CN114241231B 基于层级标签注意力的识别方法及装置 （超级视线科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114241231B(45)授权公告日2025.07.04

(21)申请号202111382923.4

(22)申请日2021.11.22

(65)同一申请的已公布的文献号申请公布号CN114241231A

(43)申请公布日2022.03.25

(73)专利权人超级视线科技有限公司

地址100000北京市海淀区海淀大街8号中

钢集团大厦9层

(72)发明人闫军阳平

(51)Int.CI.

GO6N3/09(2023.01)

(56)对比文件

CN110991506A,2020.04.10

CN113129319A,2021.07.16审查员张茜

GO6V10/764(2022.01)

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

权利要求书5页说明书14页附图3页

(54)发明名称

基于层级标签注意力的识别方法及装置

(57)摘要

CN114241231B本申请公开一种基于层级标签注意力的识别方法及装置。基于层级标签注意力的识别方法包括：对每个原始图像的目标区域进行标注，形成检测训练集，并基于检测训练集，训练形成目标位置检测模型；根据目标位置检测模型，对每个原始图像进行划分，形成多个目标区域图像；对每个目标区域图像进行至少两层包含关系标签的标注，形成识别训练集，并基于识别训练集，训练形成层级标签注意力神经网络模型；根据目标位置检测模型与层级标签注意力神经网络模型，对待检测图像进行检测识别。本申请实现对图像信息进行逐层识别，实现了对不同类别之间

CN114241231B

获取多个原始图像

获取多个原始图像

对每个所述原始图像的目标区域进行标注，形成检测训练集，并基于所述检测训练集，训练形成目标位置检测模型

根据所述目标位置检测模型，对每个所述原始图像进行划分，形成多个目标区域图像

对每个所述目标区域图像进行至少两层包含关系标签的标注，形

成识别训练集，并基于所述识别训练集，训练形成层级标签注意

力神经网络模型

根据所述目标位置检测模型与所述层级标签注意力神经网络模型,对待检测图像进行检测识别

S10

S20

S40

CN114241231B权利要求书1/5页

2

1.一种基于层级标签注意力的识别方法，其特征在于，包括：

获取多个原始图像；

对所述多个原始图像中每个原始图像的目标区域进行标注，形成检测训练集，并基于所述检测训练集，训练形成目标位置检测模型；

根据所述目标位置检测模型，对所述多个原始图像中每个原始图像进行划分，形成多个目标区域图像；

对所述多个目标区域图像中每个目标区域图像进行至少两层包含关系标签的标注，形成识别训练集，并基于所述识别训练集，训练形成层级标签注意力神经网络模型；

所述层级标签注意力神经网络模型的训练形成步骤包括：

采用残差网络对所述多个目标区域图像中每个目标区域图像进行特征提取，形成第一层标签特征分支与第二层标签特征分支；

在所述第一层标签特征分支上运行分类函数，获取每个所述目标区域图像对应的第一层标签对应的各个类别的概率与第一层标签识别结果，在模型训练时计算第一交叉熵损失函数；

将每个所述目标区域图像对应的第一层标签对应的各个类别的概率，融合至所述第二层标签特征分支上，形成新第二层标签特征分支；

在所述新第二层标签特征分支上运行分类函数，获取每个所述目标区域图像对应的第一层标签下对应的第二层标签对应的各个类别的概率与第二层标签识别结果，在模型训练时计算第二交叉熵损失函数；

根据所述第一交叉熵损失函数与所述第二交叉熵损失函数，计算第一总损失函数；

所述新第二层标签特征分支的形成步骤包括：

在所述第二层标签特征分支上，将第i个目标区域图像对应的第一层标签对应的各个类别的概率的维度拓展为所述第二层标签特征分支的特征对应的维度，获得第一注意力权重；

根据所述第一注意力权重，计算所述第二层标签特征分支的新特征，形成所述新第二层标签特征分支；

根据所述目标位置检测模型与所述层级标签注意力神经网络模型，对待检测