基于深度学习模型的图像特征识别方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于深度学习模型的图像特征识别方法、装置及存储介质，所述的方法将待识别的图像信息输入预先构建的深度学习模型中，该预先构建的深度学习模型包括池化模块，待识别的图像信息经卷积后将待池化特征向量输入池化模块，池化模块包括并列的至少两个池化层，每个池化层均对待池化特征向量进行池化操作得到至少两个子池化特征向量，根据至少两个子池化特征向量可得到池化特征向量，并将池化特征向量输出以进行后续学习来提取对应特征向量，由于待池化特征向量经过不同池化层的池化操作，使其能够获得更丰富的信息，且经过不同池化层并没有带来额外参数，使得深度学习模型具有更好的性能，提升了图像中目标特征识别的准确度。

【技术实现步骤摘要】
基于深度学习模型的图像特征识别方法、装置及存储介质
本专利技术涉及人工智能
，具体涉及一种基于深度学习模型的图像特征识别方法、装置及存储介质。
技术介绍
在对图像特征识别时，需要先提取所获取图像信息中的特征向量，一般将所获取的图片输入至深度学习模型，经过卷积池化等操作，深度学习模型输出一个一维特征向量或者二维特征向量，该特征向量即为所要提取的特征向量，根据该特征向量来对目标特征进行识别。深度学习模型一般由卷积层、池化层、非线性层和全连接层等组成，其中深度学习模型中的池化层一方面可以减小输入图片的大小，另一方面可以赋予深度学习模型一定的平移不变性，增加深度学习模型的泛化性能，以提升图像特征识别的准确度。深度学习模型中的池化层包括三个超参数，分别为池化核的大小、步进和补零(padding)参数，这三个超参数会影响深度学习模型的性能，例如在用于人脸特征识别的深度学习模型训练中发现，当不使用池化层时(此时可以看作池化核大小为1，步长为1，padding＝0的情况)，深度学习模型的池化性能比使用池化核为3，步长为1，padding＝0的时候要差。综上，池化层的超参数对深度学习模型性能有较大的影响，因此为了使深度学习模型具有一个较好的性能，需要人工对池化层的超参数进行不断调整，该方法效率较为低下，且过度依靠人为经验。
技术实现思路
本专利技术旨在提供了一种基于深度学习模型的图像特征识别方法、装置及存储介质，解决了现有依靠人工对池化层的超参数进行调参，效率低下且过于依靠人为经验的问题。根据第一方面，一种实施例中提供一种基于深度学习模型的图像特征识别方法，包括：获取待识别的图像信息；将所述待识别的图像信息输入预先构建的深度学习模型中，得到特征向量；其中，所述预先构建的深度学习模型包括池化模块，所述池化模块包括并列的至少两个池化层，所述池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个所述子池化特征向量得到池化特征向量，并输出所述池化特征向量；所述待池化特征向量通过对待识别的图像信息卷积得到；根据所述特征向量对图像信息中的目标特征进行识别。可选地，所述池化模块中的至少两个所述池化层设置有不同的超参数，所述超参数包括池化核的大小、补零值和步进值中的至少一个。可选地，所述至少两个所述池化层的超参数需满足以下公式：其中，o为池化特征向量的大小，i为待池化特征向量的大小，p为卷积核大小，k为补零值，s步进值，表示向下取整。可选地，所述根据至少两个所述子池化特征向量得到池化特征向量，包括：将至少两个所述子池化特征向量逐元素相加，得到池化特征向量。根据第二方面，一种实施例中提供一种基于深度学习模型的图像特征识别装置，包括：图像获取模块，用于获取待识别的图像信息；特征提取模块，用于将所述待识别的图像信息输入预先构建的深度学习模型中，得到特征向量；其中，所述预先构建的深度学习模型包括池化模块，所述池化模块包括并列的至少两个池化层，所述池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个所述子池化特征向量得到池化特征向量，并输出所述池化特征向量；所述待池化特征向量通过对图像信息卷积得到；特征识别模块，用于根据所述特征向量对图像信息中的目标特征进行识别。可选地，所述池化模块中的至少两个所述池化层设置有不同的超参数，所述超参数包括池化核的大小、补零值和步进值中的至少一个。可选地，所述至少两个所述池化层的超参数需满足以下公式：其中，o为池化特征向量的大小，i为待池化特征向量的大小，p为卷积核大小，k为补零值，s步进值。可选地，所述根据至少两个所述子池化特征向量得到池化特征向量，包括：将至少两个所述子池化特征向量逐元素相加，得到池化特征向量。根据第三方面，一种实施例中提供了一种电子设备，包括：存储器，用于存储程序；处理器，用于通过执行所述存储器存储的程序以实现如上述实施例所述的方法。根据第四方面，一种实施例提供了一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现如上述实施例所述的方法。依据上述实施例的基于深度学习模型的图像特征识别方法，将待识别的图像信息输入预先构建的深度学习模型中，该预先构建的深度学习模型包括池化模块，待识别的图像信息经卷积后将待池化特征向量输入池化模块，池化模块包括并列的至少两个池化层，每个池化层均对待池化特征向量进行池化操作得到至少两个子池化特征向量，根据至少两个子池化特征向量可得到池化特征向量，并将池化特征向量输出以进行后续学习来提取对应特征向量，由于待池化特征向量经过不同池化层的池化操作，使其能够获得更丰富的信息，且经过不同池化层并没有带来额外参数，使得深度学习模型具有更好的性能，提升了图像中目标特征识别的准确度。附图说明图1为一种实施例的基于深度学习模型的图像特征识别方法的流程图；图2为一种实施例的池化操作示意图；图3为一种实施例的基于深度学习模型的图像特征识别装置的结构框图；图4为一种实施例的电子设备的结构框图。具体实施方式下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。在本专利技术实施例中，深度学习模型中的池化模块包括并列的还少两个池化层，将待池化特征向量分别输入每个池化层中进行池化操作得到至少两个池化特征向量，根据至少两个池化特征向量得到池化特征向量来进行后续学习以提取对应的特征向量，使得所提取的特征向量经过了不同池化操作，能够获得更丰富的信息，且没有带来额外参数。请参考图1，图1为一种实施例的基于深度学习模型的图像特征识别方法的流程图，其可执行在处理本文档来自技高网...

