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：获取待识别图像；利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；所述预设的深度神经网络是通过分阶段训练得到的。本申请通过分阶段对DNN进行训练，利用训练好的DNN实现图像识别，避免了现有复杂图像分类系统训练过程中采样环节繁琐、最优超参数选取复杂等不足，同时提升了云端系统识别的准确性和鲁棒性。

Image recognition method and cloud system

The present application provides an image recognition method and a cloud system. The method includes: obtaining an image to be identified, identifying the identified image by a preset deep neural network, and obtaining a recognition result of the identified image; the preset depth neural network is trained by a division section. The application of this application is to train DNN by stages and use the trained DNN to realize image recognition. It avoids the inadequacy of the cumbersome sampling link in the training process of the existing complex image classification system and the complexity of the optimal super parameter selection, and improves the accuracy and robustness of the cloud system recognition.

【技术实现步骤摘要】
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
现有基于深度神经网络(DNN：DeepNeuralNetwork)的图像分类系统的工作流程具体为，对图像进行预处理，利用DNN特征提取网络对预处理后的图像进行图像特征向量的提取，以及利用分类器对图像特征向量进行分类，得到图像的分类结果。其中，DNN训练过程为，对图像样本进行预处理，利用DNN特征提取网络对预处理后的图像样本进行图像特征向量的提取，根据提取的图像特征向量和图像标签，利用前向传导算法和损失函数计算损失值，并利用后向传导算法对DNN各层参数进行优化。在实际应用中，基于DNN的复杂图像分类(例如，人脸识别)系统也得到了广泛的应用，以人脸识别系统为例，基于现有线性分类器(例如，Softmax分类器)和交叉熵定义的损失函数无法保证人脸特征的可区分性，需要通过与已知人脸特征库中的特征进行相似性比对以实现对人脸的识别。现有的解决方案为，人脸识别系统通过各种新的损失函数得到区分度高的人脸特征，具体为，在图像样本训练过程中，根据一种或者联合多种损失函数利用后向传播算法实现对DNN的优化。现有人脸识别系统在训练过程中存在以下问题：1)现有人脸识别系统的训练目标为获取用于划分类别的超平面，但忽略了类别内部特征向量的聚集性，以及类别间特征向量的可区分性，因此，现有人脸识别系统的分类准确性和鲁棒性较差；2)现有人脸识别系统训练过程中的采样环节过于繁琐，例如，在训练过程中需要对图像样本进行精细的选取以达到更优的系统性能；3)现有人脸识别系统训练过程中采用的最优超参数由于无法遍历所有的情况，因此最优超参数的选取需要通过大量实验获得以达到更优的系统性能。其中，基于权值联合多种损失函数得到新的损失函数，超参数即初始化权值。
技术实现思路
有鉴于此，本专利技术实施例期望提供图像识别方法及云端系统，以解决现有复杂图像分类系统的分类准确性和鲁棒性较差，以及训练过程中的采样环节繁琐、最优超参数选取复杂的技术问题。在一个方面，本申请实施例提供了一种图像识别方法，包括：获取待识别图像；利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；所述预设的深度神经网络是通过分阶段训练得到的。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：接口设备，用于获取待识别图像；深度神经网络，用于利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；以及所述预设的深度神经网络是通过分阶段训练得到的。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。为达到上述目的，本专利技术实施例的技术方案是这样实现的：本实施例中，利用预设的深度神经网络识别获取到的待识别图像，得到所述待识别图像的识别结果，所述预设的深度神经网络是通过分阶段训练得到的。即，通过分阶段对深度神经网络进行训练，并利用训练好的深度神经网络实现图像识别，避免了现有复杂图像分类系统训练过程中采样环节繁琐、最优超参数选取复杂等不足，同时提升了云端系统识别的准确性和鲁棒性。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特征提取网络的训练示意图；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：现有复杂图像识别系统的训练目标为获取用于划分类别的超平面，但所提取到的特征向量仅线性可分，且分布较为分散，聚集度较差，导致系统的分类准确性和鲁棒性较差；同时，现有复杂图像识别系统训练过程中的采样环节过于繁琐，所采用的最优超参数需要通过大量实验来遍历所有的情况，选取过程也过于复杂，导致系统性能较差。针对上述不足/基于此，本申请实施例提出了通过分阶段对DNN进行训练，利用训练好的DNN提取可区分性较高的图像特征向量，并对图像特征向量进行识别，从而实现图像识别，避免了现有复杂图像分类系统训练过程中采样环节繁琐、最优超参数选取复杂等不足，同时提升了云端系统识别的准确性和鲁棒性。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：获取待识别图像。步骤102：利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果，所述预设的深度神经网络是通过分阶段训练得到的。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通过第一阶段训练优化特征提取网络和分类器中的参数，以及通过第二阶段进一步训练优化特征提取网络中的参数，以使训练好的特征提取网络提取出的待识别图像的特性向量具有高可区分性，以及分类器输出的待识别图像的识别结果精确度更高。在本实施例中，所述预设的深度神经网络包括训练好的特征提取网络和分类器，所述预设的深度神经网络的分阶段训练，包括：对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络。实施中，用于第一阶段训练的特征提取网络以及分类器的训练算法为，输入图像样本，对随机初始化的特征提取网络和分类器进行训练，得到用于提取与图像样本相适应的特征向量的特征提取网络以及针对所提取的特征向量进行分类的分类器。具体训练过程为：基于随机初始化的DNN特征提取网络，利用前向传导算法对图像样本进行图像特征向量的提取，利用分类器对图像特征向量进行分类，并根据预设的图像标签计算损失值，以及利用后向传导算法实现对随机初始化的DNN特征提取网络和分类器中参数的优化，直至训练收敛。实施中，用于第二阶段训练的特征提取网络的训练算法为，输入图像样本，对第一阶段训练得到的特征提取网络进行训练，得到具有高可区分性的特征提取网络。具体训练过程为：基于第一阶段训练得到的DNN特征提取网络，再次利用前向传导算法对图像样本进行图像特征向量的提取，并根据预设的图像标签和图像特征向量与其对应的类中心向量的欧式距离计算损失值，以及利用后向传导算法实现对第一阶段训练得到的DNN特征提取网络中参数的再次优化，直至训练收敛。其中，根据训练好的分类器确定各类图像特征向量的类中心向量，在进行第二阶段训练时，各类图像特征向量的类中心向量固定不变，即第二阶段训练中的图像特征向量对应的类中心向量为，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：获取待识别图像；利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；所述预设的深度神经网络是通过分阶段训练得到的。

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取待识别图像；利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；所述预设的深度神经网络是通过分阶段训练得到的。2.如权利要求1所述的方法，其特征在于，所述预设的深度神经网络包括训练好的特征提取网络和分类器，所述预设的深度神经网络的分阶段训练，包括：对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络。3.如权利要求2所述的方法，其特征在于，所述第二阶段训练的训练目标为，图像样本的特征向量xi与其对应的图像类别的类中心向量Wj间的夹角的余弦值大于等于预设值，所述夹角的余弦值cosθi为：4.如权利要求2所述的方法，其特征在于，所述对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络，包括：利用预设的损失函数对所述第一特征提取网络进行训练，得到训练好的特征提取网络；所述预设的损失函数Lj的计算公式为，其中，Wj为图像样本的特征向量xi(i＝1，…，n)对应的图像类别的类中心向量，所述预设的损失函数的类中心向量与第一阶段训练中的损失函数的类中心向量相同。5.一种图像识别云端系统，其特征在于，包括：接口设备，用于获取待识别图像；深度神经网络，用于利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；以及所述预设的深度神经网络是通过分阶段训练得到的。6.如权利要求5所述的云端系统，其特征在于，还包括训练器，所...

【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：达闼科技北京有限公司，
类型：发明
国别省市：北京,11