在AI计算中切换分类器的信息处理方法和系统与流程

在ai计算中切换分类器的信息处理方法和系统
技术领域
1.本技术大致涉及信息技术领域，尤其涉及一种在ai计算中切换分类器的信息处理方法和系统。


背景技术：

2.人工智能(artificial intelligence，ai)作为研究开发用于模拟、延伸和扩展人的意识和思维的信息过程的技术科学，近年来正在方兴未艾地蓬勃发展，其巨大的发展潜力对科学研究和工作生活的各个领域产生广泛、深刻的影响。ai库涉及通过层级结构函数(神经网络结构)对输入信息进行分层简单计算，再通过分类器(分类模型)对分解的数据进行处理，由此得到目标运算结果。一般而言，ai库设置的层级越多、分类项越少，则运算的结果越准确。然而，随着层级结构的增加，对计算量及硬件配置的要求也相应提高；而在应用中，往往需要将分类项细化以获得更精准的信息。
3.就分类器而言，相关技术更多地关注对单一设置的分类器的设计和优化。例如，当将分类器设置于服务器中时，由于硬件配置上的优势，允许将分类器构建得更加庞大全面，从而有利于提高ai运算结果的准确性和完备性；但这种方式涉及远程访问，不仅需要网络通信支持，而且获得结果也存在延迟。另一方面，当将分类器直接设置于本地设备中时，存在分类器的配置与本地设备成本之间的矛盾；此外，不同用户的需求各异，过度投入于分类器的配置也不利于整体效率。
4.因此，迫切地需要开发一种新的分类器设置方式，其应当能够兼顾上述将分类器设置于本地设备和远程服务器中所各自具有的优势，并且更为灵活和合理。


技术实现要素：

5.本技术的目的在于，提供一种在ai计算中切换分类器的信息处理方法和系统，其至少部分地解决了现有技术中存在的上述问题。
6.根据本技术的一个方面，提供一种在ai计算中切换分类器的信息处理方法，包括：
7.s1：获取或采集图像；
8.s2：将所述图像输入ai库，经计算获得所述图像的分解数据；
9.s3：将所述分解数据输入第一分类器，获得所述第一分类器的输出；和
10.s4：根据所述第一分类器的输出，决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出。
11.根据本发明的一个方面，所述步骤s4包括：当第一分类器的输出为错误或者为空时，将所述分解数据输入第二分类器并获得第二分类器的输出。
12.根据本发明的一个方面，所述步骤s2包括：将多个图像输入ai库，经计算获得多组分解数据；
13.所述步骤s3包括：对于所输入的多组分解数据，获得第一分类器的多个输出；
14.所述步骤s4包括：统计第一分类器的多个输出中为错误或者为空的比例，当所述
比例超过阈值时，将所述多组分解数据输入第二分类器并获得第二分类器的输出。
15.根据本发明的一个方面，所述第一分类器为设置于本地设备中的ai库分类模型，所述第二分类器为设置于远程服务器中的ai库分类模型。
16.本发明还提供一种在ai计算中切换分类器的信息处理系统，包括：
17.用于获取或采集图像的单元；
18.用于将所述图像输入ai库并经计算获得所述图像的分解数据的单元；
19.用于将所述分解数据输入第一分类器以获得所述第一分类器的输出的单元；和
20.用于根据所述第一分类器的输出决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出的单元。
21.根据本发明的一个方面，所述用于根据所述第一分类器的输出决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出的单元配置为：当第一分类器的输出为错误或者为空时，将所述分解数据输入第二分类器并获得第二分类器的输出。
22.根据本发明的一个方面，所述用于将所述图像输入ai库并经计算获得所述图像的分解数据的单元配置为：将多个图像输入ai库，经计算获得多组分解数据；
23.所述用于将所述分解数据输入第一分类器以获得所述第一分类器的输出的单元配置为：对于所输入的多组分解数据，获得第一分类器的多个输出；
24.所述用于根据所述第一分类器的输出决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出的单元配置为：统计第一分类器的多个输出中为错误或者为空的比例，当所述比例超过阈值时，将所述多组分解数据输入第二分类器并获得第二分类器的输出。
25.根据本发明的一个方面，所述第一分类器为设置于本地设备中的ai库分类模型，所述第二分类器为设置于远程服务器中的ai库分类模型。
26.根据本发明的一个方面，所述信息处理系统还包括本地存储器和远程存储器，其中所述第一分类器存储在所述本地存储器中，所述第二分类器存储在所述远程存储器中。
