图像识别模型训练方法、装置以及计算机设备制造方法及图纸

本发明专利技术公开了一种图像识别模型训练方法，该方法包括：将获取的采样图像进行M*N分块；根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；对每一分块图像的每个特征图像进行降采样从而得到对应的特征值；将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。本发明专利技术还提供一种图像识别模型训练装置、计算机设备以及计算机可读存储介质。本发明专利技术提供的图像识别模型训练方法、装置、计算机设备及计算机可读存储介质能够在较少采样数据的情况下实现图像识别模型的训练，并且提升了训练后图像识别模型的准确度。

Image recognition model training method, device and computer equipment

【技术实现步骤摘要】
图像识别模型训练方法、装置以及计算机设备
本专利技术涉及图像识别模型训练
，尤其涉及一种图像识别模型训练方法、装置、计算机设备及计算机可读存储介质。
技术介绍
随着人工智能技术的发展，基于神经网络的深度学习尤其是得到了广泛的发展和应用，例如，CNN(ConvolutionalNeuralNetwork,卷积神经网络)模型已经被成功的应用到了多个领域，包括文字识别、人脸识别、姿态识别，还有近期的通用物体识别。CNN模型因为其前馈机制在目标识别领域极为有效，然而，CNN模型的通用性和较强的识别能力也是有代价的，它需要大量的采样数据作为训练样本。但是针对不同的目标类型训练都需要大量的采样数据，但是，有些目标的采样数据并不会那么容易获取到的。因此，由于缺少采样图像的情况下，训练出的CNN模型可能准确性不高，在应用方面常常会受到限制。
技术实现思路
有鉴于此，本专利技术提出一种图像识别模型训练方法、装置、计算机设备及计算机可读存储介质，能够将获取的采样图像进行M*N分块，得到分块图像，然后再根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；接着对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；再将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。通过以上方式，能够利用少量的采样图像划分为分块图像，然后提取分块图像的特征值用于对初始图像识别模型进行训练，从而在较少采样数据的情况下实现图像识别模型的训练，并且提升了训练后图像识别模型的准确度。首先，为实现上述目的，本专利技术提供一种图像识别模型训练方法，所述方法包括：获取至少一张采样图像，将所述采样图像进行M*N分块，得到分块图像；根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。可选地，所述“根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像”的步骤包括：根据预设的A尺度，B方向建立Gabor滤波器组，得到A*B滤波器组；将所述A*B滤波器组对每一分块图像进行空域卷积，得到对应于每一分块图像的A*B个特征值图像。可选地，所述“对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值”步骤包括：根据Max-pooing方式对每一分块图像的A*B个特征值图像进行降采样，从而获得对应每个特征值图像的2*2个特征值。可选地，所述方法还包括步骤：将所有采样图像作为输入数据对所述第一图像识别模型进行训练，得到最终图像识别模型。此外，为实现上述目的，本专利技术还提供一种图像识别模型训练装置，所述装置包括：分割模块，用于获取至少一张采样图像，将所述采样图像进行M*N分块，得到分块图像；卷积模块，用于根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；降采样模块，用于对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；训练模块，用于将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。可选地，所述卷积模块还用于：根据预设的A尺度，B方向建立Gabor滤波器组，得到A*B滤波器组；将所述A*B滤波器组对每一分块图像进行空域卷积，得到对应于每一分块图像的A*B个特征值图像。可选地，所述降采样模块还用于：根据Max-pooing方式对每一分块图像的A*B个特征值图像进行降采样，从而获得对应每个特征值图像的2*2个特征值。可选地，所述训练模块还用于：将所有采样图像作为输入数据对所述第一图像识别模型进行训练，得到最终图像识别模型。进一步地，本专利技术还提出一种计算机设备，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的图像识别模型训练方法的步骤。进一步地，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的图像识别模型训练方法的步骤。相较于现有技术，本专利技术所提出的图像识别模型训练方法、装置、计算机设备及计算机可读存储介质，能够将获取的采样图像进行M*N分块，得到分块图像，然后再根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；接着对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；再将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。通过以上方式，能够利用少量的采样图像划分为分块图像，然后提取分块图像的特征值用于对初始图像识别模型进行训练，从而在较少采样数据的情况下实现图像识别模型的训练，并且提升了训练后图像识别模型的准确度。附图说明图1是本专利技术计算机设备一可选的硬件架构的示意图；图2是本专利技术图像识别模型训练装置一实施例的程序模块示意图；图3是本专利技术图像识别模型训练方法一实施例的流程示意图。附图标记：计算机设备1存储器11处理器12网络接口13图像识别模型训练装置200分割模块201卷积模块202降采样模块203训练模块204本专利技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。参阅图1所示，是本专利技术计算机设备1一可选的硬件架构的示意图。本实施例中，所述计算机设备1可包括，但不本文档来自技高网...

【技术保护点】
1.一种图像识别模型训练方法，其特征在于，所述方法包括步骤：/n获取至少一张采样图像；/n将所述采样图像进行M*N分块，得到分块图像；/n根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；/n对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；/n将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。/n

【技术特征摘要】
1.一种图像识别模型训练方法，其特征在于，所述方法包括步骤：
获取至少一张采样图像；
将所述采样图像进行M*N分块，得到分块图像；
根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像；
对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值；
将所有分块图像的所有特征值作为输入数据对预设的初始图像识别模型进行训练，得到第一图像识别模型。


2.如权利要求1所述的图像识别模型训练方法，其特征在于，所述“根据预设的Gabor滤波器组对每一分块图像进行空域卷积，获得每一分块图像对应的多个特征图像”的步骤包括：
根据预设的A尺度，B方向建立Gabor滤波器组，得到A*B滤波器组；
将所述A*B滤波器组对每一分块图像进行空域卷积，得到对应于每一分块图像的A*B个特征值图像。


3.如权利要求1或2所述的图像识别模型训练方法，其特征在于，所述“对每一分块图像的每个特征图像进行降采样，得到每一分块图像的每个特征图像的特征值”步骤包括：
根据Max-pooing方式对每一分块图像的A*B个特征值图像进行降采样，从而获得对应每个特征值图像的2*2个特征值。


4.如权利要求1-3任一项所述的图像识别模型训练方法，其特征在于，所述方法还包括步骤：
将所有采样图像作为输入数据对所述第一图像识别模型进行训练，得到最终图像识别模型。


5.一种图像识别模型训练装置，其特征在于，所述装置包括：
分割模块，用于获取至少一张采样图像，将所述采样图像进行M*N分块，得到分块图像；
卷积...

【专利技术属性】
技术研发人员：王义文，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44