识别方法、装置、设备及存储介质制造方法及图纸

技术编号:21892995 阅读:13 留言:0更新日期:2019-08-17 14:56
本公开是关于一种识别方法、装置、设备及存储介质。该方法包括:获得第一图像,所述第一图像为包含目标对象的图像;对所述第一图像的风格进行转换,得到第二图像,所述第二图像为与所述第一图像的风格不同且包含所述目标对象的图像;根据所述第一图像以及所述第二图像,对识别模型进行训练,所述识别模型用于对第三图像中的所述目标对象进行识别。本公开提高了训练得到的识别模型识别第三图像中目标对象的准确性。

Identification methods, devices, devices and storage media

【技术实现步骤摘要】
识别方法、装置、设备及存储介质
本公开涉及识别
,尤其涉及一种识别方法、装置、设备及存储介质。
技术介绍
通常,可以根据对象的特征信息进行对象识别。例如,可以基于人的脸部特征信息进行人脸识别。相关技术中,可以通过包括目标对象的图像,对识别模型进行训练,使得识别模型可以对目标对象进行识别。其中,对识别模型进行训练所使用的图像,均是通过拍摄获得的图像。
技术实现思路
为克服相关技术中存在的问题,本公开提供一种识别方法、装置、设备及存储介质。根据本公开实施例的第一方面,提供一种识别方法,包括:获得第一图像,第一图像为包含目标对象的图像;对第一图像的风格进行转换,得到第二图像,第二图像为与第一图像的风格不同且包含目标对象的图像;根据第一图像以及第二图像,对识别模型进行训练,识别模型用于对第三图像中的目标对象进行识别。可选的,对第一图像的风格进行转换,得到第二图像,包括:将第一图像输入至生成模型,得到第二图像,生成模型用于对输入图像的风格进行转换,得到与输入图像风格不同的第二图像。可选的,生成模型为基于生成式对抗网络GAN实现的模型。可选的,GAN包括生成器和判别器,将第一图像输入至生成模型,得到第二图像之前,还包括:通过生成器,生成与第一风格的第一样本图像对应的生成图像;生成图像的风格为第二风格,且第二风格与第一风格不同;将生成图像以及与生成图像对应的第一标签作为第一对输入,将第二风格的第二样本图像以及与第二样本图像对应的第二标签作为第二对输入,分别输入至判别器,并根据判别器的输出得到GAN的总体损失;根据总体损失对GAN的网络参数进行优化,得到生成模型。可选的,GAN还包括编码器,将第一图像输入至生成模型,得到第二图像之前还包括:将第一样本图像输入至编码器,得到第一样本图像的编码向量;通过生成器,生成与第一风格的第一样本图像对应的生成图像,包括:将第一样本图像的编码向量输入至生成器,得到与第一风格的第一样本图像对应的生成图像。可选的,GAN的总体损失根据编码器的损失、生成器和判别器共同的损失以及生成器的损失三者加权求和确定。根据本公开实施例的第二方面,提供一种识别装置,包括:获得模块,被配置为获得第一图像,第一图像为包含目标对象的图像;转换模块,被配置为对第一图像的风格进行转换,得到第二图像,第二图像为与第一图像的风格不同且包含目标对象的图像;训练模块,被配置为根据第一图像以及第二图像,对识别模型进行训练,识别模型用于对第三图像中的目标对象进行识别。可选的,转换模块,包括模型子模块,被配置为将第一图像输入至生成模型,得到第二图像,生成模型用于对输入图像的风格进行转换,得到与输入图像风格不同的第二图像。可选的,生成模型为基于生成式对抗网络GAN实现的模型。可选的,GAN包括生成器和判别器,装置还包括:得到模块,被配置为:通过生成器,生成与第一风格的第一样本图像对应的生成图像;生成图像的风格为第二风格,且第二风格与第一风格不同;将生成图像以及与生成图像对应的第一标签作为第一对输入,将第二风格的第二样本图像以及与第二样本图像对应的第二标签作为第二对输入,分别输入至判别器,并根据判别器的输出得到GAN的总体损失;根据总体损失对GAN的网络参数进行优化,得到生成模型。可选的,GAN还包括编码器,装置还包括:编码模块,被配置为将第一样本图像输入至编码器,得到第一样本图像的编码向量;得到模块,包括:得到子模块,被配置为将第一样本图像的编码向量输入至生成器,得到与第一风格的第一样本图像对应的生成图像。可选的,GAN的总体损失根据编码器的损失、生成器和判别器共同的损失以及生成器的损失三者加权求和确定。根据本公开实施例的第三方面,提供一种识别设备,包括:处理器以及用于存储计算机指令的存储器;处理器运行计算机指令执行上述第一方面任一项所述的方法。根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当存储介质中的指令由识别设备的处理器执行时,使得识别设备能够执行上述第一方面任一项所述的方法。本公开提供的识别方法、装置、设备及存储介质,通过获得第一图像,第一图像为包含目标对象的图像,对第一图像的风格进行转换,得到第二图像,第二图像为与第一图像的风格不同且包含目标对象的图像,根据第一图像以及第二图像,对识别模型进行训练,识别模型用于对第三图像中的目标对象进行识别,可以增加用于识别模型训练的训练样本的维度以及数量,实现了对于训练样本的维度和数量的扩充,提高了训练得到的识别模型识别第三图像中目标对象的准确性。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。图1是根据一示例性实施例示出的一种识别方法的框图;图2是根据另一示例性实施例示出的一种识别方法的框图;图3是根据又一示例性实施例示出的一种识别方法的框图;图4是根据又一示例性实施例示出的一种GAN的示意图一;图5是根据又一示例性实施例示出的一种GAN的示意图二;图6是根据一示例性实施例示出的一种识别装置的框图;图7是根据另一示例性实施例示出的一种识别装置的框图;图8是根据又一示例性实施例示出的一种识别装置的框图;图9是根据又一示例性实施例示出的一种识别装置的框图;图10是根据又一示例性实施例示出的一种识别设备的框图;图11是根据又一示例性实施例示出的一种终端800的框图;图12是根据一示例性实施例示出的一种服务器1900的框图。具体实施方式这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。图1是根据一示例性实施例示出的一种识别方法的框图。本实施例提供的识别方法的执行主体可以为任何需要进行识别模型训练的设备,例如终端、服务器等。如图1所示,本实施例的方法可以包括以下步骤:在步骤101中,获得第一图像,第一图像为包含目标对象的图像。本步骤中,目标对象具体可以为任何需要识别的且能够呈现在图像中的对象。对于目标对象的具体类型,本公开可以不作限定,例如可以为人脸、风景等,其中,对于人脸具体例如为明星人脸或管理员人脸等。可选的,具体可以从本地存储设备中读取第一图像的方式获得第一图像,或者,与可以从其他设备接收第一图像,或者通过摄像头获得第一图像等。第一图像可以为一张单独的图像,或者也可以为视频中的一帧图像等,本公开对此不作限定。在步骤102中,对第一图像的风格进行转换,得到第二图像,第二图像为与第一图像的风格不同且包含目标对象的图像。本步骤中,图像的风格不同具体可以包括图像的拍摄风格不同、图像的制作风格不同等,两个不同风格的图像,即使所要展现的内容相同,但是可以给人不同的视觉感受。其中,拍摄风格不同,可以是在图像的拍摄过程中拍摄方式的差异,例如拍摄方法的不同、镜头不同等均可以实现对于同一拍摄对象进行拍摄得到不同风格的图像。制作风格不同,可以是在图像的后期制作中采用的制作方式的差异,例本文档来自技高网...

