图像识别方法及云端系统技术方案

本申请提供了图像识别方法及云端系统，所述方法包括：利用预设的特征提取网络获取待识别图像的特征向量；利用预设的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。本申请基于改进的分类器，增加了类内特征向量的聚集度，扩大了类间特征向量的可区分性，同时提高了云端系统的鲁棒性。

【技术实现步骤摘要】
【国外来华专利技术】图像识别方法及云端系统
本申请涉及图像识别
，特别涉及图像识别方法及云端系统。
技术介绍
人工神经网络(ANN：ArtificialNeuralNetwork)适用于特征分类等应用场景，通常利用线性分类器对特征进行分类。目前最广泛使用的线性分类器是Softmax分类器，即对于一个类别为n的分类任务，ANN提取的特征向量xi(i＝1，…，m)属于第j(j＝1，…，n)类的概率Pij为：训练过程中，损失函数定义如下：其中，w、b均为神经网络参数，w为连接权值，b为偏移量，1{·}为示性函数，当表达式为真时，1{表达式}＝1，当表达式为假时，1{表达式}＝0。Softmax分类器的分类结果依赖于特征向量和表示类中心向量的内积，通过Softmax分类器与交叉熵定义的损失函数对ANN提取的特征向量进行优化时，仅能够保证特征向量是线性可分的，但是仅线性可分的特征向量在实际应用中存在以下问题：1)对于靠近类别边界的特征向量，易受到微小扰动造成误分类，系统的鲁棒性较低；2)对于非分类任务(例如，人脸识别)，所提取的特征向量无法保证良好的类内聚集度和类间区分度。
技术实现思路
本申请实施例提出了图像识别方法及云端系统，以解决现有分类器对于靠近类别边界的特征向量的识别度较低，以及所提取的特征向量无法保证良好的类内聚集度和类间区分度的技术问题。在一个方面，本申请实施例提供了一种图像识别方法，包括：利用预设的特征提取网络获取待识别图像的特征向量；利用预设的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。在另一个方面，本申请实施例提供了一种图像识别云端系统，包括：特征提取网络，用于利用预设的特征提取网络获取待识别图像的特征向量；分类器，用于利用预设的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。在另一个方面，本申请实施例提供了一种电子设备，所述电子设备包括：收发设备，存储器，一个或多个处理器；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行上述方法中各个步骤的指令。在另一个方面，本申请实施例提供了一种与电子设备结合使用的计算机程序产品，所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制，所述计算机程序机制包括用于执行上述方法中各个步骤的指令。有益效果如下：本实施例中，利用训练好的特征提取网络获取待识别图像的特征向量，以及利用训练好的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。通过对现有的分类器进行改进，增加了类内特征向量的聚集度，扩大了类间特征向量的可区分性，同时提高了云端系统的鲁棒性。附图说明下面将参照附图描述本申请的具体实施例，其中：图1为本申请实施例一中图像识别的方法原理图；图2为本申请实施例一中图像识别方法中的分类器分类示意图；图3为本申请实施例二中图像识别的云端系统架构图；图4为本申请实施例三中电子设备的结构示意图。具体实施方式以下通过具体示例，进一步阐明本专利技术实施例技术方案的实质。为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。专利技术人在专利技术过程中注意到：现有Softmax分类器基于特征向量的内积来度量相似度，直观性较差。对于仅线性可分，且靠近类别边界的特征向量，现有Softmax分类器极易受到微小扰动造成误分类，鲁棒性较低；对于非分类任务，所提取的特征向量也无法保证良好的类内聚集度和类间区分度。针对上述不足/基于此，本申请实施例提出了将分类器度量相似度的方式由通过内积计算的方式改进为通过欧式距离计算的方式来实现，即，将现有的Softmax分类器中基于类中心向量的损失函数改进为基于类中心点的损失函数，从而达到增加类内特征向量聚集度，以及扩大类间特征向量可区分性的技术效果。为了便于本申请的实施，下面实例进行说明。实施例1图1示出了本申请实施例一中图像识别的方法原理图，如图1所示，该方法包括：步骤101：利用预设的特征提取网络获取待识别图像的特征向量。步骤102：利用预设的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。实施中，上述步骤的执行主体可以为云端服务器，云端服务器中的训练器基于图像样本，图像标签，以及初始化的修正的Softmax分类器的损失函数对ANN进行训练，在训练优化的过程中，将损失函数对ANN各层参数求偏导，并利用后向传导算法实现对ANN各层参数的优化，以使训练好的ANN能够通过提取网络获取待识别图像的特征向量，以及利用修正的Softmax分类器对待识别图像的特征向量识别，得到待识别图像的识别结果。在本实施例中，利用第一损失函数对初始化的特征提取网络和分类器进行训练，得到预设的特征提取网络和分类器，所述第一损失函数L为：所述其中，Li为图像样本的特征向量xi(i＝1，…，m)的损失函数，其对应的真实类别为yi，为xi的真实类别yi对应的中心点，M为预设的第一神经网络参数。在本实施例中，所述预设的神经网络参数M的取值条件为：所述图像样本的特征向量xi与其对应的第yi个图像类别的类中心点的欧式距离的M倍小于等于所述图像样本的特征向量xi与其它任一图像类别的类中心点的欧式距离；或者，所述图像样本的特征向量xi属于第yi个图像类别的概率大于等于所述图像样本的特征向量xi属于其它任一图像类别的概率与预设的第二神经网络参数δ的和。实施中，初始化的修正的Softmax分类器的损失函数的设定具体包括：将现有Softmax分类器基于类中心向量度量相似度的方式改进为基于类中心点度量相似度的方式，即基于特征向量xi与其对应的类中心点的欧式距离实现相似度的度量，特征向量xi(i＝1，…，m)属于第j类的概率为：训练过程中，损失函数定义如下：其中，Cj为第j(j＝1，2,…，n)类的中心点，此时的损失函数无法有效提高特征向量的聚集程度，为上述损失函数引入新的参数M，改进后的损失函数为：其中，M的取值应满足的条件为，特征向量xi与其对应的类中心点的欧式距离的M倍小于等于特征向量xi与其它任一类中心点的欧式距离，或者特征向量xi属于第yi类的概率大于等于特征向量xi属于第l类的概率与神经网络参数δ的和，即或者图2为本申请实施例一中图像识别方法中的分类器分类示意图，如图2所示，修正的Softmax分类器中引入新的参数M，令M＝2，可见，通过在损失函数中引入新的参数M，能够进一步增加类内特征向量的聚集度，以及扩大类间特征向量的可区分性。在本实施例中，还包括：利用第一损失函数对初始化的特征提取网络和分类器进行训练，得到第一特征提取网络和预设的分类器；利用预设的第二损失函数对所述第一特征提取网络进行训练，得到预设的特征提取网络。在本实施例中，所述预设的第二损失函数LC为：其中，为图像样本的特征向量xi(i＝1，…，m)对应的第yi个图像类别的类中心点，所述第二损失函数的类中本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括：利用预设的特征提取网络获取待识别图像的特征向量；利用预设的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。

