本地服务器、影像辨识系统及其更新方法与流程

本发明的实施例是关于一种影像辨识系统及其更新方法。更具体而言，本发明的实施例是关于具有包含云端服务器与本地服务器的架构的影像辨识系统及其更新方法。

背景技术：

在人工智慧(ai)的影像辨识的技术领域中，物件辨识(objectrecognition)系指当接收一影像，通过已预先训练的影像辨识模型来侦测出该影像中的物件以及每一个物件分别对应的类别。

在进行上述物件辨识时，一影像所对应的场域往往会影响在该影像中出现的物件种类。以交通相关物件的辨识为例，若一摄影机取得的影像对应场域为「工业区的车道」，则该些影像较容易出现为属于类别为「卡车」的物件，若另一摄影机所取得的影像的对应场域为「公路」，则该些影像较容易出现为属于类别为「轿车」或「机车」的物件，而若又一摄影机取得的影像的对应场域为「人行道」，则该些影像较容易出现为属于类别为「行人」的物件。

在现行的影像辨识技术中，仅采用一般预先训练的影像辨识模型来辨识各种不同场域的影像。例如，一影像辨识模型被训练完成后，直接被应用以辨识多种场域的影像。在此情况下，因不同场域的影像具有不同的特性(例如：影像中常出现的物件类别，或影像的背景特征、杂讯特征)，故辨识效果或精准度不一。某些场域的影像会不利于该影像辨识模型的辨识(例如：场域为「天桥下」的影像普遍亮度较低，或场域为「马路口」的影像的光线变化大)，使得该影像辨识模型在辨识该些场域的影像时无法产生高可靠性的辨识结果。

因此，针对不同的场域特性来进行影像辨识模型的训练与更新，使得更新后的影像辨识模型能够针对该场域的影像获得更精准的辨识结果，将是一项亟需被解决的问题。

技术实现要素：

为了解决至少上述的问题，本发明的实施例提供了一种影像辨识系统。影像辨识系统可包含互相电性连接的一云端服务器以及一本地服务器。该云端服务器可用以存储一云端辨识模型，该本地服务器可用以存储一本地辨识模型。该本地服务器可通过该本地辨识模型辨识一影像，以产生一本地辨识结果，其中该影像对应至一场域，该影像包含至少一物件，且该本地辨识结果包含各该至少一物件分别对应至多类别的一本地类别信心分数。该本地服务器可针对各该至少一物件，根据该场域以及对应的该多本地类别信心分数计算一本地乱度指标。该本地服务器还可根据该影像的该至少一本地乱度指标，决定传送该影像至该云端服务器。该云端服务器可在接收该影像后，通过该云端辨识模型辨识该影像，以产生一云端辨识结果，并根据该云端辨识结果更新该本地辨识模型。

为了解决至少上述的问题，本发明的实施例还提供了一种影像辨识系统更新方法。该影像辨识系统更新方法可适用于一影像辨识系统，该影像辨识系统可包含互相电性连接的一云端服务器与一本地服务器。该云端服务器可存储一云端辨识模型，该本地服务器可存储一本地辨识模型。该影像辨识系统更新方法可包含以下步骤：

由该本地服务器，通过该本地辨识模型辨识一影像，以产生一本地辨识结果，其中该影像对应至一场域，该影像包含至少一物件，且该本地辨识结果包含各该至少一物件分别对应至多类别的一本地类别信心分数；

由该本地服务器，针对各该至少一物件，根据该场域以及对应的该多本地类别信心分数计算一本地乱度指标；

由该本地服务器，根据该影像的该至少一本地乱度指标，决定传送该影像至该云端服务器；以及

由该云端服务器，通过该云端辨识模型辨识该影像，以产生一云端辨识结果，并根据该云端辨识结果更新该本地辨识模型。

为了解决至少上述的问题，本发明的实施例还提供了一种本地服务器。该本地服务器可包含互相电性连接的一存储器与一处理器。该存储器可用以存储一本地辨识模型。该处理器可用以通过该本地辨识模型辨识一影像，以产生一本地辨识结果，其中该影像对应至一场域，该影像包含至少一物件，且该本地辨识结果包含各该至少一物件分别对应至多类别的一本地类别信心分数。该处理器可用以针对各该至少一物件，根据该场域以及对应的该多本地类别信心分数计算一本地乱度指标。该处理器还可用以根据该影像的该至少一本地乱度指标，决定传送该影像至一云端服务器，使得该云端服务器根据该影像更新该本地辨识模型。