27.本发明还提供一种便携式电子设备，包括如上所述的在ai计算中切换分类器的信息处理系统。
28.根据本技术的在ai计算中切换分类器的信息处理方法和系统，其可实现在设置于本地设备和远程服务器中的分类器之间的切换，由此得以更加灵活和合理的方式兼顾两者的优点，有利于资源调配的优化和成本的平衡。另外，基于所述信息处理方法和系统的便携式电子设备特别适合用于为低视力用户提供便利和帮助。
附图说明
29.通过阅读参照以下附图所作的对非限制性实施例的详细描述，本技术的其他特征、目的和优点将会变得更加明显：
30.图1示出了根据本技术一个实施方案的在ai计算中切换分类器的信息处理方法的流程图；和
31.图2示出了根据本技术一个实施方案的便携式电子设备的结构。
具体实施方式
32.下面参考附图并结合实施例对本技术作进一步详细描述。可以理解的是，以下所描述的具体实施例仅用于对相关发明的举例说明，而非对发明的限定。另外为便于描述，在附图中仅示出了与发明相关的部分。此处需要说明的是，在不冲突的情况下，本技术中的各个实施例以及其中的特征可以相互组合。
33.通常，在ai运算中，通过层级结构函数对输入信息进行分层计算而得到经分解的数据，再通过分类器对这些分解数据进行处理而得到最终运算结果，例如对应于输入信息的对象识别等。因此，分类器的配置对于ai运算的结果具有重要影响。就此而言，设置于本地的分类器便于数据直接读取，具有响应时间短的优点，但本地设备在应用中多呈现为诸如便携式、可移动的小型电子设备，其硬件性能对分类器的配置造成限制；而将分类器设置于服务器中可在很大程度上摆脱硬件性能上的限制，有利于提高运算结果的准确性和完备性，但由于涉及远程数据传输，结果的获得存在延迟，给用户带来不便。有鉴于此，本技术提出一种在ai计算中切换分类器的信息处理方法和系统，通过其实现在设置于本地设备和远程服务器中的分类器之间的切换，并由此完成了本发明。
34.本技术中，除非特别说明，表述“多个”通常意指为两个以上，即数量≥2。
35.本技术的第一方面涉及一种在ai计算中切换分类器的信息处理方法，如图1所示，所述方法100包括以下步骤：
36.在步骤s1，获取或采集图像。
37.在步骤s1中，可以通过摄像头来采集环境图像，所述摄像头可以是本地摄像头或者是远程的摄像头，或者可以从现有的图片库中获得图像，以供后续处理使用。
38.在步骤s2，将所述图像输入ai库，经计算获得所述图像的分解数据。
39.根据本技术，步骤s2中的ai库可根据应用需求相应选择，其可例如通过市售购得，或者对现有的ai库进行改进，或者甚至自行开发以实现特定的功能等，本技术对此不作特别限制。
40.所述ai库例如为pca(主成分分析)、sobel算子、卷积、canny算子等。所述ai库在接收输入的图像后，例如可以对图像进行分析和处理，获得图像的分解数据。本发明的上下文中，“分解数据”应做广义理解，包括但不限于图像的语义分割、颜色信息、形状信息、直线、曲线、长宽、方向梯度直方图以及其他特征信息。
41.在步骤s3，将所述分解数据输入第一分类器，获得所述第一分类器的输出。
42.在步骤s3中使用的第一分类器，可包括任何现有技术中的分类器。分类器又称识别器，可以根据步骤s2中提取的特征(或分解数据)来进行分类或识别，例如识别出图像中是否包括车牌或者站牌等。另外，本发明中，第一分类器不局限于仅一个分类器。可以针对不同的场景具有不同的第一分类器。例如当用户需要过马路时，所采用的第一分类器可用于识别马路、车辆、人行道等特征；当用户需要辨别车辆站牌时，所采用的第一分类器可用于识别图像中是否存在车辆站牌。
43.在步骤s4，根据所述第一分类器的输出，决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出。
44.根据本技术，对于步骤s4，一般性地考虑为第二分类器在配置及相应的运算结果“质量”上优于第一分类器。即在应用中，将由图像计算得到的分解数据优先输入第一分类
器，并判断其输出结果是否令人满意。当第一分类器的输出结果令人满意时，继续调用第一分类器；而当第一分类器的输出结果不令人满意时，将其例如手动或自动切换为更高级的分类器(第二分类器)，从而获得令人满意的输出结果。
45.例如当第一分类器的输出为错误时，将所述分解数据输入第二分类器并获得第二分类器的输出。或者当第一分类器的输出为空时，将所述分解数据输入第二分类器并获得第二分类器的输出。关于第一分类器的输出是否为错误，可以通过用户来识别或者通过其他方式来进行识别。
46.因此，根据本技术，第一分类器可考虑为相对于第二分类器具有诸如以下特性，例如模型容量小、分类少、分类粗略、运行速度快、响应时间短等；而第二分类器可考虑为相对于第一分类器具有诸如以下特性，例如模型容量大、分类多、分类细致、运行速度慢、响应时间长等。
