一种图像识别方法及装置、计算机设备、可读存储介质制造方法及图纸

本发明专利技术提供一种图像识别方法及装置、计算机设备、可读存储介质，所述方法包括：获取图像识别的训练数据；根据所述训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型；利用所述收敛的深度神经网络模型对待识别图像进行识别；本发明专利技术提供的方法根据生成的、具有良好标签的训练数据集对深度神经网络进行训练，借助深度神经网络对于复杂映射关系的强大的拟合能力，实现对任意给定特征数据的对应标签数据的拟合，形成具备良好标签的监督学习训练数据集，实现群体智能优化算法在图像识别上最佳标签数据的特征的抽取，以及在整个特征空间上泛化，提高图像识别的精度。

【技术实现步骤摘要】
一种图像识别方法及装置、计算机设备、可读存储介质
本专利技术涉及图片识别领域，更具体的，涉及一种图像识别方法及装置、计算机设备、可读存储介质。
技术介绍
近年来，随着人工智能技术的快速发展，数据驱动的手段已逐渐显现出它的威力；通过数据驱动的计算智能手段，计算机已逐渐在多个领域实现性能的飞跃式提升，甚至在一些领域已远超人类水平；其中，得益于互联网、移动互联网时代数据的爆炸性增长，以及高性能计算硬件的飞速发展，深度学习迎来了新一波发展浪潮；当前，依靠强大的算力支撑，借助海量数据驱动的深度神经网络训练，深度学习技术已经在图像识别、目标检测、机器翻译以及词句预测等领域，甚至诸如诗词创作、绘画创作、封面设计等创造性设计领域达到非常高的水平，且在包括图像识别、目标检测与机器翻译等领域技术已经成功实现产品化、商业化。然而随着学习技术应用领域的不断扩展，一些工程应用的实际问题开始显现，在一定程度上制约了深度学习技术在一些领域的应用，具体而言，众所周知，深度学习是通过如下过程实现识别、预测、翻译等具体任务的。(1)搭建深度神经网络；(2)将以多维度特征描述的训练数据传入上述构建的深度神经网络，获得对应的识别、预测、翻译等结果(称为预测数据)；(3)计算预测数据与多维度特征数据所对应的真实标签数据之间的偏差；(4)通过参数寻优(多采用梯度下降类算法)最小化上述偏差，从而达到对于预测、识别、翻译结果的精准拟合；(5)在不同于训练数据集的测试数据集上进行深度神经网络性能测试(主要测试泛化能力和精度)；(6)如果训练次数不够或测试集上精度尚可提升，返回(2)。从上述过程中不难看出，深度学习是一种监督学习，其训练过程严重依赖于良好标记的训练数据，但在具体工程问题中，在一定的问题场景下，这样的训练数据集很难获得，尽管目前已有一些半监督学习方法、以及无监督与监督学习相结合的学习方法，但这些方法依然依赖于一定数量的标记数据，而在有些场景下，精准的标签数据(用于实现监督训练)是无法给出的，而仅能给出评价性监督，特别是在一些策略拟合性问题上，例如，复杂环境下的最佳通信传输策略的选择问题，在该问题下，深度神经网络需要针对给定的通信环境拟合出该环境下的最佳通信传输策略(如功率、调制类型、调制指数等)，事实上，对于一个特定的真实通信环境，即便是人类专家也很难给出最佳的通信传输策略(即标签数据)，而仅能对一个给定的通信传输策略进行优劣评价，因此，如果采用深度学习方法进行传输策略拟合，良好标记的训练数据是难以获得的，甚至是没有的，这就导致在类似于上述问题的一些场景下，深度学习技术的应用会显现出一些局限而难于应用，事实上，不仅是深度学习，同为监督学习的其他机器学习算法也面临此类问题。
技术实现思路
为了解决上述问题中的至少一个，本专利技术第一方面提供一种图像识别方法，所述方法包括：S101：获取图像识别的训练数据；S102：根据所述训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型；S103：利用所述收敛的深度神经网络模型对待识别图像进行识别。进一步地，所述方法还包括：基于所述训练数据生成特征数据、标签数据和扩展特征数据。进一步地，所述特征数据可以通过真实系统实际生成或通过仿真系统模拟生成。进一步地，基于所述训练数据生成标签数据，包括以下步骤：S201：基于所述训练数据生成特征数据；S202：对生成的特征数据进行预处理；S203：基于人类知识划定的搜索边界以及评价指标，对预处理后的特征数据进行搜索，得到标签数据；S204：利用群体智能优化算法，对所述标签数据寻优，得到最终标签数据。进一步地，基于所述训练数据生成扩展特征数据，包括：S301：基于所述训练数据生成特征数据；S302：对生成的特征数据进行预处理；S303：基于补充信息对预处理后的特征数据的特征数进行补充，得到扩展特征数据。进一步地，根据训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型，包括：S401：将所述扩展特征数据输入至所述深度神经网络模型，所述深度神经网络模型输出为拟合数据；S402：所述标签数据通过参数寻优得到目标标签数据；S403：根据目标标签数据和拟合数据得到偏差值，若偏差值高于阈值，则调整预设的神经网络模型参数，直至偏差值低于阈值，输出收敛的神经网络模型；S404：对所述收敛的神经网络模型的图像识别精度进行验证。进一步地，对所述收敛的神经网络模型的图像识别精度进行验证，包括：S501：获取图像识别的验证数据；S502：将所述验证数据输入至收敛的神经网络模型，所述收敛的神经网络模型输出为图像识别准确率；S503：根据图像识别的准确率判断收敛神经模型的图像识别精度。本专利技术第二方面提供一种图像识别装置，所述装置包括：数据获取模块，获取图像识别的训练数据；模型训练模块，根据所述训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型；图像识别模块，利用所述收敛的深度神经网络模型对待识别图像进行识别。本专利技术第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述图像识别方法的步骤。本专利技术第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述图像识别方法的步骤。本专利技术的有益效果本专利技术提供一种图像识别方法及装置、计算机设备、可读存储介质，所述方法包括：获取图像识别的训练数据；根据所述训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型；利用所述收敛的深度神经网络模型对待识别图像进行识别；本专利技术提供的方法根据生成的、具有良好标签的训练数据集对深度神经网络进行训练，借助深度神经网络对于复杂映射关系的强大的拟合能力，实现对任意给定特征数据的对应标签数据的拟合，形成具备良好标签的监督学习训练数据集，实现群体智能优化算法在图像识别上最佳标签数据的特征的抽取，以及在整个特征空间上泛化，提高图像识别的精度。附图说明为了更清楚地说明本专利技术实施方式或现有技术中的技术方案，下面将对实施方式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方式，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为本专利技术实例中一种图像识别方法流程示意图之一；图2为本专利技术实例中一种训练数据生成标签数据方法流程示意图；图3为本专利技术实例中一种训练数据生成扩展特征数据方法流程示意图；图4为本专利技术实例中一种深度神经网络模型进行训练方法流程示意图；图5为本专利技术实例中一种图像识别精度验证方法流程示意图；图6为本专利技术实例中一种本文档来自技高网...