在本发明的实施例中，计算本地乱度指标时同时考量该影像的场域信息以及本地类别信心分数，也就是，除了可针对本地类别信心分数来决定影像是否应传送给云端服务器之外，还可以根据场域特性来选择影像是否要传送给云端服务器，以进行后续本地辨识模型的重新训练。举例而言，此可加强辨识特定场域中常出现的特定类别，或可避免该影像中在该场域常出现的某些杂讯降低辨识精准度。

因为该影像的选择时已考虑其场域信息以及本地类别信心分数，故在该云端服务器在接收该影像，针对该影像通过该云端辨识模型辨识该影像，以产生一云端辨识结果，并根据该云端辨识结果更新该本地辨识模型之后，可使更新后的本地辨识模型能够针对该场域的影像获得更精准的辨识结果。

除此之外，本发明的实施例因根据计算的该本地乱度指标来决定是否传送影像至云端服务器，亦可达成筛选用以重新训练本地辨识模型的影像的自动化，也就是说，本发明可自动决定如何更新该本地辨识模型，以使更新后的本地辨识模型能够针对该场域的影像获得更精准的辨识结果。

以上内容并非为了限制本发明，而只是概括地叙述了本发明可解决的技术问题、可采用的技术手段以及可达到的技术功效，以让本领域技术人员初步地了解本发明。根据检附的附图及以下的实施方式所记载的内容，本领域技术人员便可进一步了解本发明的各种实施例的细节。

附图说明

图1例示了根据某些实施例的影像辨识系统的示意图。

图2a至图2b例示了根据某些实施例的影像辨识系统如何进行更新的示意图。

图3例示了根据某些实施例的影像辨识系统如何进行更新系统的示意图。

图4例示了根据某些实施例图1中的影像辨识系统更新方法的示意图。

附图标记说明

1：影像辨识系统

11：云端服务器

111：处理器

113：存储器

115：接口

13、13a、13b：本地服务器

131：处理器

133：存储器

135：接口

137：摄影机

21：专家系统

im、ima、imb：影像

m1：本地辨识模型

m2：镜像辨识模型

m3：云端辨识模型

2：流程

201～208：动作

c1、c2：物件

3：流程

301～306：动作

4：影像辨识系统更新方法

401、403、405、407：步骤

具体实施方式

以下将通过多个实施例来说明本发明，惟这些实施例并非用以限制本发明只能根据所述操作、环境、应用、结构、流程或步骤来实施。与本发明非直接相关的元件并未示出在附图中，但可隐含在附图中。在附图中，各元件(element)的尺寸以及各元件之间的比例仅是范例，而非用以限制本发明。除了特别说明之外，在以下内容中，相同(或相近)的元件符号可对应至相同(或相近)的元件。在可被实现的情况下，如未特别说明，以下所述的每一个元件的数量可以是一个或多个。

本公开使用的用语仅用于描述实施例，并不意图限制本发明。除非上下文另有明确说明，否则单数形式「一」也旨在包括多形式。「包括」、「包含」等用语指示所述特征、整数、步骤、操作、元素及/或元件的存在，但并不排除一或多个其他特征、整数、步骤、操作、元素、元件及/或前述的组合的存在。用语「及/或」包含一或多个相关所列项目的任何及所有的组合。

图1例示了根据某些实施例的影像辨识系统的示意图。图1所示内容仅是为了举例说明本发明的实施例，而非为了限制本发明。参照图1，影像辨识系统1基本上可包含互相电性连接的一云端服务器11与至少一本地服务器13。云端服务器11基本上可包含互相电性连接(直接电性连接或间接电性连接)的一处理器111、一存储器113、以及一接口115。本地服务器13亦可称为边缘端(edgeend)服务器，其基本上可包含互相电性连接(直接电性连接或间接电性连接)的一处理器131、一存储器133、一接口135。