47.在本技术的一个实施方案中，与上述特性相对应地，所述第一分类器为设置于本地设备中的ai库分类模型，所述第二分类器为设置于远程服务器中的ai库分类模型。当第一分类器运行在本地设备上时，由于本地设备的计算能力和数据处理能力有限，为了保证计算的速度，通常选用容量小、分类粗略的分类器作为第一分类器。第二分类器设置于远程服务器或者云端，计算能力和数据处理能力强，因此可以采用容量大、分类多的分类器作为第二分类器。
48.根据本技术，是否执行分类器的切换主要取决于第一分类器的输出结果是否令人满意。下文中，出于方便描述，将分类器的输出结果以“1”和“0”来表示，其中1代表正确的输出结果，0代表错误的输出结果或无输出结果。此处需要说明的是，上述“正确的”和“错误的”仅是相对而非绝对的认定，即对于同一个输出结果，在一种切换认定标准下可能是“正确的”，而在另一种切换认定标准下则可能是“错误的”，这主要取决于分类器的具体设置以及用户的具体需求。
49.更具体地，以物体识别功能为例，考虑一个识别带有把手的杯子的场景。在一种情况下，如果识别结果为“杯子”，则输出为1；而如果识别结果为“热水壶”或未提供识别结果，则输出为0；此时，“杯子”即被认定为“正确的”。在另一情况下，如果识别结果为“杯子”，则输出为0；而如果识别结果为“带有把手的杯子”，则输出为1；此时，“杯子”即被认定为“错误的”。可见，当用户对被识别对象的信息量要求提高时，分类器的配置亦需相应提高。
50.如前所述，根据本技术，是否执行分类器的切换取决于当前分类器的输出结果为“1”或“0”。此处，执行分类器切换的判断依据可以多种方式实现。
51.在本技术的一个实施方案中，所述步骤s4包括：当第一分类器的输出为1时，继续调用第一分类器；当第一分类器的输出为0时，将分解数据输入第二分类器并获得第二分类器的输出。在此情况下，以分类器的输出结果“是否命中”，即输出结果的正确性作为是否切换更高级分类器的依据。
52.在本技术的另一个实施方案中，所述步骤s2包括：将多个图像输入ai库，经计算获得多组分解数据；所述步骤s3包括：对于所输入的多组分解数据，获得第一分类器的多个输出；所述步骤s4包括：统计第一分类器的输出为0的比例(即为错误或者为空的比例)，当所述比例超过阈值时，将所述多组分解数据输入第二分类器并获得第二分类器的输出。当所述比例未超过阈值时，继续调用第一分类器；当所述比例超过阈值时，将所述多组分解数据
输入第二分类器并获得第二分类器的输出。在此情况下，以分类器的输出结果“命中是否稳定”，即输出结果的稳定性作为是否切换更高级分类器的依据。
53.在本技术的一个实施方案中，所述阈值设定为每10个输入图像中，第一分类器输出为0所占的百分比。
54.在本技术的一个实施方案中，所述阈值选自10％、20％、30％和40％。
55.以上描述了若干种通过自动的方式执行分类器的切换的实现方式。当然，根据本技术，也可通过手动的方式自主执行分类器的切换，例如当期望就已被认定为正确的输出结果获得进一步信息时。
56.此外，本领域技术人员可以理解，在通过如上所述的方法获得期望的输出结果的基础上，还可通过增设相关的功能模块实现相应的扩展功能，从而获得更丰富的信息，为用户提供便利。
57.本技术的第二方面涉及一种在ai计算中切换分类器的信息处理系统，包括：
58.用于获取或采集图像的单元(如图2所示的摄像头1)；
59.用于将所述图像输入ai库并经计算获得所述图像的分解数据的单元(如图2所示的计算模块2)；
60.用于将所述分解数据输入第一分类器以获得所述第一分类器的输出的单元(如图2所示的控制模块3)；和
61.用于根据所述第一分类器的输出决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出的单元(如图2所示的控制模块3)。
62.根据本发明的一个实施例，所述用于根据所述第一分类器的输出决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出的单元配置为：当第一分类器的输出为错误或者为空时，将所述分解数据输入第二分类器并获得第二分类器的输出。
63.根据本发明的一个实施例，所述用于将所述图像输入ai库并经计算获得所述图像的分解数据的单元配置为：将多个图像输入ai库，经计算获得多组分解数据；
64.所述用于将所述分解数据输入第一分类器以获得所述第一分类器的输出的单元配置为：对于所输入的多组分解数据，获得第一分类器的多个输出；
65.所述用于根据所述第一分类器的输出决定是否将所述分解数据输入第二分类器并获得所述第二分类器的输出的单元配置为：统计第一分类器的多个输出中为错误或者为空的比例，当所述比例超过阈值时，将所述多组分解数据输入第二分类器并获得第二分类器的输出。
