SYSTEM AND METHOD FOR SEQUENTIAL PROBABILISTIC OBJECT CLASSIFICATION

Methods and systems are provided for classifying an object appearing in multiple sequential images. The process includes determining a neural network classifier having multiple object classes for classifying objects in images; determining a likelihood classifier model comprising a likelihood vector of class probability vectors; for each image z, running the image multiple respective times through the neural network classifier, applying dropout each time, to generate a point cloud of class probability vector values {ϒ t }; calculating a vector of posterior distributions {λ t } for each class and for each of the multiple {ϒ t }, where calculating each class element of {λ t } includes calculating a product of the respective element of the class probability vectors and an element of the posterior distribution of a prior image; randomly selecting a subset of {λ t } to form a new subset of {λ t }; and repeating the calculation of the subset {λ t } for each of the images, to determine a cloud of posterior probability vectors approximating a distribution over posterior class probabilities, given all the multiple sequential images. L'invention concerne des procédés et des systèmes permettant de classer un objet apparaissant dans de multiples images séquentielles. Le processus comprend la détermination d'un classificateur de réseau neuronal ayant de multiples classes d'objets pour classer des objets dans des images ; la détermination d'un modèle de classificateur de vraisemblance comprenant un vecteur de vraisemblance de vecteurs de probabilité de classe ; pour chaque image z, l'exécution des multiples fois respectives d'image dans le classificateur de réseau neuronal, l'application d'une perte à chaque fois pour générer un nuage de points de valeurs de vecteur de probabilité de classe {Y t } ; le calcul d'un vecteur de distributions a posteriori {λ t } pour chaque classe et pour chacun des multiples {Y t }, où le calcul de chaque élément de classe de {λ t } comprend le calcul d'un produit de l'élément respectif des vecteurs de probabilité de classe et d'un élément de la distribution a posteriori d'une image précédente ; la sélection aléatoire d'un sous-ensemble de {λ t } pour former un nouveau sous-ensemble {λ t } ; et la répétition du calcul du sous-ensemble {λ t } pour chacune des images pour déterminer un nuage de vecteurs de probabilité a posteriori approchant d'une distribution sur les probabilités de classe a posteriori compte tenu de toutes les multiples ima