【技术实现步骤摘要】
用于物体图像的分类方法及设备、人工智能媒体平台
[0001]本专利技术属于物体图像分类的人工智能
，具体涉及一种用于物体图像的分类方法一种用于物体图像的分类设备和一种人工智能媒体平台。
技术介绍
[0002]图像处理通常涉及数字处理图像，例如来自数字静态图像或数字视频，以确定、检测、分类特定内容图像中的特征或对象。带图案的数字图像处理识别已被用于各种各样的应用中，例如人脸识别、航拍片检测地面特征、车辆牌照确定等，不同类型的常规机器学习功能可能用于不同的模式识别，但是，传统的机器学习有许多缺点，其功能无法适应或可能难以适应数字图像处理中复杂的模式识别。
[0003]卷积神经网络(CNN)包含许多功能组件，这使得人们很难确定必要的网络体系结构，该体系结构必须准确执行以检测和分类与手头问题相关的图像的特定特征。此外，CNN的每个组件通常都具有与其关联的多个参数。在没有任何稳健的图像处理系统的情况下，先检验未知的参数对于成功和准确的图像分类是必需的。
[0004]并且目前的市场上，内容拥有者可以通过电视台、电影...
【技术保护点】
【技术特征摘要】
1.一种用于物体图像的分类方法，其特征在于，包括以下步骤：步骤1：获取物体的若干预选图像并且根据预选图像创建训练图像集；步骤2：选择卷积神经网络的候选架构和候选参数，通过迭代对训练图像集中的对象进行训练分类，从而获得最终的中间卷积神经网络集合：步骤3：在中间卷积神经网络集合中构建标准特征池并且对后期输入的每个图像进行分类。2.根据权利要求1所述的一种用于物体图像的分类方法，其特征在于，步骤S2中的迭代具体实施为以下步骤：步骤2.1：从多个卷积神经网络的候选架构中选择确定的候选架构；步骤2.2：为所选的候选架构选择候选参数，所述候选参数包括学习速率、批处理大小、最大训练时期数和输入图像大小；步骤2.3：针对所选确定的候选架构和候选参数选择预处理协议，以增强对象在训练图像集中的信息内容；步骤2.4：使用训练图像集构建中间卷积神经网络；步骤2.5：在图像验证集上评估中间卷积神经网络的性能，以判断中间卷积神经网络是否符合验证阈值，如不符则转至步骤2.1重复迭代过程，若符合则标记中间卷积神经网络；并且判断标记的中间卷积神经网络是否达到预定数量，若未达到则转至步骤2.1重复迭代过程，若达到则创建中间卷积神经网络集合。3.根据权利要求2所述的一种用于物体图像的分类方法，其特征在于，在步骤S3中：中间卷积神经网络集合设有根据预选图片训练完成的标准特征池并且在标准特征池中包括若干图像对应的标准特征，每个标准特征对应一个类别，在中间卷积神经网络集合对后期输入的每个图像进行分类时，提取图像的所有实际特征并且将所有实际特征与实时更新的标准特征池中对应的标准特征进行比对，并且根据比对结果将对应的图像标记符合的类别，从而对当前图像进行分类，其中：如果图像的任一实际特征与对应的标准特征的匹配度在第一范围时，则将图像的该实际特征标记为该标准特征对应的类别；如果图像的任一实际特征与对应的标准特征的匹配度在第二范围时，则将图像的该实际特征设为存疑状态，并且通过图像验证集对存疑状态的该实际特征进行验证，如果该实际特征验证为匹配对应的标准特征，则对该标准特征进行动态调整，以使得该实际特征与动态调整后的标准特征的匹配度在第一范围并且将图像的该实际特征标记为该标准特征对应的类别；如果该实际特征验证为不匹配对应的标准特征，则将该实际特征作为新的标准特征补入到标准特征池中并且将新的标准特征设立新的类别，最后将图像的该实际特征标记为新补入的标准特征对应的类别；如果图像的任一实际特征与对应的标准特征的匹配度在第三范围时，则直接将该实际特征作为新的标准特征补入到标准特征池中并且将新的标准特征设立新的类别，最后将图像的该实际特征标记为新补入的标准特征对应的类别。4.根据权利要求3所述的一种用于物体图像的分类方法，其特征在于，学习速率为0.03
‑
0.06，批处理大小为1
‑
128个图像，最大训练时期数为50
‑
100。5.根据权利要求4所述的一种用于物体图像的分类方法，其特征在...
【专利技术属性】
技术研发人员：陈怡泽，刘凯，金俊阳，
申请(专利权)人：南京智眸科技有限公司，
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。