【CN110059734A】一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质【专利】
目标识别模型训练方法、目标识别方法、设备及机器人[发明专利]
![目标识别模型训练方法、目标识别方法、设备及机器人[发明专利]](https://img.taocdn.com/s3/m/8dd094d0ee06eff9aef807fb.png)
专利名称：目标识别模型训练方法、目标识别方法、设备及机器人
专利类型：发明专利
发明人：张浩,吴启帆
申请号：CN201880002216.8
申请日：20180202
公开号：CN109313710A
公开日：
20190205
专利内容由知识产权出版社提供
摘要：本申请公开了一种目标识别模型训练方法、目标识别方法、设备及机器人，该目标识别模型训练方法包括：获取待识别目标的采样图像；将该采样图像输入识别模型，输出识别后的分割数据；将分割数据与标准图像的标准数据进行比较，获取识别误差；将识别误差反馈给识别模型，修正识别模型；其中，获取标准图像时，目标边缘涂抹有荧光材料，根据标准图像中荧光材料的显色，获取待识别目标的标准数据。
通过上述方式，本申请可以提高模型训练的速度和效率。
申请人：深圳蓝胖子机器人有限公司
地址：518000 广东省深圳市南山区粤兴三道2号深圳虚拟大学园院校产业化综合大楼B701-702国籍：CN
代理机构：深圳市威世博知识产权代理事务所(普通合伙)
代理人：刘希
更多信息请下载全文后查看。
一种物品识别模型的训练方法及系统[发明专利]
![一种物品识别模型的训练方法及系统[发明专利]](https://img.taocdn.com/s3/m/498d4b0d998fcc22bdd10d93.png)
专利名称：一种物品识别模型的训练方法及系统专利类型：发明专利
发明人：邹云鹏,邹裕越,廖癸秋
申请号：CN201910719083.2
申请日：20190805
公开号：CN110472544A
公开日：
20191119
专利内容由知识产权出版社提供
摘要：本发明属于安检领域，公开了一种物品识别模型的训练方法及系统，其方法包括：获取已标注的原始图像；对原始图像进行数据集增强；将增强后的数据集随机分为训练集和测试集；利用训练集对构建的模型进行训练；利用测试集对训练好的模型进行测试，并统计每种物品的误判率和漏检率；根据误判率和漏检率，对增强后的数据集再次进行数据集增强；通过再次增强后的数据集对训练好的模型进行训练和测试，直至每种物品的误判率和漏检率低于预设阈值。
本发明通过渐进的方式来对数据集进行逐渐增强，不仅可利用数据增强来提高识别率，而且可降低人为采集原始图像和标记的工作量，同时可防止出现某一部分的图像数据冗余度过高，影响物品识别模型的训练效果。
申请人：上海英迈吉东影图像设备有限公司,上海英曼尼安全装备有限公司
地址：201200 上海市浦东新区置业路111号
国籍：CN
代理机构：上海硕力知识产权代理事务所(普通合伙)
代理人：林柳燕
更多信息请下载全文后查看。
物体识别系统训练方法、物体识别方法、装置和电子设备[发明专利]
![物体识别系统训练方法、物体识别方法、装置和电子设备[发明专利]](https://img.taocdn.com/s3/m/e9fc41c8192e45361166f5c3.png)
专利名称：物体识别系统训练方法、物体识别方法、装置和电子设备
专利类型：发明专利
发明人：周彧聪,闫俊杰
申请号：CN201710201585.7
申请日：20170330
公开号：CN108230291A
公开日：
20180629
专利内容由知识产权出版社提供
摘要：本发明实施例提供一种物体识别系统训练方法、物体识别方法、装置和电子设备。
物体识别系统训练方法包括：基于共享神经网络分别提取样本图像序列中各样本图像的共享图像特征数据，共享图像特征数据为经过卷积的各样本图像的图像特征数据；根据共享图像特征数据并基于权重生成神经网络确定样本图像序列中各样本图像的图像特征权重数据；根据共享图像特征数据以及图像特征权重数据确定特征损失信息，特征损失信息用于表达样本图像序列的特征损失状态；根据特征损失信息调整共享神经网络和/或权重生成神经网络的网络参数。
能够克服图像序列中的多个图像之间存在例如光照、清晰度等差异，在复杂的应用场景中也能够得到较为准确、理想的识别结果。
申请人：北京市商汤科技开发有限公司
地址：100084 北京市海淀区中关村东路1号院3号楼7层710-712房间
国籍：CN
代理机构：北京天健君律专利代理事务所(普通合伙)
更多信息请下载全文后查看。
关于物体识别分类的训练
关于物体识别分类的训练物体识别分类的训练随着人工智能的不断发展，物体识别技术已被广泛应用于各个领域。
而物体识别分类训练作为物体识别技术的核心部分，也逐渐成为人工智能领域中备受瞩目的研究方向之一。
在物体识别分类训练中，我们需要通过对物体进行分类来建立分类器模型。
分类器模型的建立离不开大量的数据样本和深度学习算法。
目前，常用的物体识别分类训练方法主要有以下几种：图像分类训练：图像分类训练是一种基于深度学习的分类方法，它通过对图像进行学习与分类，来训练机器识别图像中的物体。
这种方法的核心是卷积神经网络（CNN），它能够利用卷积操作提取图像的特征信息，并将其传输至全连接层进行分类。
目标检测训练：目标检测训练是一种可对单幅图像中多个物体进行识别的分类方法。
它采用多尺度特征提取技术，以及边界框回归和分类器模块等技术，可以有效地检测出图像中的物体，并给出物体的准确位置。