66.根据本发明的一个实施例，所述第一分类器为设置于本地设备中的ai库分类模型，所述第二分类器为设置于远程服务器中的ai库分类模型。
67.根据本发明的一个实施例，所述信息处理系统还包括本地存储器和远程存储器，其中所述第一分类器存储在所述本地存储器中，所述第二分类器存储在所述远程存储器中。
68.根据本技术，对于所述在ai计算中切换分类器的信息处理系统及其包括的各个单元的结构和连接方式没有特别限制，只要其能够实现如本技术第一方面所述的过程和功能即可。因此，根据本技术第二方面的在ai计算中切换分类器的信息处理系统的描述，与根据本技术第一方面的在ai计算中切换分类器的信息处理方法相同或相应，此处不再赘述。
69.在本技术的一个实施方案中，所述在ai计算中切换分类器的信息处理系统设置于芯片中。
70.本技术的第三方面涉及一种便携式电子设备，包括如上所述的在ai计算中切换分类器的信息处理系统。
71.根据本技术，对于所述便携式电子设备的种类和产品形态等没有特别限制，只要其包括根据本技术第二方面的在ai计算中切换分类器的信息处理系统即可。根据本技术的便携式电子设备可包括例如手机、ar及vr眼镜、智能手表及手环等常见的商品形式。
72.实施例
73.以下通过实施例，对根据本技术的在ai计算中切换分类器的信息处理方法和系统的工作过程进行更具体的描述。
74.图2示出了便携式电子设备10的结构。如图2所示，便携式电子设备10包括：摄像头1，其配置为可采集图像并实时传输数据；计算模块2，与摄像头1连接，其中设置有层级结构函数模型，将来自摄像头1的图像经分层计算转换为分解数据；控制模块3，其与计算模块2连接并接收来自计算模块2的分解数据；本地存储模块4，其位于便携式电子设备10中，并与控制模块3电气连接，其中设置有第一分类模型；远程存储模块5，其位于云端的服务器中，并与控制模块3网络连接，其中设置有第二分类模型。第一分类模型和第二分类模型均可对来自控制模块3的分解数据分类处理，且第二分类模型的容量和分类性能优于第一分类模型，但其对硬件配置的要求更高。另外，便携式电子设备10还包括与控制模块3连接的反馈模块6，例如显示屏或者语音单元，其配置为可将最终的输出结果以例如屏显或语音等形式反馈至用户。
75.一位低视力用户准备使用便携式电子设备10，经由马路到达公交车站，并乘坐528路公交车。首先，该用户需要安全地走过马路。在此过程中，便携式电子设备10中的摄像头1采集图像并实时传输至计算模块2；计算模块2通过其中设置的层级结构函数模型将图像转换为分解数据并发送至控制模块3；控制模块3将接收到的分解数据优先发送至本地存储模块4，通过其中设置的第一分类模型对分解数据分类处理(或者调用本地存储模块4中的第一分类模型)，成功识别出沿途的护栏、交通标识和斑马线，并将结果发送至反馈模块6，以语音播报形式通知用户。由此，该低视力用户借助于基本实时转换的信息安全走过马路到达公交车站，期间未涉及远程存储模块5，因此未接收到延迟的信息。
76.到达公交车站后，该低视力用户需要确认此车站是否设有528路公交车，因此需要识别出528路公交站牌。首先通过与上述相同的过程，获得含有528路公交站牌的环境图像的分解数据，并由控制模块3优先发送至本地存储模块4。然而，设置于本地存储模块4中的第一分类模型无法识别该公交站牌，未输出结果。此时，控制模块3转而启动网络接口，将分解数据发送至远程存储模块5，通过其中设置的第二分类模型成功识别出528路公交站牌，并将结果发送至反馈模块6，以语音播报形式通知用户。由此，该低视力用户借助于略有延迟但完备的信息顺利识别出期望的公交站牌。
77.另外，如图2所示，便携式电子设备10还可包括扩展模块7，其与控制模块3连接，并配置为可调用相关扩展功能的接口以用于唤起相应的服务。仍以上述场景为例，当该低视力用户识别出528路公交站牌后，其可进一步通过扩展模块7唤起例如导航服务，从而获得最近一班528路公交车的预计到达时间以及未来行程的路况信息等。
78.在以上实施例所描述的场景中，如果该低视力用户始终使用设置于本地设备中的分类模型，则其不得不升级本地设备的硬件以完成期望的分类识别，这会导致成本的增加；而如果该低视力用户始终使用设置于远程服务器中的分类模型，则其不得不忍受每次远程访问所带来的信息延迟，这会影响使用体验甚至危及安全。由此可见，根据本技术通过在设置于本地设备和远程服务器中的分类模型之间的合理切换，可实现资源调配的优化和成本的平衡。
79.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案，例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。