【技术特征摘要】
【国外来华专利技术】1.一种图像识别方法，其特征在于，包括：利用预设的特征提取网络获取待识别图像的特征向量；利用预设的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。2.如权利要求1所述的方法，其特征在于，还包括：利用第一损失函数对初始化的特征提取网络和分类器进行训练，得到预设的特征提取网络和分类器，所述第一损失函数L为：所述其中，Li为图像样本的特征向量xi(i＝1，…，m)的损失函数，其对应的真实类别为yi，为xi的真实类别yi对应的中心点，M为预设的第一神经网络参数。3.如权利要求2所述的方法，其特征在于，所述预设的神经网络参数M的取值条件为：所述图像样本的特征向量xi与其对应的第yi个图像类别的类中心点的欧式距离的M倍小于等于所述图像样本的特征向量xi与其它任一图像类别的类中心点的欧式距离；或者，所述图像样本的特征向量xi属于第yi个图像类别的概率大于等于所述图像样本的特征向量xi属于其它任一图像类别的概率与预设的第二神经网络参数δ的和。4.如权利要求1或2所述的方法，其特征在于，还包括：利用第一损失函数对初始化的特征提取网络和分类器进行训练，得到第一特征提取网络和预设的分类器；利用预设的第二损失函数对所述第一特征提取网络进行训练，得到预设的特征提取网络。5.如权利要求4所述的方法，其特征在于，所述预设的第二损失函数LC为：其中，为图像样本的特征向量xi(i＝1，…，m)对应的第yi个图像类别的类中心点，所述第二损失函数的类中心点与所述第一损失函数的类中心点相同。6.一种图像识别云端系统，其特征在于，包括：特征提取网络，用于利用预设的特征提取网络获取待识别图像的特征向量；分类器，用于利用预设的分类器，根据所述待识别图像的特征向量与其对应的类中心点的欧式距离得到待识别图像的识别结果。7.如权利要求6所述的云端系统，其特征在于，还包括训练...

【专利技术属性】
技术研发人员：李少华，刘兆祥，廉士国，
申请(专利权)人：深圳前海达闼云端智能科技有限公司，
类型：发明
国别省市：广东,44