【技术保护点】
1.一种识别方法,其特征在于,包括:获得第一图像,所述第一图像为包含目标对象的图像;对所述第一图像的风格进行转换,得到第二图像,所述第二图像为与所述第一图像的风格不同且包含所述目标对象的图像;根据所述第一图像以及所述第二图像,对识别模型进行训练,所述识别模型用于对第三图像中的所述目标对象进行识别。

【技术特征摘要】
1.一种识别方法,其特征在于,包括:获得第一图像,所述第一图像为包含目标对象的图像;对所述第一图像的风格进行转换,得到第二图像,所述第二图像为与所述第一图像的风格不同且包含所述目标对象的图像;根据所述第一图像以及所述第二图像,对识别模型进行训练,所述识别模型用于对第三图像中的所述目标对象进行识别。2.根据权利要求1所述的方法,其特征在于,所述对所述第一图像的风格进行转换,得到第二图像,包括:将所述第一图像输入至生成模型,得到所述第二图像,所述生成模型用于对输入图像的风格进行转换,得到与输入图像风格不同的第二图像。3.根据权利要求2所述的方法,其特征在于,所述生成模型为基于生成式对抗网络GAN实现的模型。4.根据权利要求3所述的方法,其特征在于,所述GAN包括生成器和判别器,所述将所述第一图像输入至生成模型,得到所述第二图像之前,还包括:通过所述生成器,生成与第一风格的第一样本图像对应的生成图像;所述生成图像的风格为第二风格,且所述第二风格与所述第一风格不同;将所述生成图像以及与所述生成图像对应的第一标签作为第一对输入,将所述第二风格的第二样本图像以及与所述第二样本图像对应的第二标签作为第二对输入,分别输入至所述判别器,并根据所述判别器的输出得到所述GAN的总体损失;根据所述总体损失对所述GAN的网络参数进行优化,得到所述生成模型。5.根据权利要求4所述的方法,其特征在于,所述GAN还包括编码器,所述将所述第一图像输入至生成模型,得到所述第二图像之前,还包括:将所述第一样本图像输入至所述编码器,得到所述第一样本图像的编码向量;通过所述生成器,生成与第一风格的第一样本图像对应的生成图像,包括:将所述第一样本图像的编码向量输入至所述生成器,得到与第一风格的第一样本图像对应的生成图像。6.根据权利要求5所述的方法,其特征在于,所述GAN的总体损失根据所述编码器的损失、所述生成器和所述判别器共同的损失以及所述生成器的损失三者加权求和确定。7.一种识别装置,其特征在于,包括:获得模块,被配置为获得第一图像,所述第一图像为包含目标对象的图像;转换模块,被配置为对所述...

【专利技术属性】
技术研发人员:庞芸萍
申请(专利权)人:北京小米智能科技有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 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。

1