一种图像识别方法、装置、设备、系统及介质制造方法及图纸

本申请提供了一种图像识别方法，在该方法中提出了基于预训练的图像识别模型实现图像识别，以针对待检测的第一图像识别出图像中的目标特征区域，而该图像识别模型在训练过程中引入了目标特征区域自身的图像作为监督信息，使得训练所得的该图像识别模型能够在关注图像本身特征的同时，更有针对性的关注目标特征区域，如此，能够提高识别准确率。本申请还提供了对应的装置、设备、系统及介质。

An image recognition method, device, equipment, system and medium

【技术实现步骤摘要】
一种图像识别方法、装置、设备、系统及介质
本申请涉及机器学习
，尤其涉及一种图像识别方法、装置、设备、系统及介质。
技术介绍
随着人工智能技术的快速发展，深度学习技术在图像处理领域得到广泛应用。如今通过深度学习技术训练模型，基于模型进行图像检测，以识别出图像中目标对象。但是，在现有的的图像识别技术中，通过深度学习技术训练的模型，往往只关注待检测图像本身的信息，信息维度单一，识别图像中的目标特定区域的准确率不高，识别结果参考价值不大。基于此，需要提供一种新型模型能够提高图像识别准确率，以提供更有参考价值的数据。
技术实现思路
本申请提供了一种图像识别方法、装置、设备、系统及介质，能够提高检测癌细胞淋巴结转移情况的检测准确率。有鉴于此，本申请第一方面提供了一种图像识别方法，所述方法包括：获取待检测的第一图像和所述第一图像对应的参考图像，所述参考图像为包含目标特征区域的图像；将所述第一图像和所述参考图像中的目标特征区域进行拼接得到拼接图；通过预训练的图像识别模型，获得所述拼接图的识别结本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，所述方法包括：/n获取待检测的第一图像和所述第一图像对应的参考图像，所述参考图像为包含目标特征区域的图像；/n将所述第一图像和所述参考图像中的目标特征区域进行拼接得到拼接图；/n通过预训练的图像识别模型，获得所述拼接图的识别结果，所述识别结果用于表征所述第一图像包含所述目标对象的概率；其中，所述图像识别模型是通过样本数据训练所得的神经网络模型，所述样本数据包括样本拼接图和用于标注样本拼接图中的样本图像是否包含目标特征区域的标注标签；/n根据所述拼接图的识别结果，识别出所述第一图像包含的目标特征区域。/n

【技术特征摘要】
1.一种图像识别方法，其特征在于，所述方法包括：
获取待检测的第一图像和所述第一图像对应的参考图像，所述参考图像为包含目标特征区域的图像；
将所述第一图像和所述参考图像中的目标特征区域进行拼接得到拼接图；
通过预训练的图像识别模型，获得所述拼接图的识别结果，所述识别结果用于表征所述第一图像包含所述目标对象的概率；其中，所述图像识别模型是通过样本数据训练所得的神经网络模型，所述样本数据包括样本拼接图和用于标注样本拼接图中的样本图像是否包含目标特征区域的标注标签；
根据所述拼接图的识别结果，识别出所述第一图像包含的目标特征区域。


2.根据权利要求1所述的方法，其特征在于，所述将所述第一图像和所述参考图像中的目标特征区域进行拼接得到拼接图，包括：
按照预设尺寸切分所述第一图像得到多个子图作为多个第一子图；
按照预设尺寸切分所述参考图像中的目标特征区域子图得到多个子图作为多个第二子图；
将每个所述第一子图分别与所述多个第二子图中至少一个子图进行拼接，得到每个第一子图各自对应的拼接图。


3.根据权利要求1所述的方法，其特征在于，所述将所述多个第一子图中的每个第一子图分别与所述多个第二子图中至少一个子图进行拼接，得到每个第一子图各自对应的拼接图，包括：
将每个所述第一子图分别与任意多个所述第二子图进行拼接，得到每个第一子图对应的多个拼接图；或者，
将每个所述第一子图与任意一个所述第二子图进行拼接，得到每个第一子图对应的拼接图。


4.根据权利要求2所述的方法，其特征在于，所述根据所述拼接图的识别结果，识别出所述第一图像包含的目标特征区域，包括：
按照每个所述拼接图中第一子图在所述第一图像中的位置，将所述拼接图的识别结果进行拼接生成概率图；
对所述概率图进行阈值二值化处理得到掩码图像；
根据所述掩码图像识别出所述第一图像包含的目标特征区域。


5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多种不同检测对象类型对应的多组检测图像数据，其中，每组所述检测图像数据包括检测图像和所述检测图像对应的检测参考图像以及所述检测图像对应的目标特征区域标注信息和所述检测参考图像对应的目标特征区域标注信息；
将每个所述检测图像和所述检测参考图像对应的检测参考图像中的目标特征区域进行拼接得到拼接图作为样本拼接图，并将所述样本拼接图中的所述检测图像对应的标注标签作为所述样本拼接图的标注标签；
将每个所述样本拼接图以及所述样本拼接图对应的标注标签作为一组样本数据，将多组样本数据的集合作为样本集；
根据所述样本集训练预构建的卷积神经网络模型，获得处于收敛态的卷积神经网络模型作为所述图像识别模型。


6.一种图像识别装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的第一图像和所述第一图像对应的参考图像，所述参考图像为包含目标特征区域的图像；
拼接模块，用于将所述第一图像和所述参考图像中的目标特征区域进行拼接得到拼接图；
识别模块，用于通过预训练的图像识别模型，获得所述拼接图的识别结果，所述识别结果用于表征所述第一图像包含所述目标对象的概率；其中，所述图像识别模型是通过样本数据训练所得的神经网络模型，所述样本数据包括样本拼接图和用于标注样本拼接图中的样本图像是否包含目标特征区域的标注标签；
图像区域分类模块，用于根据所述拼接图的识别结果，识别出所述第一图像包含的目标特征区域。


7.一种用于图像识别的设备，其特征在于，所述设备包括：处理器和存储器；其中，
所述存储器用于存储计算机程序；
所述处理器用于运行所述计算机程序以执行以下动作：
获取待检测的第一图像和所述第一图像对应的参考图像，所述参考图像为包含目标特征区域的图像；
将所述第一图像和所述参考图像中的目标特征区域进行拼接得到拼接图；
通过预训练的图像识别模型，获得所述拼接图的识别结果，所述识别结果用于表征所述第一图像包含所述目标对象的概率；其中，所述...

【专利技术属性】
技术研发人员：叶虎，韩骁，肖凯文，周昵昀，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44