多任务属性的图像识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供一种多任务属性的图像识别方法、装置、电子设备及存储介质，所述方法包括：获取需要输入到目标识别网络的待识别图像，其中，所述目标识别网络为通过主动学习方法得到的样本数据对多任务属性识别网络进行训练得到，所述目标识别网络包括用于抽取公共图像特征的共享网络，以及用于抽取任务图像特征的多个任务网络；将所述待识别图像输入到所述共享网络进行图像特征抽取，得到所述待识别图像的公共图像特征；将所述公共图像特征输入到所述任务网络进行任务特征抽取，得到所述待识别图像的任务图像特征；基于所述任务图像特征进行任务结果分类，得到属性识别结果。节省时间与计算开销，加快模型运算速度，降低了多属性识别的费效比。

【技术实现步骤摘要】
多任务属性的图像识别方法、装置、电子设备及存储介质
本专利技术涉及人工智能领域，尤其涉及一种多任务属性的图像识别方法、装置、电子设备及存储介质。
技术介绍
随着对人工智能的深入研究，图像识别技术不断落地。在图像识别技术中，用户建立一个初始图像识别网络，然后通过标注好的数据集不断训练该初始图像识别网络，使该初始图像识别网络对图像的分类结果越来越接近标注好的数据结果，从而得到对应的图像识别网络。在图像识别网络中，通常一个识别任务作为一个模型进行图像识别，这样，在需要进行多属性识别时，则需要对单独的属性设计网络以及准备单独的训练数据，从而导致模型数据量多，参数计算时间长、计算开销大以及训练过程麻烦。因此，现有的图像识别技术中，由于多属性识别通过多个识别网络进行，使得多属性识别需要对应训练多个识别网络，进而多个训练数据集，花费较高，收效较低，因此存在费效比较高的问题。
技术实现思路
本专利技术实施例提供一种多任务属性的图像识别方法，能够降低多属性识别时，识别网络的费效比。第一方面，本专利技术实施例提供一种多任务属性的图像识别方法，包括：获取需要输入到目标识别网络的待识别图像，其中，所述目标识别网络为通过主动学习方法得到的样本数据对多任务属性识别网络进行训练得到，所述目标识别网络包括用于抽取公共图像特征的共享网络，以及用于抽取任务图像特征的多个任务网络；将所述待识别图像输入到所述共享网络进行图像特征抽取，得到所述待识别图像的公共图像特征；将所述公共图像特征输入到所述任务网络进行任务特征抽取，得到所述待识别图像的任务图像特征；基于所述任务图像特征进行任务结果分类，得到属性识别结果。可选的，获取需要输入到目标识别网络的待识别图像之前，所述方法还包括：获取未标注的图像样本池，所述图像样本池中的图像样本与所述待识别图像的类型相同；通过所述任务网络所对应的属性以及主动学习方法，选取所述图像样本池中的图像样本进行标注，得到标注样本集；基于所述标注样本集对所述多任务属性识别网络进行训练。可选的，所述通过所述任务网络所对应的属性以及主动学习方法，选取所述图像样本池中的图像样本进行标注，得到标注样本集，包括：根据所述任务网络所对应的属性，通过主动学习方法选取对应属性的困难图像样本，得到所有属性对应的样本子集；计算得到所述所有属性对应的样本子集的交集；将所述交集对应的困难图像样本进行标注，得到标注数据集。可选的，所述通过所述任务网络所对应的属性以及主动学习方法，选取所述图像样本池中的图像样本进行标注，得到标注样本集，包括：计算所述图像样本池中的各个图像样本在所述各个所述任务网络的难易程度；获取每个任务网络的困难度权值；基于所述难易程度以及所述每个任务网络的困难度权值，计算得到每个样本的困难度分数；基于所述困难度分数，选取困难图像样本；将所述困难图像样本进行标注，得到标注数据集。可选的，所述获计算所述图像样本池中的各个图像样本在所述各个所述任务网络的难易程度，包括：获取每个任务网络下的子属性分类对当前图像样本的预测值；基于所述每个子属性分类对当前图像样本的预测值，计算得到对应任务网络对当前图像样本的难易程度。可选的，所述主动学习方法至少包括两种，所述通过所述任务网络所对应的属性以及主动学习方法，选取所述图像样本池中的图像样本进行标注，得到标注样本集，包括：通过所述任务网络所对应的属性以及所述至少两种主动学习方法，得到所述至少两种主动学习方法对应的至少两个困难图像样本集；计算所述至少两个困难样本集的交集，得到目标困难图像样本集，选取所述困难图像样本集进行标注，得到标注样本集。可选的，所述主动学习方法包括：批量随机抽样返回方法、最小边距/最高不确定性返回方法、基于多样性标准返回方法、熵最大返回方法中至少两项。第二方面，本专利技术实施例提供一种多任务属性的图像识别装置，包括：第一获取模块，用于获取需要输入到目标识别网络的待识别图像，其中，所述目标识别网络为通过主动学习方法得到的样本数据对多任务属性识别网络进行训练得到，所述目标识别网络包括用于抽取公共图像特征的共享网络，以及用于抽取任务图像特征的多个任务网络；第一特征抽取模块，用于将待识别图像输入到所述共享网络进行图像特征抽取，得到所述待识别图像的公共图像特征；第二特征抽取模块，用于将所述公共图像特征输入到所述任务网络进行任务特征抽取，得到所述待识别图像的任务图像特征；分类模块，用于基于所述任务图像特征进行任务结果分类，得到属性识别结果。第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例提供的多任务属性的图像识别方法中的步骤。第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现专利技术实施例提供的多任务属性的图像识别方法中的步骤。本专利技术实施例中，获取需要输入到目标识别网络的待识别图像，其中，所述目标识别网络为通过主动学习方法得到的样本数据对多任务属性识别网络进行训练得到，所述目标识别网络包括用于抽取公共图像特征的共享网络，以及用于抽取任务图像特征的多个任务网络；将所述待识别图像输入到所述共享网络进行图像特征抽取，得到所述待识别图像的公共图像特征；将所述公共图像特征输入到所述任务网络进行任务特征抽取，得到所述待识别图像的任务图像特征；基于所述任务图像特征进行任务结果分类，得到属性识别结果。通过共享网络抽取公共图像特征，可以节省多个模型分别进行计算所需要的时间与计算开销，加快模型的运算速度，通过共享网络进行公共图像特征的抽取，能够挖掘不同属性识别任务之间隐藏的公共信息以及特征之间的相关性，提升了识别性能，同时，减轻了数据标注量，使数据集的准备工作也变得简单，在人工以及硬件方面的投入更少，因此，降低了多属性识别的费效比。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种多任务属性的图像识别方法的流程图；图2是本专利技术实施例提供的一种多任务属性识别网络的示意图；图3是本专利技术实施例提供的一种多任务属性识别网络的训练方法的流程图；图4是本专利技术实施例提供的第一种选取方法的流程图；图5是本专利技术实施例提供的第二种选取方法的流程图；图6是本专利技术实施例提供的另一种多任务属性的图像识别方法的流程图；图7是本专利技术实施例提供的一种多任务属性的图像识别装置的结构示意图；图8是本专利技术实施例提供的另一本文档来自技高网...

