[发明专利]阶层式图像识别方法及系统

说明书

一种阶层式图像识别方法及系统。阶层式图像识别方法根据一初步分类模型分析一图像以获得一初步分类结果，根据该初步分类结果查询一分类关联表以得到至少一细分类模型，根据该至少一细分类模型查询一层关联表以得到至少一阶层信息，撷取该初步分类模型中该至少一阶层信息所分别相应的至少一初步特征描述，再根据该至少一细分类模型及该至少一初步特征描述决定至少一细分类结果。阶层式图像识别方法可再次查询该分类关联表及该层关联表以不断进行细分类，最后输出该初步分类结果及该至少一细分类结果。

技术领域

本发明是关于一种图像识别方法及系统；更具体而言，是关于一种阶层式图像识别方法及系统。

背景技术

近年来，和其他机器学习方法一样，人工神经网络(artificial neural network；ANN)(又被称之为类神经网络)已经被用于解决各种各样的问题，例如：机器视觉和语音识别。这些人工神经网络是经由深度学习(deep learning)或电脑学习等技术加以训练。在图像识别领域，可采用训练后的人工神经网络来为图像做特征分类，并识别出正确的图像信息。

图1A所示是已知技术所采用的基于深度卷积神经网络(Deep ConvolutionalNeural Network；DCNN)的图像识别架构，其使用一个初步分类模型(Coarseclassification model)与多个细分类模型(Fine classification model)以分别对图像做初步与细部的分类。前述每个分类模型(包含初步分类模型及细部分类模型)为一深度卷积神经网络。依据已知技术所采用的图像识别架构，初步分类模型与其对应的下一层的细分类模型的数目与种类在初始设计阶段时即已确定。因此，若细分类模型的数目与种类不够精确而需要更新与调整时，就必须重新训练初步分类模型及所有细分类模型，亦即需重新训练所有的深度卷积神经网络，相当耗时。此外，已知技术无法对细分类模型做适应性的调整来提高图像识别的正确率，无法对图像提供更细节的信息。

为了解决前述问题，本领域极需一种能有效率地调整或更新图像分类模型的机制，需要一种不需重新训练所有深度卷积神经网络的技术，借此减少因重新训练所有模型所耗费的时间，进而提高图像识别的正确率。

发明内容

为达成上述目标，本发明的一第一态样为一种阶层式图像识别方法，其是适用于至少一电子计算装置。该阶层式图像识别方法包括下列步骤：(a)根据一初步分类模型分析一图像以获得一初步分类结果；(b)根据该初步分类结果查询一分类关联表以确认与该初步分类结果相关联的至少一细分类模型；(c)根据该至少一细分类模型查询一层关联表以确认该至少一细分类模型分别相关联的该初步分类模型的至少一阶层信息；(d)撷取该初步分类模型中该至少一阶层信息所分别相应的至少一初步特征描述；以及(e)根据该至少一细分类模型及该至少一初步特征描述决定至少一细分类结果。

于本发明的某些态样中，该阶层式图像识别方法还可包含下列步骤：(f)根据该至少一细分类结果查询该分类关联表以确认与各该至少一细分类结果相关联的至少一细分类模型；以及(g)重复步骤(c)至步骤(f)，直到所确认的该至少一细分类模型的数目不再改变时，输出该初步分类结果及该至少一细分类结果。

本发明的一第二态样为一种阶层式图像识别系统，其是包括一接收接口及至少一处理器。该至少一处理器电性连接至该接收接口，且执行一初步分类模块、一分类管理模块及一细分类模块。该接收接口接收一图像。该初步分类模块根据一初步分类模型分析该图像以获得一初步分类结果。该分类管理模块根据该初步分类结果查询一分类关联表以确认与该初步分类结果相关联的至少一细分类模型。该分类管理模块根据该至少一细分类模型查询一层关联表以确认该至少一细分类模型分别相关联的该初步分类模型的至少一阶层信息。该初步分类模块撷取该初步模型中该至少一阶层信息所分别相应的至少一初步特征描述。该细分类模块根据该至少一细分类模型及该至少一初步特征描述决定至少一细分类结果。