云端服务器11的处理器111与本地服务器13的处理器131各自可以是各种具备讯号处理功能的微处理器(microprocessor)或微控制器(microcontroller)。微处理器或微控制器是一种可程式化的专用集成电路，其具有运算、存储、输出/输入等能力，且可接受并处理各种编码指令，藉以进行各种逻辑运算与算术运算，并输出相应的运算结果。处理器111可被编程以解释各种指令，以处理云端服务器11中的数据并执行各种运算或程式。处理器131可被编程以解释各种指令，以处理本地服务器13中的数据并执行各种运算或程式。

云端服务器11的存储器113与本地服务器13的存储器133可以各包含一般计算机装置/电脑内所具备的各种存储单元。存储器113与存储器133可包含第一级存储器(又称主存储器或内部存储器)，通常简称为存储器，这层的存储器与中央处理单元直接连通。中央处理单元可读取存储在存储器的指令集，并在需要时执行这些指令集。存储器113与存储器133还可以各包含第二级存储器(又称外部存储器或辅助存储器)，且第二级存储器和中央处理器并没有直接连通，而是通过存储器的i/o通道来与的连接，并使用数据缓冲器来将数据传送至第一级存储器。在不供应电源的情况下，第二级存储器的数据仍然不会消失(即非挥发性)。第二级存储器可例如是各种类型的硬碟、光碟等。存储器113与存储器133亦可各包含第三级存储装置，亦即，可直接插入或自电脑拔除的存储装置，例如随身碟。云端服务器11的存储器113可用以存储云端辨识模型m3以及镜像辨识模型m2，处理器111可执行云端辨识模型m3以及镜像辨识模型m2以进行各种影像辨识程序。本地服务器13的存储器133可用以存储一预先训练的本地辨识模型m1，处理器131可执行本地辨识模型m1以进行各种影像辨识程序。

一般而言，在影像辨识系统1中，云端服务器11的处理器111可具有较高的计算能力，而其存储器113可具有较高的存储能力，而本地服务器13通常为了降低成本，仅设有基本的运算能力及存储能力。因此，相较于本地服务器13，云端服务器11可存储较多或较占存储器的模型，且可进行更复杂或更大量的运算。举例而言，云端服务器11除了可存储较占存储器的云端辨识模型m3，也可针对每一个本地服务器13各存储一个镜像辨识模型m2，且云端服务器11除了具备执行上述辨识模型的能力，亦具备训练或更新上述各种模型的能力。相对地，本地服务器13通常仅执行已预先训练的本地辨识模型m1以辨识影像，以及进行复杂度较低的各种运算。以上仅为说明本发明，并非限制。

云端服务器11的接口115与本地服务器13的接口135可以各包含各种通讯界面，例如但不限于：一乙太(ethernet)通讯接口、一互联网(internet)通讯接口等等，以互相连接，或与其他装置或系统(例如：专家系统21)连接，以互相传递各种消息、数据或指令。接口115与接口135也可以各包含一般计算机装置/电脑内所具备的各种输入/输出元件，用以接收来自外部的数据以及输出数据至外部。接口115与接口135可以各包含例如但不限于：滑鼠、轨迹球、触控板、键盘、扫描器、麦克风、使用者接口、屏幕、触控式屏幕、投影机等等。在某些实施例中，接口115与接口135可以各包含一人机接口(例如，一图形化使用者接口)，以利于使用者分别与云端服务器11以及本地服务器13进行互动。

在某些实施例中，本地服务器13还可包含一摄影机137，且摄影机137可电性连接(直接电性连接或间接电性连接)至处理器131。在某些实施例中，摄影机137也可以具备一有线连接器及/或一无线连接器，以经由有线或者无线的方式与本地服务器13连接。摄影机137可以是各种具有动态撷取影像及/或静态撷取影像的功能的装置，例如但不限于：数位相机、录影机、或各种具有摄影功能的行动装置等。摄影机137可用以撷取影像im。

在某些实施例中，总体来说，本地服务器13可接收影像im，而其处理器131可通过本地辨识模型m1来辨识影像im，并决定是否将影像im传送至云端服务器11，以使云端服务器11根据影像im来更新本地辨识模型。接下来，将通过图2a与图2b来说明本地服务器13与云端服务器11如何执行上述运作。

图2a与图2b例示了根据某些实施例的影像辨识系统1如何决定针对本地辨识模型m1进行更新的流程2的示意图。图2a与图2b所示内容仅是为了举例说明本发明的实施例，而非为了限制本发明。