【技术保护点】
1.一种基于深度学习模型的图像特征识别方法，其特征在于，包括：/n获取待识别的图像信息；/n将所述待识别的图像信息输入预先构建的深度学习模型中，得到特征向量；/n其中，所述预先构建的深度学习模型包括池化模块，所述池化模块包括并列的至少两个池化层，所述池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个所述子池化特征向量得到池化特征向量，并输出所述池化特征向量；所述待池化特征向量通过对待识别的图像信息卷积得到；/n根据所述特征向量对图像信息中的目标特征进行识别。/n

【技术特征摘要】
1.一种基于深度学习模型的图像特征识别方法，其特征在于，包括：
获取待识别的图像信息；
将所述待识别的图像信息输入预先构建的深度学习模型中，得到特征向量；
其中，所述预先构建的深度学习模型包括池化模块，所述池化模块包括并列的至少两个池化层，所述池化模块用于将其输入端接收的待池化特征向量分别输入每个池化层中进行池化操作得到至少两个子池化特征向量，根据至少两个所述子池化特征向量得到池化特征向量，并输出所述池化特征向量；所述待池化特征向量通过对待识别的图像信息卷积得到；
根据所述特征向量对图像信息中的目标特征进行识别。


2.如权利要求1所述的图像特征识别方法，其特征在于，所述池化模块中的至少两个所述池化层设置有不同的超参数，所述超参数包括池化核的大小、补零值和步进值中的至少一个。


3.如权利要求2所述的图像特征识别方法，其特征在于，所述至少两个所述池化层的超参数需满足以下公式：



其中，o为池化特征向量的大小，i为待池化特征向量的大小，p为卷积核大小，k为补零值，s步进值，表示向下取整。


4.如权利要求1-3中任一项所述的图像特征识别方法，其特征在于，所述根据至少两个所述子池化特征向量得到池化特征向量，包括：
将至少两个所述子池化特征向量逐元素相加，得到池化特征向量。


5.一种基于深度学习模型的图像特征识别装置，其特征在于，包括：
图像获取模块，用于获取待识别的图像信息；
特征提取模块，用于将所述待识别的图像信息输...

【专利技术属性】
技术研发人员：李一力，张浩，邵新庆，刘强，徐明，
申请(专利权)人：深圳力维智联技术有限公司，南京中兴力维软件有限公司，
类型：发明
国别省市：广东;44