在计算装置中的对象识别模型学习方法制造方法及图纸

公开一种在计算装置中的对象识别模型学习方法

【技术实现步骤摘要】
在计算装置中的对象识别模型学习方法


[0001]本说明书涉及一种在计算装置中学习对象识别模型的方法
。

技术介绍

[0002]存在基于学习的多样的图像分析技术，其被训练为在图像中检测对象，判断对象是否存在，并且在存在对象的情况下对对象进行分类并输出对象的类型
。
[0003]基于人工智能的对象检测技术在对新的对象的类型进行分类
、
收集新的对象的对象信息以及学习模型的过程中可能需要大量资源
。
尤其，在学习用于对象识别的模型的过程中，为了提高模型的可靠性，可能需要反映错误检测的对象并再学习的过程
。
然而，存在难以通过针对对象检测结果的监测来立即修改对应结果的问题，并且在模型学习过程中对错误检测对象进行手动索引的过程也可能是消耗大量资源和时间的过程
。

技术实现思路

[0004]本说明书用于解决上述问题，目的在于提供一种如下的对象识别模型学习方法，即，能够在实现用于对象识别的人工智能学习模型的过程中自动校正错误检测对象并实时反映错误检测对象来使模型进行再学习，从而提高对象识别模型的可靠性
。
[0005]本专利技术所要解决的技术问题并不局限于以上提及的技术问题，本专利技术所属
中具有普通知识的人员可以通过以下的专利技术的详细说明明确理解未提及的其他技术问题
。
[0006]根据本说明书的一实施例的计算装置中的对象识别模型学习方法包括如下步骤：接收在通过相机获取的图像中指定感兴趣对象的输入；在所述图像中指定除了所述感兴趣对象之外的区域中的至少一部分来生成非感兴趣对象；基于所述感兴趣对象及非感兴趣对象使对象识别模型学习；在作为基于经学习的所述对象识别模型执行对象识别的结果，未被指定为所述感兴趣对象的第一对象被识别的情况下，将所述第一对象改变为所述非感兴趣对象；以及基于改变的所述非感兴趣对象使所述对象识别模型再学习
。
[0007]接收指定所述感兴趣对象的输入的步骤可以包括如下步骤：在所述感兴趣对象被提取时提取所述感兴趣对象的位置信息
。
[0008]生成所述非感兴趣对象的步骤可以包括如下步骤：生成具有彼此不同的属性的
N
个非感兴趣对象集合，其中，所述
N
个非感兴趣对象集合包括：第一非感兴趣对象集合，由所述计算装置的处理器在除了所述感兴趣对象之外的区域中随机指定；以及多个第二非感兴趣对象集合，在将所述图像以预定间隔划分的网格区域中除了所述感兴趣对象之外的区域中改变网格间隔而生成
。
[0009]所述多个第二非感兴趣对象集合可以包括：在所述网格间隔调整为第一网格间隔的状态下指定的多个像素区域以及在所述网格间隔调整为第二网格间隔的状态下指定的多个像素区域
。
[0010]在使所述对象识别模型学习的步骤中，可以将所述感兴趣对象及所述
N
个非感兴
趣对象集合中的每一个作为一对学习数据，分别学习
N
个对象识别模型
。
[0011]生成所述非感兴趣对象的步骤中，可以在反复执行所述对象识别模型的学习的过程中，基于先前学习的对象识别模型的可靠性分数
(confidence sco re)
，在除了所述感兴趣对象之外的区域中，在所述可靠性分数在预定范围内与所述感兴趣对象相似的情况下，追加指定为所述非感兴趣对象
。
[0012]在将所述第一对象改变为所述非感兴趣对象的步骤可以包括如下步骤：获取所述第一对象的对象特性信息；以及基于所述第一对象的对象特性信息在未被生成为所述非感兴趣对象的对象中选择将要改变为所述非感兴趣对象的第二对象，并且将所述第二对象追加改变为所述非感兴趣对象
。
[0013]所述对象识别模型学习方法还可以包括如下步骤：改变并显示改变为所述非感兴趣对象的对象的边界框的视觉特性
。
[0014]根据本说明书的另一实施例的一种计算装置包括：通信部，接收通过相机获取的图像；用户输入部，在所述图像中指定感兴趣对象；处理器，在所述图像中指定除了所述感兴趣对象之外的区域中的至少一部分来生成非感兴趣对象，并且基于所述感兴趣对象和非感兴趣对象来使对象识别模型学习，其中，所述处理器，在作为基于经学习的所述对象识别模型执行对象识别的结果，未被指定为所述感兴趣对象的第一对象被识别的情况下，将所述第一对象改变为所述非感兴趣对象，并基于改变的非感兴趣对象使所述对象识别模型再学习
。
[0015]所述处理器，当所述感兴趣对象被指定时，可以提取所述感兴趣对象的边界框的位置信息
。
[0016]所述处理器，可以生成具有彼此不同的属性的
N
个非感兴趣对象集合，所述
N
个非感兴趣对象集合包括：第一非感兴趣对象集合，由所述计算装置的处理器在除了所述感兴趣对象之外的区域中随机指定；以及多个第二非感兴趣对象集合，在将所述图像以预定间隔划分的网格区域中除了所述感兴趣对象之外的区域中改变网格间隔而生成
。
[0017]所述处理器，可以将在所述网格间隔调整为第一网格间隔的状态下指定的多个像素区域以及在所述网格间隔调整为第二网格间隔的状态下指定的多个像素区域分别生成为第二非感兴趣对象集合
。
[0018]所述处理器，在反复执行所述对象识别模型的学习的过程中，可以基于先前学习的对象识别模型的可靠性分数
