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)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