参照图1与图2a，本地服务器13可接收影像im(标示为动作201)。须说明，在某些实施例中，如图1所示，本地服务器13内部具备摄影机137，且本地服务器13可经由摄影机137来撷取欲辨识的影像im。在某些其他实施例中，本地服务器13本身不具备摄影机，则可通过接口135接收其他外部摄影设备所撷取的影像，或由其他各种外部电子装置或使用者所提供的影像，以进行影像辨识。

本地服务器13所接收的每个影像im会对应一个场域。可选择地，在本地服务器13接收影像im之后，本地服务器13可根据影像im的至少一影像信息决定影像im所对应的一场域(标示为动作202)，举例而言，本地服务器13可以根据影像im的gps定位信息、ip位置信息、或使用者提供的场域数据来决定影像im的场域，本地服务器13也可执行各种影像辨识演算法来针对影像im中的特征来进行场域的辨识。

在本地服务器13接收影像im之后，可通过本地辨识模型m1辨识影像im，以产生本地辨识结果(标示为动作203)。详言之，本地服务器13可将影像im输入本地辨识模型m1，以产生影像im的类别本地辨识结果。该本地辨识结果可包含影像im中出现至少一物件分别对应至多类别的一本地类别信心分数。

在某些实施例中，本地辨识模型m1是预先训练好并存储于本地服务器13中。须说明，本地辨识模型m1可以是现今各种具有影像辨识功能的演算法或程式，例如但不限于：youonlyliveonce(yolo)模型、基于mobilenet架构的singleshotmultiboxdetector(ssd)模型。本地辨识模型m1具有能力以产生所侦测的影像中物件的类别辨识结果，也就是为各个侦测到的物件产生对应多类别的本地类别信心分数。本地类别信心分数可为介于零与一之间的数值，而物件对应某类别的本地类别信心分数的数值越高，代表该物件属于该类别的信心水准越高。

以下的说明兹假设预先训练的本地辨识模型m1可辨识的物件的类别包含三种：「汽车」、「大型车」、「行人」。也就是，本地辨识模型m1可以为侦测到的每一个物件产生分别对应该三种类别的本地类别信心分数。接着参考图2b所提供的示例，假设影像im对应到的场域为「公车道」，且其实际上包含了物件c1与物件c2。在这个情况下，本地服务器13将影像im输入本地辨识模型m1后，本地辨识模型m1可侦测出该二个物件，且产生物件c1与物件c2分别对应至三种类别(「汽车」、「大型车」、「行人」)的本地类别信心分数如下。

(表一)

如表一所示，物件c1属于类别「汽车」的本地类别信心分数为「0.92」，属于类别「大型车」的本地类别信心分数为「0.07」而属于类别「行人」的本地类别信心分数为「0.01」。物件c2属于类别「汽车」的本地类别信心分数为「0.8」，属于类别「大型车」的本地类别信心分数为「0.15」，而属于类别「行人」的本地类别信心分数为「0.05」。

须说明，图2a中的动作202与动作203的顺序并非限制。在某些实施例中，可以仅实施动作203，在某些实施例中，可以先执行动作202，在某些实施例中，可以先执行动作203，又在某些实施例中，可以同时执行动作202与动作203。

接着，本地服务器13可针对影像im中的各该至少一物件，根据对应的场域以及对应的该多本地类别信心分数计算影像im的本地乱度指标(标示为动作204)。影像im的至少一本地乱度指标可作为本地服务器13决定是否传送影像im至云端服务器11的参考指标。一般而言，当影像im的某物件对应的本地乱度指标越高，可代表本地辨识模型m1针对该物件的辨识结果越不精准(例如，本地类别信心分数较低)，故需将影像im传送至云端服务器11以进行更精准的辨识，并据此更新本地辨识模型m1。

首先，基于该场域，各该多类别对应至一场域类别参数。举例而言，本实施例的三种类别依据不同场域所对应的场域类别参数可以被预设为下：

(表二)