【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获取图像识别的训练数据；/n根据所述训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型；/n利用所述收敛的深度神经网络模型对待识别图像进行识别。/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：
获取图像识别的训练数据；
根据所述训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型；
利用所述收敛的深度神经网络模型对待识别图像进行识别。


2.根据权利要求1所述的方法，其特征在于，还包括：基于所述训练数据生成特征数据、标签数据和扩展特征数据。


3.根据权利要求2所述的方法，其特征在于，所述特征数据可以通过真实系统实际生成或通过仿真系统模拟生成。


4.根据权利要求2所述的方法，其特征在于，基于所述训练数据生成标签数据，包括以下步骤：
基于所述训练数据生成特征数据；
对生成的特征数据进行预处理；
基于人类知识划定的搜索边界以及评价指标，对预处理后的特征数据进行搜索，得到标签数据；
利用群体智能优化算法，对所述标签数据寻优，得到最终标签数据。


5.根据权利要求2所述的方法，其特征在于，基于所述训练数据生成扩展特征数据，包括：
基于所述训练数据生成特征数据；
对生成的特征数据进行预处理；
基于补充信息对预处理后的特征数据的特征数进行补充，得到扩展特征数据。


6.根据权利要求5所述的方法，其特征在于，根据训练数据对预设的深度神经网络模型进行训练，得到收敛的深度神经网络模型，包括：
将所述扩展特征数据输...

【专利技术属性】
技术研发人员：贾政轩，肖莹莹，
申请(专利权)人：北京仿真中心，
类型：发明
国别省市：北京;11