[发明专利]对象识别方法和装置、神经网络生成方法和装置

权利要求书

1.一种对象识别方法，包括：

从输入图像中提取特征；以及

通过对所提取的特征进行分类来执行对象识别；

其中，基于一个或多个对象原型对提取的特征进行分类。

2.根据权利要求1所述的方法，其中，所述通过对所提取的特征进行分类来执行人脸识别包括：

基于提取的特征，从获取的一个或多个对象原型中得到与待识别对象最相似的对象原型；

计算所述待识别对象与所述最相似的对象原型之间的相似度；以及

响应于所述相似度与第一阈值的比较结果，确定所述待识别对象具有与最相似的对象原型相对应的类别。

3.根据权利要求2所述的方法，还包括：

分别计算所述提取的特征与所有对象原型的距离，获取候选对象原型；

根据所述候选对象原型与待识别对象的相似度，获取待识别对象与未知类别之间的关联度；

根据关联度与第二阈值的比较结果，确定识别结果。

4.根据权利要求1所述的方法，其中，所述从输入图像中提取特征包括：

通过深度学习神经网络从输入图像中提取特征；

其中，所述深度学习神经网络的网络参数是通过损失度量训练得到的；

其中，所述损失度量使得第一距离与第二距离之间的差尽可能大，其中，第一距离为训练集与所对应的正确类别的对象原型之间的距离，第二距离为训练集与最易混淆类别的对象原型之间的距离。

5.根据权利要求1所述的方法，其中，所述从输入图像中提取特征包括：通过深度学习神经网络从输入图像中提取特征；

所述方法还包括：根据新的对象原型识别新的类别；其中，所述新的对象原型是所述深度学习神经网络根据对象新的训练集获取的。

6.一种神经网络模型的生成方法，包括：

根据损失度量，通过训练样本得到深度学习神经网络模型；

其中，所述深度学习神经网络模型包括与类别对应的一个或多个对象原型，以便根据所述一个或多个对象原型对待识别对象进行分类。

7.根据权利要求6所述的方法，其中，所述损失度量使得第一距离与第二距离之间的差尽可能大；

其中，第一距离为训练集与所对应的正确类别的对象原型的距离，第二距离为训练集与最易混淆的类别的对象原型的距离。

8.根据权利要求6所述的方法，还包括：

根据新的训练集，得到新的对象原型。

9.根据权利要求6所述的方法，其中，利用以下公式计算所述深度学习神经网络模型的损失度量minL：

其中，[]₊表示若值小于t时则取0，大于t时则为当前值，N为训练样本的数目，x_i表示第i个训练样本，y为第i个训练样本对应的正确类别，f为训练样本经过深度学习神经网络模型提取的特征，p_ym为与正确类别y相对应的第m个对象原型，p_cn为最易混淆类别c的第n个对象原型，t为常量。

10.一种对象识别装置，包括：

用于从输入图像中提取特征的提取模块；以及

用于通过对所提取的特征进行分类来执行对象识别的分类模块；

其中，所述分类模块基于一个或多个对象原型对提取的特征进行分类。

11.一种神经网络模型的生成装置，包括：

用于根据损失度量训练样本得到深度学习神经网络模型的训练模块；

其中，所述深度学习神经网络模型包括与类别对应的一个或多个对象原型，以便根据所述一个或多个对象原型对待识别对象进行分类。