一种图像识别方法和相关装置制造方法及图纸

本申请涉及深度学习，公开了一种图像识别方法和相关装置，包括：获取第一待识别图像；将所述第一待识别图像进行量化，以得到所述第一待识别图像的第一量化数据；将所述第一量化数据输入卷积神经网络模型，以得到所述第一量化数据对应的图像识别结果；其中，所述卷积神经网络模型中包含的p层卷积层由服务器根据预设卷积层设置策略设置得到，所述p层卷积层中包含的p个卷积核由所述服务器在将p个特征图均方误差与预设p个特征图均方误差进行对比后确定，p为正整数，q＝p且q为正整数。实施本发明专利技术实施例，有利于提升图像识别精度。

An Image Recognition Method and Related Device

【技术实现步骤摘要】
一种图像识别方法和相关装置
本专利技术涉及计算机
，尤其涉及一种图像识别方法和相关装置。
技术介绍
随着深度学习的逐步发展，近几年，深度学习在机器视觉领域取得了突破性进展，尤其是在卷积神经网络上的研究成果非常突出。因此，目前在图像分类、目标识别等领研究和应用领域，卷积神经网络已经成为主流方法。在现有技术中，在通过卷积神经网络模型进行图像识别时，存在图像识别精度不高的问题。
技术实现思路
本专利技术实施例公开了一种图像识别方法和相关装置，实施本专利技术实施例，有利于提升图像识别精度。本专利技术实施例第一方面提供了一种图像识别方法，包括：获取第一待识别图像；将所述第一待识别图像进行量化，以得到所述第一待识别图像的第一量化数据；将所述第一量化数据输入卷积神经网络模型，以得到所述第一量化数据对应的图像识别结果；其中，所述卷积神经网络模型中包含的p层卷积层由服务器根据预设卷积层设置策略设置得到，所述p层卷积层中包含的p个卷积核由所述服务器在将p个特征图均方误差与预设p个特征图均方误差进行对比后确定，p为正整数，q＝p且q为正整数。本专利技术实施例第二方面提供了一种图像识别装置，包括：获取模块本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括：获取第一待识别图像；将所述第一待识别图像进行量化，以得到所述第一待识别图像的第一量化数据；将所述第一量化数据输入卷积神经网络模型，以得到所述第一量化数据对应的图像识别结果；其中，所述卷积神经网络模型中包含的p层卷积层由服务器根据预设卷积层设置策略设置得到，所述p层卷积层中包含的p个卷积核由所述服务器在将p个特征图均方误差与预设p个特征图均方误差进行对比后确定，p为正整数，q＝p且q为正整数。

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取第一待识别图像；将所述第一待识别图像进行量化，以得到所述第一待识别图像的第一量化数据；将所述第一量化数据输入卷积神经网络模型，以得到所述第一量化数据对应的图像识别结果；其中，所述卷积神经网络模型中包含的p层卷积层由服务器根据预设卷积层设置策略设置得到，所述p层卷积层中包含的p个卷积核由所述服务器在将p个特征图均方误差与预设p个特征图均方误差进行对比后确定，p为正整数，q＝p且q为正整数。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的训练过程涉及的步骤包括：接收训练指令，其中，所述训练指令中携带第一训练数据；通过所述第一训练数据执行所述卷积神经网络模型的第m次正向运算，以得到p层卷积层的p个特征图，其中，m为正整数；获取与所述p层卷积层一一对应的p个卷积核；计算所述p个卷积核与q个卷积核的均方误差，以得到p个卷积核均方误差，其中，所述p个卷积核与所述q个卷积核一一对应，所述q个卷积核为第(m-1)次正向运算时所述p层卷积层的卷积核；将所述p个卷积核均方误差与预设p个卷积核均方误差进行对比，以确定所述p个卷积核均方误差是否大于所述预设p个卷积核均方误差，其中，所述p个卷积核均方误差与所述预设p个卷积核均方误差一一对应；若所述p个卷积核均方误差均大于所述预设p个卷积核均方误差，则计算所述p个特征图与q个特征图的均方误差，以得到p个特征图均方误差，其中，所述p个特征图与所述q个特征图一一对应，所述q个特征图为所述第(m-1)次正向运算时所述p层卷积层的特征图；将所述p个特征图均方误差与预设p个特征图均方误差进行对比，以确定所述p个特征图均方误差是否大于所述预设p个特征图均方误差，其中，所述p个特征图均方误差与所述预设p个特征图均方误差一一对应；若所述p个特征图均方误差均大于所述预设p个特征图均方误差，则将所述p个卷积核设置为第(m+1)次正向运算时所述p层卷积层中的卷积核。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述p层卷积层中的第h层卷积层接收第h层输入数据时，将所述第h层输入数据与所述第h层卷积层的第m卷积核进行卷积，以得到第m特征图，其中，0＜h≤p且h为整数；计算所述第m卷积核与第(m-1)卷积核的均方误差，以得到卷积核均方误差，其中，所述第(m-1)卷积核为所述第(m-1)次正向运算时所述第h层卷积层的卷积核；将所述卷积核均方误差与预设卷积核均方误差进行对比，以确定所述卷积核均方误差是否大于所述预设卷积核均方误差，其中，所述预设卷积核均方误差为所述预设p个卷积核均方误差中所述第h层卷积层的预设卷积核均方误差；若所述卷积核均方误差大于所述预设卷积核均方误差，则计算所述第m特征图与第(m-1)特征图的均方误差，以得到特征图均方误差，其中，所述第(m-1)特征图由服务器进行所述第(m-1)次正向运算时所述第h层输入数据与所述第(m-1)卷积核进行卷积得到；将所述特征图均方误差与预设特征图均方误差进行对比，以确定所述特征图均方误差是否大于所述预设特征图均方误差，其中，所述预设特征图均方误差为所述预设p个特征图均方误差中所述第h层卷积层的预设特征图均方误差；若所述特征图均方误差大于所述预设特征图均方误差，则将所述第m卷积核设置为所述第(m+1)次正向运算时所述第h层卷积层的卷积核。4.根据权利要求3所述的方法，其特征在于，所述第m卷积核与所述第(m-1)卷积核均为n*k的矩阵，其中，n和k为正整数，所述计算所述第m卷积核与第(m-1)卷积核的均方误差，以得到卷积核均方误差，包括：获取所述第m卷积核中n*k的数值以及获取所述第(m-1)卷积核中n*k的数值；按照计算所述第m卷积核与所述第(m-1)卷积核的均方误差，以得到所述卷积核均方误差，其中，aij为所述第m卷积核中第i行第j列的数值，bij为所述第(m-1)卷积核中第i行第j列的数值，i为整数，j为整数。5.根据权利要求3所述的方法，其特征在于，所述第m特征图与所述第(m-1)...

【专利技术属性】
技术研发人员：高远，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：广东,44