申请/专利权人:中原动力智能机器人有限公司
申请日:2021-09-27
公开(公告)日:2024-06-25
公开(公告)号:CN113705729B
主分类号:G06V10/764
分类号:G06V10/764;G06V10/82;G06N3/0455;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.06.25#授权;2022.01.28#实质审查的生效;2021.11.26#公开
摘要:本发明涉及一种垃圾分类模型建模方法、垃圾分类方法、装置及介质。基于自编码器重构误差与置信度概念,首先在只包含IDInDistribution样本的垃圾分类数据集上训练模型的主干网络及其串联的全连接网络,然后固定主干网络及全连接网络的连接权重,在只包含ID样本的垃圾分类数据集上并行训练自编码器;最后固定主干网络及其串联的全连接网络、自编码器的连接权重,在包含ID和OODOutofDistribution样本的垃圾分类数据集上并行训练自编码器串联的全连接网络层。该方法训练出来的模型既能够准确分类已知类别垃圾也可以精准辨别未知类别垃圾。有利于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。
主权项:1.一种垃圾分类模型建模方法,其特征在于,包括以下步骤:S1:确定主干网络的权重参数,将所述主干网络与第一全连接网络串联;S2:获取并使用已知类别的垃圾图像数据集,利用梯度下降算法训练所述主干网络与所述第一全连接网络;S3:固定所述主干网络与所述第一全连接网络的权重参数,将所述已知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络,所述主干网络的每一特征提取层均对应一个自编码器,利用所述主干网络的每一特征提取层提取的图像特征训练各自对应的自编码器;S4:获取包含未知类别的垃圾图像数据集,固定所述主干网络、所述第一全连接网络与各自编码器的权重参数,将所述包含未知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络,得到各特征提取层所对应的自编码器的重构误差;S5:各特征提取层所对应的自编码器均连接有一全连接网络,将各重构误差作为各全连接网络的输入,利用梯度下降算法训练各全连接网络得到各重构误差对应的样本的置信度,将各置信度相乘得到总置信度;S6:训练至所述已知类别的垃圾图像数据集中样本的总置信度趋近于1且所述包含未知类别的垃圾图像数据集中样本的总置信度趋近于0,得到垃圾分类模型。
全文数据:
权利要求:
百度查询: 中原动力智能机器人有限公司 垃圾分类模型建模方法、垃圾分类方法、装置及介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。