参考表二所示的对应表，因影像im对应的场域为「公车道」，故类别「汽车」、「大型车」、「行人」分别对应的场域类别参数就是「2」、「4」、「4」。在某些实施例中，各类别对应的场域类别参数可以根据不同的需求而设定，举例而言，若使用者期望在场域「公车道」中加强针对类别「汽车」与「行人」的辨识，可以为类别「汽车」与「行人」设定较高的场域类别参数。

接着，本地服务器13可针对每一个物件，执行以下运作，以计算出一个本地乱度指标：针对各该多类别，计算相应的该场域类别参数、该本地类别信心分数、以及该本地类别信心分数的对数的一乘积，并计算该多乘积的一总和的负值，以获得该本地乱度指标。上述运作可以被表示为以下式子：

sl＝-∑ikipl_ilogpf_i(式一)

详言之，根据式一，本地服务器13为影像im中的每一个物件计算出一个本地乱度指标sl。其中，i为类别的编号，ki为类别i所对应的场域类别参数，pl_i为该物件针对类别i所对应的本地类别信心分数。在此，类别「汽车」的类别编号i为「1」，类别「大型车」的类别编号i为「2」，类别「行人」的类别编号i为「3」。

在本实施例中，本地服务器13先计算物件c1的本地乱度指标sl为：

接着，本地服务器13计算出物件c2的本地乱度指标sl为：

分别完成物件c1与物件c2的本地乱度指标sl的计算后，本地服务器13可根据影像im的上述本地乱度指标，决定是否传送影像im至云端服务器11(标示为动作205)。在某些实施例中，本地服务器13可以判断是否上述本地乱度指标的任一个大于一第一门槛值，若有任一个大于第一门槛值，则决定执行动作206，也就是传送影像im至云端服务器11。第一门槛值可以是各种数值，在本实施例中，第一门槛值被设定为「0.5」。因物件c2的本地乱度指标sl「0.9096」大于第一门槛值「0.5」，符合「任一个物件的本地乱度指标sl大于该第一门槛值」的条件，所以本地服务器13决定将影像im传送至云端服务器11。在其他实施例中，本地服务器13可以根据其他条件来决定是否要执行动作206。

在某些实施例中，若本地服务器13判断未符合上述条件，则可以直接结束程序2。此时，本地服务器13亦可直接存储该本地辨识结果至存储器133，或是通过接口135输出该本地辨识结果。

若本地服务器13决定要执行动作206，则云端服务器11接收影像im后，可通过云端辨识模型m3辨识影像im，以产生一云端辨识结果(标示为动作207)。在某些实施例中，云端辨识模型m3可以是预先训练好并存储于云端服务器11中，也可以是由云端服务器11的处理器111自行训练而产生。须说明，云端辨识模型m3可以是现今各种具有影像辨识功能的演算法或程式，例如但不限于：regionswithcnn(r-cnn)模型、retinanet模型等。云端辨识模型m3具有能力以产生所侦测的影像im中物件的类别辨识结果。相似于本地辨识模型m1，云端辨识模型m3也可为各个侦测到的物件产生对应多类别的云端类别信心分数，云端类别信心分数也可为介于零与一之间的数值，而物件对应某类别的云端类别信心分数的数值越高，代表该物件属于该类别的信心水准越高。不同的是，云端辨识模型m3针对影像im所产生的辨识结果的精确度通常高于本地辨识模型m1，因此，云端辨识模型m3所产生的辨识结果，可以被作为更新本地辨识模型m1的基础。

类似的，云端辨识模型m3可辨识的物件的类别也包含三种：「汽车」、「大型车」、「行人」。也就是，云端辨识模型m3也可以为侦测到的每一个物件产生分别对应该三种类别的云端类别信心分数。在这个情况下，云端服务器11将影像im输入云端辨识模型m3后，云端辨识模型m3可侦测出该二个物件，且产生物件c1与物件c2分别对应至三种类别(「汽车」、「大型车」、「行人」)的云端类别信心分数如下。

(表三)

如表三所示，物件c1属于类别「汽车」的云端类别信心分数为「0.95」，属于类别「大型车」的云端类别信心分数为「0.05」而属于类别「行人」的云端类别信心分数为「0.05」。物件c2属于类别「汽车」的云端类别信心分数为「0.97」，属于类别「大型车」的云端类别信心分数为「0.02」，而属于类别「行人」的云端类别信心分数为「0.01」。

