图像识别方法及装置制造方法及图纸

本申请实施例公开了一种图像识别方法及装置，其中，图像识别方法包括：获取目标图像数据；获取目标图像数据的预处理结果；通过预设的卷积神经网络，确定预处理后的目标图像数据的识别结果，其中，所述卷积神经网络根据应用多种预处理方式预处理后的多个所述图像数据训练得到。本申请能够有效提高应用卷积神经网络进行图像识别的准确性。

【技术实现步骤摘要】
图像识别方法及装置
本申请涉及计算机数据处理
，尤其涉及一种图像识别方法及装置。
技术介绍
卷积神经网络CNN(ConvolutionalNeuralNetworks)作为深度学习的代表算法之一，已广泛用于计算机视觉任务中，并越来越多地从学术领域渗透到工程项目领域。为了方便对卷积神经网络进行模型训练，目前已出现了针对卷积神经网络的多种类型的深度学习库，且不同的深度学习库均各有特点。而随着卷积神经网络的广泛应用，也出现了卷积神经网络在训练过程和应用过程中采用不同的深度学习库的情形，因此，在卷积神经网络对应的深度学习库发生变化时，卷积神经网络也需要对应进行转换。然而，由于不同的深度学习库通常会采用不同的预处理方式，因此，当卷积神经网络对应的深度学习库发生变化时，即使对卷积神经网络进行无损转换，也会因为预处理方式的改变而使得模型输出结果产生偏差。也就是说，在对应的深度学习库发生变化后，由于卷积神经网络的鲁棒性较差，会导致应用该卷积神经网络进行图像识别准确性低的问题。
技术实现思路
针对现有技术中的问题，本申请本文档来自技高网...

【技术保护点】
1.一种图像识别方法，包括：/n获取目标图像数据；/n获取目标图像数据的预处理结果；/n通过预设的卷积神经网络，确定预处理后的目标图像数据的识别结果，其中，所述卷积神经网络根据应用多种预处理方式预处理后的多个所述图像数据训练得到。/n

【技术特征摘要】
1.一种图像识别方法，包括：
获取目标图像数据；
获取目标图像数据的预处理结果；
通过预设的卷积神经网络，确定预处理后的目标图像数据的识别结果，其中，所述卷积神经网络根据应用多种预处理方式预处理后的多个所述图像数据训练得到。


2.根据权利要求1所述的图像识别方法，所述卷积神经网络的最后一层中除输出层外，还包含有与该输出层结构相同且位置并行的随机扰动层，且该随机扰动层的初始权重随机产生。


3.根据权利要求1所述的图像识别方法，在所述获取目标图像数据之前，还包括：
获取多个图像数据；
根据多种预处理方式对多个所述图像数据进行预处理；
应用多个预处理后的图像数据，训练得到所述卷积神经网络。


4.根据权利要求3所述的图像识别方法，在所述训练得到所述卷积神经网络之前，还包括：
在卷积神经网络通用结构中增加一与输出层结构相同且位置并行的随机扰动层，得到卷积神经网络目标结构，其中所述随机扰动层的初始权重随机产生；
确定所述卷积神经网络目标结构对应的目标函数。


5.根据权利要求4所述的图像识别方法，所述确定该卷积神经网络目标结构对应的目标函数，包括：
确定所述预处理方式的多种类...

【专利技术属性】
技术研发人员：陈伟涛，王洪彬，李昊，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY