The invention provides a feature recognition and equipment based on multi-image, the method includes: acquiring a plurality of images, the plurality of images are related image sequences for determining at least one identical feature information; acquiring the feature vectors of the plurality of images separately; and combining the acquired feature vectors in a variety of ways. The first machine learning model identifies the combination of the feature vectors corresponding to the multiple images to obtain the image feature information. The combination of the feature vectors corresponding to different images is different. The first machine learning model is trained by using the combination of the sample feature vectors and the corresponding feature information.
【技术实现步骤摘要】
基于多图像的特征识别和设备
本专利技术涉及人工智能图像处理领域,具体涉及一种基于多图像的特征识别和设备。
技术介绍
利用机器学习、深度学习和神经网络算法等人工智能的手段,对图像进行分类和识别是工业界以及学术界较为普遍的分析方法。上述识别方法需要先对初始的模型进行训练,训练的方式是利用大量的单张图像及其对应的标签(特征信息)输入模型,模型可以通过学习到的权重对输入图片给出一个预测。当认为模型识别准确性达到预期目标后,即可使用该模型对未知特征信息的图像进行分类识别,以确定其特征信息。这种方法对模型的输入要求不高,可以适用于大多数问题。在一些应用领域中,存在着具有较强关联信息的图像,例如眼底图像。在一般环境下,被检测者的左眼和右眼图像是都有必要进行采集的,而对于同一个人,左眼和右眼包含的异常(特征信息)是大概率相似的。利用这种图像,以现有的模型训练方式能够得到一个识别模型,但该模型是分别根据两张图像进行识别,最终得到两个特征信息,就识别过程而言并没有任何关联性。虽然通过大量样本数据的训练,能够提高模型识别的准确性,但其准确性的瓶颈很难被突破,实际使用时,该模型仍很可能会针对同一个人的左眼图像和右眼图像识别出不同的特征信息。由于现有的基于人工智能的图像特征识别方式没有考虑多个图像本身的关联性,因此其在面临识别多图像的问题时准确性仍有待提高。
技术实现思路
有鉴于此,本专利技术提供了一种基于多图像的特征识别方法,包括:获取多个图像,所述多个图像是用于确定至少一个相同的特征信息的具有关联性的图像序列;分别获取所述多个图像的特征向量;对获取的特征向量进行多种组合;利用第一机 ...
【技术保护点】
1.一种基于多图像的特征识别方法,其特征在于,包括:获取多个图像,所述多个图像是用于确定至少一个相同的特征信息的具有关联性的图像序列;分别获取所述多个图像的特征向量;对获取的特征向量进行多种组合;利用第一机器学习模型对所述多个图像对应的特征向量的组合进行识别以得到图像特征信息,其中不同的图像对应的特征向量的组合不相同,所述第一机器学习模型是利用样本特征向量组合和相应的特征信息进行训练得到的。
【技术特征摘要】
1.一种基于多图像的特征识别方法,其特征在于,包括:获取多个图像,所述多个图像是用于确定至少一个相同的特征信息的具有关联性的图像序列;分别获取所述多个图像的特征向量;对获取的特征向量进行多种组合;利用第一机器学习模型对所述多个图像对应的特征向量的组合进行识别以得到图像特征信息,其中不同的图像对应的特征向量的组合不相同,所述第一机器学习模型是利用样本特征向量组合和相应的特征信息进行训练得到的。2.根据权利要求1所述的方法,其特征在于,所述分别获取所述多个图像的特征向量,包括:分别将所述多个图像输入第二机器学习模型,使所述第二机器学习模型分别对所述多个图像进行识别,其中所述第二机器学习模型是利用样本图像和相应的特征信息进行训练得到的;获取所述第二机器学习模型在识别各个所述图像时,其中一个中间层输出的特征向量。3.根据权利要求2所述的方法,其特征在于,所述中间层是所述第二机器学习模型的中间层中的最后一层。4.根据权利要求1所述的方法,其特征在于,所述特征向量的组合是将不同的至少两个特征向量进行首尾相接。5.根据权利要求4所述的方法,其特征在于,生成的各个特征向量组合分别包含所有的特征向量。6.根据权利要求4所述的方法,其特征在于,所述对获取的特征向量进行多种组合,包括:根据预定的特征向量组合与图像顺序的对应关系,从特征向量组合的全部方式中选定与所述图像数量相同及相应的特征向量组合方式;按照选定的特征向量组合方式对特征向量进行组合。7.根据权利要求1-6中任一项所述的方法,其特征在于,所述多个图像为眼...
【专利技术属性】
技术研发人员:谷硕,
申请(专利权)人:上海鹰瞳医疗科技有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。