目标跟踪训练：目标跟踪训练是一种能够实现实时准确定位、跟踪目标动态变化的分类技术。
这种方法通过将当前帧与历史帧进行比较，来跟踪物体的运动轨迹，实现准确定位和跟踪。
物体姿态估计训练：物体姿态估计训练是一种采用机器学习算法实现物体姿态估计的分类技术。
它通过对物体在三维空间的姿态、形状、尺度等信息进行学习和分类，实现对物体姿态的准确估计。
以上几种物体识别分类训练方法均有其独特的优势和适用场景。
然而不管是哪种方法，都需要有足够的数据样本和深度学习算法进行训练和测试。
因此，建立大规模的数据集，选择合适的深度学习算法，是物体识别分类训练的关键。
总的来说，物体识别分类训练是人工智能领域中的一个核心部分，它不仅可以应用于图像识别、智能交通、安防等领域，还可以拓展到更多的应用场景中。
通过选择合适的训练方法和算法，并利用大量的数据样本进行训练，我们可以不断提升物体识别分类的准确性和稳定性，使其在实际应用中更加可靠和高效。
【CN110097130A】分类任务模型的训练方法、装置、设备及存储介质【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910377510.3(22)申请日 2019.05.07(71)申请人 深圳市腾讯计算机系统有限公司地址 518000 广东省深圳市南山区高新区高新南一路飞亚达大厦5－10楼申请人 华中科技大学(72)发明人 沈荣波 周可 田宽 颜克洲 江铖 (74)专利代理机构 北京三高永信知识产权代理有限责任公司 11138代理人 张所明(51)Int.Cl.G06K 9/62(2006.01)(54)发明名称分类任务模型的训练方法、装置、设备及存储介质(57)摘要本申请公开了一种分类任务模型的训练方法、装置、设备及存储介质，涉及机器学习技术领域，所述方法包括：采用第一数据集训练初始的特征提取器，该第一数据集是类别不均衡数据集；构建生成对抗网络，该生成对抗网络包括特征提取器、特征生成器和域分类器；采用第二类别样本对生成对抗网络进行训练，得到完成训练的特征生成器；构建分类任务模型，该分类任务模型包括完成训练的特征生成器、特征提取器和分类器；采用第一数据集对分类任务模型进行训练；其中，完成训练的特征生成器用于对第二类别样本在特征空间进行扩增。
本申请通过特征生成器对少数类别样本在特征空间进行扩增，提高最终训练得到的分类任务模型的精度。
权利要求书3页 说明书11页 附图7页CN 110097130 A 2019.08.06C N 110097130A权 利 要 求 书1/3页CN 110097130 A1.一种分类任务模型的训练方法，其特征在于，所述方法包括：采用第一数据集训练初始的特征提取器；其中，所述第一数据集是包括第一类别样本和第二类别样本的类别不均衡数据集，所述第一类别样本的数量大于所述第二类别样本的数量；构建生成对抗网络，所述生成对抗网络包括所述特征提取器、特征生成器和域分类器；其中，所述特征生成器用于生成与所述特征提取器相同维度的特征向量，所述域分类器用于对所述特征提取器输出的特征向量和所述特征生成器输出的特征向量进行区分；采用所述第二类别样本对所述生成对抗网络进行训练，得到完成训练的特征生成器；构建分类任务模型，所述分类任务模型包括所述完成训练的特征生成器、所述特征提取器和分类器；采用所述第一数据集对所述分类任务模型进行训练；其中，所述完成训练的特征生成器用于对所述第二类别样本在特征空间进行扩增。
一种分类模型的训练方法
一种分类模型的训练方法
一种分类模型的训练方法
分类模型是机器学习领域中非常基础的一类模型，用于将数据集划分为不同的类别。
其中，训练模型是分类任务的核心，本文将探讨一种常用的分类模型训练方法。
1. 数据准备
首先，我们需要准备用于训练模型的数据。
数据集应该包括已知的输入和对应的输出标签。
通常，我们会将数据集划分为训练集和测试集，其中训练集用于训练模型，测试集用于验证模型的泛化能力。
2. 特征工程
特征工程是指将原始数据转换为适合模型处理的特征，包括特征选择和特征提取等。
特征工程的目的是提高模型的性能和减少计算复杂度。
3. 模型选择
在特征工程完成后，我们需要选择一个适合的模型用于分类任务。
常见的分类模型包括决策树，朴素贝叶斯，支持向量机等。
4. 模型训练
模型训练是分类任务的核心部分，一般采用最大化似然函数的方法进行训练。
最大化似然函数是指寻求一个参数使得样本发生的概率最大。
在具体实现过程中，我们一般采用梯度下降或者牛顿法等优化算法来求解。
5. 模型评估
在训练完成后，我们需要对模型的性能进行评估。
通常采用准确率、精确率、召回率、F1值等指标来评价模型的性能。
6. 模型部署
模型部署是将模型应用到实际场景的过程。
我们可以将模型打包成可执行文件或者发布成API供使用者调用。
综上，分类模型的训练过程包括数据准备、特征工程、模型选择、
模型训练、模型评估和模型部署等步骤。
在实际应用中，我们需要不断优化这些步骤以提高模型的性能和泛化能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910259811.6
(22)申请日 2019.04.02
(71)申请人 唯思科技（北京）有限公司
地址 100080 北京市海淀区海淀南路19号
九层9001室
(72)发明人 程郑鑫
(74)专利代理机构 北京紫荆博雅知识产权代理
有限公司 11718
代理人 李红
(51)Int.Cl.
