[发明专利]一种基于深度学习的未知类别分类方法、装置及介质

说明书

本发明公开了一种基于深度学习的未知类别分类方法，其包括如下步骤：S1，获取待识别类别的图片；S2，将所述待识别类别的图片输入预先训练好的基于深度学习的未知类别分类模型中，得到所述图片的预测结果矩阵；其中所述模型包括一主干网络，第一全连接层，第二全连接层，一激活函数层，其中所述待识别类别的图片经所述主干网络得到特征图，所述特征图经第一全连层得到所述第一特征矩阵，所述第一特征矩阵经第二全连接层得到第三特征矩阵，所述第三特征矩阵经激活函数层得到预测结果矩阵；S3，通过投票结果P_i(i＝0,1,…,2N)得到预测；比较P_i与P_i+N的大小，其中i＝0,1,…,N‑1。若P_i≥P_i+N，则令否则对P^pred进行降序排序，此时最大所对应的类别为label_max，即为预测结果，本发明的基于深度学习的未知类别分类方法，能将已知类别与未知类别进行区分，得到预测结果；对已知与未知的类别标签进行编码，有助于提高预测结果；通过投票机制，使得模型更加可靠与稳定。

技术领域

本发明涉及计算机视觉领域，特别是一种基于深度学习的未知类别分类方法。

背景技术

随着深度学习不断发展与突破，基于深度学习的计算机视觉技术受到了越来越多的关注。然而，对于未知类别的分类依然是计算机视觉任务上的难点。已知类别表示在训练集中出现的类别；未知类别表示不在训练集中的类别。例如，对于一个分类任务，训练集中包含“猫”、“狗”和“鸟”等多个类别，这些类别属于已知类别；当一个类别，如“汽车”，不存在于训练集的类别中，则该类别属于未知类别。

在现实生活中，需要对已知类别进行较好的分类，同时也需要将排除未知类别，防止其误分类成已知类别。通过排除未知类别，能提高整个计算机视觉算法的稳定性与安全性。

目前，对未知类别的分类方法通常使用贝叶斯概率神经网络。在预测时，随机对各神经元的权重进行采样，从而对同一张输入图片会得到多个不同的预测结果。将此过程重复多次，并收集多次结果进行加权运算，进而得到最终预测结果。此方法需要对同一张输入图片进行多次重复运算，效率低，无法进行高效率的工程应用。

本文提供的背景描述用于总体上呈现本公开的上下文的目的。除非本文另外指示，在该章节中描述的资料不是该申请的权利要求的现有技术并且不要通过包括在该章节内来承认其成为现有技术。

发明内容

针对上述的不足，本发明提供一种基于深度学习的未知类别分类方法。该基于深度学习的未知类别分类方法能够能将已知类别与未知类别进行区分，得到预测结果；对已知与未知的类别标签进行编码，有助于提高预测结果；通过投票机制，使得模型更加可靠与稳定。

第一方面，本实施例提供了一种基于深度学习的未知类别分类方法，其包括如下步骤：

S1，获取待识别类别的图片；

S2，将所述待识别类别的图片输入预先训练好的基于深度学习的未知类别分类模型中，得到所述图片的预测结果矩阵；其中所述模型包括一主干网络，第一全连接层，第二全连接层，一激活函数层，其中所述待识别类别的图片经所述主干网络得到特征图，所述特征图经第一全连层得到所述第一特征矩阵，所述第一特征矩阵经第二全连接层得到第三特征矩阵，所述第三特征矩阵经激活函数层得到预测结果矩阵；

S3，通过投票结果P_i(i＝0,1,...,2N)得到预测；比较P_i与P_i+N的大小，其中i＝0,1,...,N-1。若P_i≥P_i+N，则令P_i^pred＝P_i；否则P_i^pred＝0；对P^pred进行降序排序，此时最大所对应的类别为label_max，即为预测结果。