接着，云端服务器11可根据上述云端辨识结果更新该本地辨识模型(标示为动作208)。详言之，在动作208中，云端服务器11的存储器113可存储与本地辨识模型m1相同的一镜像辨识模型m2。且云端服务器11可根据该云端辨识结果重新训练以更新镜像辨识模型m2，即，将该云端辨识结果标记至影像im后，将重新标记过的影像im作为训练数据来重新训练并更新镜像辨识模型m2。接着，将更新后的镜像辨识模型m2部署(deploy)至本地服务器13，也就是，以更新后的镜像辨识模型m2来取代本地服务器13中的该本地辨识模型以更新本地辨识模型m1，并结束流程2。

在某些其他实施例中，可选择地，当本地服务器13在执行动作205时判断上述条件被符合，还可选择各种方式来获得更精准的辨识结果(未示出)，以使云端服务器11藉此更新本地辨识模型m1。举例而言，本地服务器13可将影像im直接传送至专家系统21或其他计算机装置，以获得其提供的专家辨识结果。在某些实施例中，专家系统21可以是各种计算机装置，其可包含精准度高于本地辨识模型m1的一专家辨识模型(未示出)，以自动产生专家辨识结果。在某些实施例中，专家系统21可以经由人员判断以产生专家辨识结果。另举例而言，本地服务器13可直接通过接口135接收人员判断影像im的人员判断结果。再举例而言，本地服务器13可传送影像im至云端服务器11，再由云端服务器11直接通过接口115接收由人员判断影像im的人员判断结果。

如上所述，图2a例示了影像辨识系统1更新本地辨识模型m1的某些实施态样，接下来，将通过图3来说明影像辨识系统1还更新云端辨识模型m3的其他实施态样。图3例示了根据某些实施例的影像辨识系统1如何针对本地辨识模型m1以及云端辨识模型m3进行更新的流程3的示意图。图3所示内容仅是为了举例说明本发明的实施例，而非为了限制本发明。

参照图3，流程3可包含如流程2一样的动作201～208，针对流程3与流程2的相同的部分(即动作201～208)的实施细节，于此将不赘述。须说明，流程3与流程2之间的差异在于，流程3在完成动作207之后，可以选择性地进一步执行动作301～306，以决定是否进一步更新云端辨识模型m3。如图3所示，云端服务器11完成动作207之后(即，计算出上述云端辨识结果之后)，可进一步针对影像im中的各该至少一物件，根据对应的该多云端类别信心分数计算影像im的云端乱度指标(标示为动作301)。影像im的至少一云端乱度指标可作为云端服务器13决定是否传送影像im至专家系统21的参考指标。一般而言，当影像im的某物件对应的云端乱度指标越高，可代表云端辨识模型m3针对该物件的辨识结果越不精准(例如，云端类别信心分数较低)，故需将影像im传送至专家系统21以进行更精准的辨识，并据此更新云端辨识模型m3。

在动作301中，云端服务器11可执行以下运作，以计算出该云端乱度指标：针对各该多类别，计算相应的该云端类别信心分数以及该云端类别信心分数的对数的一乘积，并计算该多乘积的一总和的负值，以获得该云端乱度指标。上述运作可以被表示为以下式子：

sc＝-∑ipc_ilogpc_i(式二)

详言之，根据式二，云端服务器11为影像im中的每一个物件计算出一个云端乱度指标sc。其中，i为类别的编号，pc_i为该物件针对类别i所对应的云端类别信心分数。在此，类似地，类别「汽车」的类别编号i为「1」，类别「大型车」的类别编号i为「2」，类别「行人」的类别编号i为「3」。

在本实施例中，云端服务器11先计算物件c1的云端乱度指标sc为：

接着，云端服务器11计算出物件c2的云端乱度指标sc为：

分别完成物件c1与物件c2的云端乱度指标sc的计算后，云端服务器11可根据影像im的上述云端乱度指标，决定是否传送影像im至一专家系统21(标示为动作302)。在某些实施例中，云端服务器11可以判断是否上述云端乱度指标的任一个大于一第二门槛值，若有任一个大于第二门槛值，则决定执行动作303，也就是传送影像im至该专家系统21。第二门槛值可以是各种数值，在本实施例中，第二门槛值被设定为「0.5」。因物件c1与物件c2的云端乱度指标sc「0.1513」与「0.0668」皆未大于第二门槛值「0.5」，故不符合「任一个物件的云端乱度指标sc大于该第二门槛值」的条件，所以云端服务器11决定将该些云端辨识结果作为影像im的辨识结果，且不将影像im传送至云端服务器11，而进入动作208。在其他实施例中，云端服务器11可以根据其他条件来决定是否要执行动作303。