G06K 9/62(2006.01)
(54)发明名称
一种目标识别分类模型的训练方法、物体识
别方法、装置、机器人和介质
(57)摘要
本公开的实施例提供了一种目标识别分类
模型的训练方法、物体识别方法、装置、机器人和
介质。
采用多个预先标注有类别信息的训练图像
对目标识别分类模型进行联合训练，包括：获取
图像数据集，所述图像数据集为包括两个以上图
像数据子集的联合数据集，其中，所述两个以上
图像数据子集的标注类别不完全相同；根据所述
两个以上图像数据子集的标注类别，获取各图像
数据子集的合并类别群组信息；根据各图像数据
子集的类别标签信息和合并类别群组信息，利用
softmax群组交叉熵损失函数分别对各图像数据
子集进行概率求和，得到目标识别分类的类别概
率预测值。
以此方式，训练前无需将原来的数据
集重新进行标注，能够极大的降低数据标注成
本。
权利要求书2页 说明书11页 附图6页CN 110059734 A 2019.07.26
C N 110059734
A
权 利 要 求 书1/2页CN 110059734 A
1.一种目标识别分类模型的训练方法，其特征在于，所述方法采用多个预先标注有类别信息的训练图像对目标识别分类模型进行联合训练，包括：
获取图像数据集，所述图像数据集为包括两个以上图像数据子集的联合数据集，其中，所述两个以上图像数据子集的标注类别不完全相同；
根据所述两个以上图像数据子集的标注类别，获取各图像数据子集的合并类别群组信息；
根据各图像数据子集的类别标签信息和合并类别群组信息，利用softmax群组交叉熵损失函数分别对各图像数据子集进行概率求和，得到目标识别分类的类别概率预测值。
2.如权利要求1所述的目标识别分类模型的训练方法，其特征在于，
获取各图像数据子集的合并类别群组信息，包括，
获取图像数据集中所有标注类别的数量的并集，将其输出至各图像数据子集，将各图像数据子集的标注类别数量扩展至该并集的数量；
获取图像数据集中所有标注类别的种类的并集，将其输出至各图像数据子集，将各图像数据子集的标注类别种类扩展至该并集的标注种类；
获取原先不包含在各图像数据子集的标注类别种类，将其转换为背景类别。
3.如权利要求2所述的目标识别分类模型的训练方法，其特征在于，进一步包括：
将图像数据集获取的图像数据集中的图像，送入检测器算法模型进行训练；
将所述检测器算法模型的softmax交叉熵损失函数修改为softmax群组交叉熵损失函数；
训练修改的检测器算法，得到合并类别的检测器算法模型；
将待识别图像，输入合并类别的检测器算法模型，获取预测输出结果；
绘制并展示所述预测输出结果。
4.如权利要求1所述的目标识别分类模型的训练方法，其特征在于：图像数据子集的标注类别不完全相同是指各图像数据子集之间的标注类别没有交集或有部分交集。
5.如权利要求3所述的方法，其特征在于，进一步包括：将图像数据集中的图像，进行线性缩放至预设分辨率的图像，然后送入检测器算法模型进行训练。
6.如权利要求5所述的方法，其特征在于，所述预设分辨率包括但不限于：224×224、512×512、1020×2000。
7.如权利要求3所述的方法，其特征在于，进一步包括：检测器算法包括但不限于SSD检测算法，YOLO检测算法，Faster RCNN检测算法。
8.如权利要求3所述的方法，其特征在于，进一步包括：检测器算法包括但不限于SSD算法，修改SSD算法模型中用于检测输出预测类别概率的卷积层的卷积核数量，使其与合并类别的数量一致。
9.如权利要求8所述的方法，其特征在于，进一步包括：将得到所有的预测输出组合在一起，对组合结果进行非极大值抑制，把相近的预测矩形框进行融合，得到最终的预测输出效果。
10.如权利要求1所述的方法，其特征在于，网络采用的结构包括但不限于：VGG网络结构、GoogleNet网络结构、Resnet101网络结构。
11.一种物体识别方法，其特征在于，将待识别的图像作为目标识别模型的输入，所述
2。