(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210514900.2 (22)申请日 2022.05.12 (71)申请人 济南博观智能科技有限公司 地址 250001 山东省济南市高新区新 泺大 街1166号奥盛大厦3号楼17楼 (72)发明人 梁潇　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 刘珂 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/20(2022.01) G06V 10/30(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 无约束场景的模式识别模型鲁棒性补偿方 法、 装置及 介质 (57)摘要 本申请公开了一种无约束场景的模式识别 模型鲁棒性补偿方法、 装置及介质， 涉及图像处 理技术领域。 该方法包括获取图像采集设备采集 的图片； 获取图片的质量分数以及图片的多尺度 信息； 根据图片的质量分数融合图片的多尺度信 息； 根据融合后的图片的信息对 无约束场景的模 式识别模型进行鲁棒性补偿。 该方法中质量分数 决定在进行多尺度信息融合时的融合程度； 另 外， 由于不同尺度的信息， 关注的图像信息不一 样， 因此融合多尺度信息可以更好的理解图片的 内容， 融合语义信息、 纹理信息等， 从而可以实现 对无约束场景的模式识别模型鲁棒 性补偿。 权利要求书2页 说明书9页 附图4页 CN 114821733 A 2022.07.29 CN 114821733 A 1.一种无约束场景的模式识别模型鲁棒 性补偿方法， 其特 征在于， 包括： 获取图像采集设备采集的图片； 获取所述图片的质量分数以及所述图片的多尺度信息； 根据所述图片的质量分数融合所述图片的多尺度信息； 根据融合后的所述图片的信息对无约束场景的所述模式识别模型进行鲁棒 性补偿。 2.根据权利要求1所述的无约束场景的模式识别模型鲁棒性补偿方法， 其特征在于， 所 述获取所述图片的质量分数包括： 在神经网络结构中接入第 一全连接层并生成第 一向量； 其中所述第 一向量为表征所述 图片的向量； 在所述第一全连接层后接入第二全连接层并生成对应的一维数据； 通过损失函数训练所述 一维数据作为所述图片的质量分数。 3.根据权利要求2所述的无约束场景的模式识别模型鲁棒性补偿方法， 其特征在于， 所 述根据融合后的所述图片的信息对无约束场景的所述模式识别模型进行鲁棒 性补偿包括： 分别以所述神经网络结构的中间任意尺度信息为输入接入第三全连接层并生成对应 的第二向量作为鲁棒 性补偿分支； 其中， 所述第二向量的维度与所述第一向量的维度相同； 通过所述鲁棒 性补偿分支对所述第一向量进行补偿。 4.根据权利要求3所述的无约束场景的模式识别模型鲁棒性补偿方法， 其特征在于， 在 所述通过所述鲁棒 性补偿分支对所述第一向量进行补偿之后， 还 包括： 获取所述图片的原 始特征以及所述鲁棒 性补偿分支的特 征； 将所述图片的原始特征以及所述鲁棒性补偿分支的特征进行加权以获取所述模式识 别模型的输出特征； 其中， 加权系 数为通过所述第二全连接层生成的所述质量分数计算得 出。 5.根据权利要求3所述的无约束场景的模式识别模型鲁棒性补偿方法， 其特征在于， 在 所述通过所述鲁棒 性补偿分支对所述第一向量进行补偿之后， 还 包括： 在所述神经网络结构中引入标准正态分布； 其中所述标准正态分布用于为所述模式识 别模型的输出 特征引入一个可控的波动； 获取所述图片的原 始特征以及所述鲁棒 性补偿分支的特 征； 根据所述图片的原始特征、 所述鲁棒性补偿分支 的特征、 所述标准正态分布获取所述 模式识别模型的输出 特征。 6.根据权利要求2所述的无约束场景的模式识别模型鲁棒性补偿方法， 其特征在于， 所 述神经网络结构为Resnet网络结构。 7.根据权利要求1至6任意一项所述的无约束场景的模式识别模型鲁棒性补偿方法， 其 特征在于， 在所述根据融合后的所述图片的多尺度信息对无约束场景的所述模式识别模型 进行鲁棒 性补偿之后， 还 包括： 输出用于提 示对所述模式识别模型完成鲁棒 性补偿的提 示信息。 8.一种对无约束场景的模式识别模型鲁棒 性补偿装置， 其特 征在于， 包括： 第一获取模块， 用于获取图像采集设备采集的图片； 第二获取模块， 用于获取 所述图片的质量分数以及所述图片的多尺度信息； 融合模块， 用于根据所述图片的质量分数融合所述图片的多尺度信息；权　利　要　求　书 1/2 页 2 CN 114821733 A 2补偿模块， 用于根据融合后的所述图片的信 息对无约束场景的所述模式识别模型进行 鲁棒性补偿。 9.一种无约束场景的模式识别模型鲁棒 性补偿装置， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1至7任一项所述的无约束场景的 模式识别模型鲁棒 性补偿方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至7任一项 所述的无约束场景的模 式识别模型鲁棒 性补偿方法的步骤。权　利　要　求　书 2/2 页 3 CN 114821733 A 3