【技术保护点】
1.一种多任务属性的图像识别方法，其特征在于，包括以下步骤：/n获取需要输入到目标识别网络的待识别图像，其中，所述目标识别网络包括用于抽取公共图像特征的共享网络，以及用于抽取任务图像特征的多个任务网络；/n将所述待识别图像输入到所述共享网络进行图像特征抽取，得到所述待识别图像的公共图像特征；/n将所述公共图像特征输入到所述任务网络进行任务特征抽取，得到所述待识别图像的任务图像特征；/n基于所述任务图像特征进行任务结果分类，得到属性识别结果。/n

【技术特征摘要】
1.一种多任务属性的图像识别方法，其特征在于，包括以下步骤：
获取需要输入到目标识别网络的待识别图像，其中，所述目标识别网络包括用于抽取公共图像特征的共享网络，以及用于抽取任务图像特征的多个任务网络；
将所述待识别图像输入到所述共享网络进行图像特征抽取，得到所述待识别图像的公共图像特征；
将所述公共图像特征输入到所述任务网络进行任务特征抽取，得到所述待识别图像的任务图像特征；
基于所述任务图像特征进行任务结果分类，得到属性识别结果。


2.如权利要求1所述的方法，其特征在于，所述获取需要输入到目标识别网络的待识别图像之前，所述方法还包括：
获取未标注的图像样本池，所述图像样本池中的图像样本与所述待识别图像的类型相同；
通过所述任务网络所对应的属性以及主动学习方法，选取所述图像样本池中的图像样本进行标注，得到标注样本集；
基于所述标注样本集对所述多任务属性识别网络进行训练。


3.如权利要求2所述的方法，其特征在于，所述通过所述任务网络所对应的属性以及主动学习方法，选取所述图像样本池中的图像样本进行标注，得到标注样本集，包括：
根据所述任务网络所对应的属性，通过主动学习方法选取对应属性的困难图像样本，得到所有属性对应的样本子集；
计算得到所述所有属性对应的样本子集的交集；
将所述交集对应的困难图像样本进行标注，得到标注数据集。


4.如权利要求2所述的方法，其特征在于，所述通过所述任务网络所对应的属性以及主动学习方法，选取所述图像样本池中的图像样本进行标注，得到标注样本集，包括：
计算所述图像样本池中的各个图像样本在所述各个所述任务网络的难易程度；
获取每个任务网络的困难度权值；
基于所述难易程度以及所述每个任务网络的困难度权值，计算得到每个样本的困难度分数；
基于所述困难度分数，选取困难图像样本；
将所述困难图像样本进行标注，得到标注数据集。


5.如权利要求4所述的方法，其特征在于，所述获计算所述图像样本池中的各个图像样本在所述各个所述任务网络的难易程度，包括：
获取每个任务网络下的子属性分类对当前图像样本的预测值；
基于所述每个子属性分类对当前...

【专利技术属性】
技术研发人员：袁瑾，邢玲，胡文泽，
申请(专利权)人：深圳云天励飞技术有限公司，
类型：发明
国别省市：广东;44