(confidence score)
，在除了所述感兴趣对象之外的区域中，在所述可靠性分数在预定范围内与所述感兴趣对象相似的情况下，追加指定为所述非感兴趣对象
。
[0019]所述处理器，可以获取所述第一对象的对象特性信息，基于所述第一对象的对象特性信息在未被生成为所述非感兴趣对象的对象中选择将要改变为所述非感兴趣对象的第二对象，并且将所述第二对象追加改变为所述非感兴趣对象
。
[0020]所述处理器，可以改变并显示改变为所述非感兴趣对象的对象的边界框的视觉特性
。
[0021]根据本说明书的另一实施例的一种计算装置包括：输入部，接收用于在通过相机获取的第一图像中指定感兴趣对象的用户输入；以及处理器，提取所述感兴趣对象的位置信息，为了使对象识别模型学习，基于所述感兴趣对象的位置信息自动地执行反复学习，其
中，所述处理器，在所述第一图像中随机生成非感兴趣对象的位置信息并应用于所述对象识别模型以执行第一学习，并在所述第一学习之后追加执行
N
次学习，并且在每次学习自动提取基于前一学习结果的错误检测对象的位置信息并将所述错误检测对象改变为非感兴趣对象
。
[0022]所述处理器，可以在所述第一图像中通过所述用户输入指定的感兴趣对象的边界框的坐标信息应用于所述对象识别模型
。
[0023]所述计算装置还可以包括：显示部，其中，所述处理器，改变在所述反复学习的执行过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种对象识别模型学习方法，作为在计算装置中的对象识别模型学习方法，包括如下步骤：接收在通过相机获取的图像中指定感兴趣对象的输入；在所述图像中指定除了所述感兴趣对象的区域中的至少一部分来生成非感兴趣对象；基于所述感兴趣对象及非感兴趣对象使对象识别模型学习；在作为基于经学习的所述对象识别模型执行对象识别的结果，未被指定为所述感兴趣对象的第一对象被识别的情况下，将所述第一对象改变为所述非感兴趣对象；以及基于改变的所述非感兴趣对象使所述对象识别模型再学习
。2.
根据权利要求1所述的对象识别模型学习方法，其特征在于，接收指定所述感兴趣对象的输入的步骤包括如下步骤：在所述感兴趣对象被指定时提取所述感兴趣对象的位置信息
。3.
根据权利要求1所述的对象识别模型学习方法，其特征在于，生成所述非感兴趣对象的步骤包括如下步骤：生成具有彼此不同的属性的
N
个非感兴趣对象集合，其中，所述
N
个非感兴趣对象集合包括：第一非感兴趣对象集合，由所述计算装置的处理器在除了所述感兴趣对象之外的区域中随机指定；以及多个第二非感兴趣对象集合，在将所述图像以预定间隔划分的网格区域中除了所述感兴趣对象之外的区域中改变网格间隔而生成
。4.
根据权利要求3所述的对象识别模型学习方法，其特征在于，所述多个第二非感兴趣对象集合包括：在所述网格间隔调整为第一网格间隔的状态下指定的多个像素区域以及在所述网格间隔调整为第二网格间隔的状态下指定的多个像素区域
。5.
根据权利要求3所述的对象识别模型学习方法，其特征在于，在使所述对象识别模型学习的步骤中，将所述感兴趣对象及所述
N
个非感兴趣对象集合中的每一个作为一对学习数据，分别使
N
个对象识别模型学习
。6.
根据权利要求1所述的对象识别模型学习方法，其特征在于，生成所述非感兴趣对象的步骤中，在反复执行所述对象识别模型的学习的过程中，基于先前学习的对象识别模型的可靠性分数，在除了所述感兴趣对象之外的区域中，在所述可靠性分数在预定范围内与所述感兴趣对象相似的情况下，将其追加指定为所述非感兴趣对象
。7.
根据权利要求1所述的对象识别模型学习方法，其特征在于，将所述第一对象改变为所述非感兴趣对象的步骤包括如下步骤：获取所述第一对象的对象特性信息；以及基于所述第一对象的对象特性信息在未被生成为所述非感兴趣对象的对象中选择将要改变为所述非感兴趣对象的第二对象，并且将所述第二对象追加改变为所述非感兴趣对象
。8.
根据权利要求1所述的对象识别模型学习方法，其特征在于，还包括如下步骤：
改变并显示改变为所述非感兴趣对象的对象的边界框的视觉特性
。9.
一种计算装置，其特征在于，包括：通信部，接收通过相机获取的图像；用户输入部，在所述图像中指定感兴趣对象；处理器，在所述图像中指定除了所述感兴趣对象之外的区域中的至少一部分来生成非感兴趣对象，并且基于所述感兴趣对象和非感兴趣对象来使对象识别模型学习，其中，所述处理器，在作为基于经学习的所述对象识别模型执行对象识别的结果，未被指定为所述感兴趣对象的第一对象被识别的情况下，将所述第一对象改变为所述非感兴趣对象，并基于改变的非感兴趣对象使所述对象识别模型再学习
。10.
根据权利要求9所述的计算装置，其特征在于，所述处理器，当所述感兴趣对象被指定时，提取所述感兴趣对象的边界框的位置信息
。11.
根据权利要求9所述的计算装置，其特征在于，所述处理器，生成具有彼此不同的属性的
N<...

【专利技术属性】
技术研发人员：朴性燕，慎贤学，宋昌浩，卢承仁，林定恩，
申请(专利权)人：韩华视觉株式会社，
类型：发明
国别省市：