张量与所述人工标记样本的向量差值小于一进修门槛值,则视为所述进修老师模型完成训练。5.根据权利要求3所述的物件辨识装置,其特征在于,所述学生模型训练模组将所述学生模型依据所述进修老师模型调整所述复数个参数,响应于所述学生模型的所述输出结果与所述进修老师模型的输出结果之间的向量差值小于所述学习门槛值,则视为所述学生模型完成训练,提取所述学生模型作为所述物件辨识模型。6.根据权利要求5所述的物件辨识装置,其特征在于,所述学生模型训练模组将所述学生模型依据所述进修老师模型调整所述复数个参数,响应于所述学生模型的一学生张量与所述进修老师模型的一老师张量之间的向量差值小于所述学习门槛值,则视为所述学生模型完成训练,提取所述学生模型作为所述物件辨识模型。7.根据权利要求1所述的物件辨识装置,其特征在于,所述前处理模组依据一光流演算法追踪每个画面中的一框选物件,以产生所述追踪样本;其中所述前处理模组将所述追踪样本加入一噪声或将所述追踪样本输入一生成式对抗网络,以产生所述对抗样本。8.根据权利要求7所述的物件辨识装置,其特征在于,所述前处理模组将所述追踪样本加入一噪声图,所述噪声图包括不同的物件类别的图像。9.根据权利要求1所述的物件辨识装置,其特征在于,所述学生模型调整偏权值及复数个权重,使得所述学生模型输出的所述输出结果趋近于所述老师模型的所述输出结果。10.根据权利要求1所述的物件辨识装置,其...
【专利技术属性】
技术研发人员:黄国伦,
申请(专利权)人:纬创资通股份有限公司,
类型:发明
国别省市:
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。