若云端服务器11判断上述条件被符合，则可执行动作303，传送影像im至专家系统21，由专家系统21来对影像im进行辨识以产生一专家辨识结果(标示为动作304)，并将该专家辨识结果提供给云端服务器11(标示为动作305)。详言之，在某些实施例中，专家系统21可以是各种计算机装置，其可包含精准度高于云端辨识模型m3的一专家辨识模型(未示出)，以自动产生专家辨识结果。在某些实施例中，专家系统21可以经由人员判断以产生专家辨识结果。又在某些实施例中，若云端服务器11判断上述条件被符合，也可直接通过接口115来接受人为判断的专家辨识结果。

接着，云端服务器11可根据上述专家辨识结果更新云端辨识模型m3以及本地辨识模型m1(标示为动作306)。详言之，云端服务器11可根据该专家辨识结果重新训练，以更新云端辨识模型m3与镜像辨识模型m2。详言之，该专家辨识结果被标记至影像im后，云端服务器11可将重新标记过的影像im作为训练数据来重新训练云端辨识模型m3，以更新云端辨识模型m3以及镜像辨识模型m2，且将更新后的镜像辨识模型m2部署至本地服务器13(也就是，用更新后的镜像辨识模型m2取代本地服务器13中现有的本地辨识模型)，以更新本地辨识模型m1，并结束流程3。

有关以上影像辨识系统1的运作，云端服务器11可以同时连接多个本地服务器13。举例而言，如图1所示，云端服务器11可同时连接本地服务器13a、13b、…，本地服务器13a可用以接收影像ima并决定是否要传送影像ima至云端服务器11，本地服务器13b可用以接收影像imb并决定是否要传送影像ima至云端服务器11，以此类推。须说明，本文通过云端服务器11与单个本地服务器13的运作的情况来说明本发明的实施态样。根据本文的说明，本领域技术人员可根据本文可知云端服务器11与多个本地服务器13的运作。

须说明，关于一个本地服务器13传送影像im至云端服务器11的情况，云端服务器11可以在一时间区间内接收本地服务器13传送的多个影像，分别辨识该些影像后，再使用产生的多个辨识结果一同更新本地辨识模型m1。另外，关于至少一个本地服务器13传送多个影像至云端服务器11的情况，在某些实施例中，云端服务器11可以在一时间区间内接收至少一个本地服务器13传送的多个影像，再根据多个影像各自的云端乱度指标sc来决定要使用其中的哪一些影像来更新云端辨识模型m3。

须说明，本发明的实施例因根据计算的本地乱度指标来决定本地服务器13是否要传送影像至云端服务器11，以及根据计算的云端乱度指标来决定云端服务器11是否要传送影像im至专家系统21，可达成自动化筛选用以重新训练本地辨识模型以及云端辨识模型的影像im的功效，也就是说，本发明可自动决定如何更新本地辨识模型m1以及云端辨识模型m3，以使更新后的本地辨识模型m1能够针对该场域的影像im获得更精准的辨识结果，且使更新后的云端辨识模型m3亦能够针对各种影像im获得更精准的辨识结果。

图4例示了根据某些实施例图1中的影像辨识系统更新方法的示意图。图4所示内容仅是为了举例说明本发明的实施例，而非为了限制本发明。

参照图4，影像辨识系统更新方法4可适用于一影像辨识系统，该影像辨识系统可包含互相电性连接的一云端服务器与一本地服务器，该云端服务器存储一云端辨识模型，该本地服务器存储一本地辨识模型，该影像辨识系统更新方法可包含以下步骤：由该本地服务器，通过该本地辨识模型辨识一影像，以产生一本地辨识结果，其中该影像对应至一场域，该影像包含至少一物件，且该本地辨识结果包含各该至少一物件分别对应至多类别的一本地类别信心分数(标示为步骤401)；由该本地服务器，针对各该至少一物件，根据该场域以及对应的该多本地类别信心分数计算一本地乱度指标(标示为步骤403)；由该本地服务器，根据该影像的该至少一本地乱度指标，决定传送该影像至该云端服务器(标示为步骤405)；以及由该云端服务器，通过该云端辨识模型辨识该影像，以产生一云端辨识结果，并根据该云端辨识结果更新该本地辨识模型(标示为步骤407)。

图4所示的步骤401～步骤407的顺序并非限制。在影像辨识系统更新方法4仍可实施的情况下，图4所示的步骤401～步骤407的顺序可以被调整。

在某些实施例中，该本地服务器还用以通过一摄影机撷取该影像，且该影像辨识系统更新方法4还可包含以下步骤：由该本地服务器，根据该影像的至少一影像信息决定该影像所对应的该场域。

在某些实施例中，当该本地服务器判断该至少一本地乱度指标的任一个大于一第一门槛值，则可决定传送该影像至该云端服务器。

在某些实施例中，基于该场域，各该多类别可对应至一场域类别参数，且针对各该至少一物件，该本地服务器可执行以下步骤以计算出该本地乱度指标：针对各该多类别，计算相应的该场域类别参数、该本地类别信心分数、以及该本地类别信心分数的对数的一乘积，并计算该多乘积的一总和的负值，以获得该本地乱度指标。

在某些实施例中，该云端服务器还可存储该本地辨识模型相同的一镜像辨识模型，且该影像辨识系统更新方法还可包含以下步骤：由该云端服务器，使用该云端辨识结果重新训练该镜像辨识模型，以更新该镜像辨识模型，并将更新后的该镜像辨识模型部署至该本地服务器，以更新该本地辨识模型。

在某些实施例中，该云端辨识结果可包含各该至少一物件分别对应至该多类别的一云端类别信心分数，且该影像辨识系统更新方法还可包含以下步骤：由该云端服务器，针对各该至少一物件，根据对应的该多云端类别信心分数计算一云端乱度指标；以及由该云端服务器，根据该影像的该至少一云端乱度指标，决定传送该影像至一专家系统，并根据该专家系统提供的一专家辨识结果更新该云端辨识模型以及该本地辨识模型。

在某些实施例中，该云端辨识结果可包含各该至少一物件分别对应至该多类别的一云端类别信心分数，且该影像辨识系统更新方法还可包含以下步骤：由该云端服务器，针对各该至少一物件，根据对应的该多云端类别信心分数计算一云端乱度指标；以及由该云端服务器，根据该影像的该至少一云端乱度指标，决定传送该影像至一专家系统，并根据该专家系统提供的一专家辨识结果更新该云端辨识模型以及该本地辨识模型。而且，当该云端服务器可判断该至少一云端乱度指标的任一个大于一第二门槛值，则决定传送该影像至该专家系统。

在某些实施例中，该云端辨识结果可包含各该至少一物件分别对应至该多类别的一云端类别信心分数，且该影像辨识系统更新方法还可包含以下步骤：由该云端服务器，针对各该至少一物件，根据对应的该多云端类别信心分数计算一云端乱度指标；以及由该云端服务器，根据该影像的该至少一云端乱度指标，决定传送该影像至一专家系统，并根据该专家系统提供的一专家辨识结果更新该云端辨识模型以及该本地辨识模型。而且，该云端服务器是执行以下步骤以计算出该云端乱度指标：针对各该多类别，计算相应的该云端类别信心分数以及该云端类别信心分数的对数的一乘积，并计算该多乘积的一总和的负值，以获得该云端乱度指标。

在某些实施例中，影像辨识系统更新方法4的上述全部步骤可以由影像辨识系统1来执行。除了上述步骤之外，影像辨识系统更新方法4还可以包含与影像辨识系统1的上述所有实施例相对应的其他步骤。因本领域技术人员可根据上文针对影像辨识系统1的说明而了解这些其他步骤，于此不再赘述。

上述实施例只是举例来说明本发明，而非为了限制本发明。任何针对上述实施例进行修饰、改变、调整、整合而产生的其他实施例，只要是本领域技术人员不难思及的，都已涵盖在本发明的保护范围内。本发明的保护范围以权利要求为准。