图片识别方法、装置、电子设备及存储介质制造方法及图纸

本公开公开了一种图片识别方法、装置、电子设备及存储介质，方法包括：获取待识别图片；将待识别图片输入至图片识别模型的特征提取网络中，通过特征提取网络提取多尺度特征；将多尺度特征输入至全局识别网络中识别待识别图片的第一类型信息，和/或，将多尺度特征输入至局部识别网络中识别待识别图片的第二类型信息，第一类型信息用于指示待识别图片的全局图像是否异常，第二类型信息用于：指示待识别图片的局部图像是否异常；在第一类型信息指示异常和/或第二类型信息指示异常的情况下，确定待识别图片为异常图片。采用本公开提供的图片识别方法、装置、电子设备及存储介质，至少解决现有图片识别过程中存在效率低的问题。决现有图片识别过程中存在效率低的问题。决现有图片识别过程中存在效率低的问题。

【技术实现步骤摘要】
图片识别方法、装置、电子设备及存储介质


[0001]本公开涉及图片识别
，具体涉及一种图片识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着互联网和无线通信技术的飞速发展，人们之间进行信息共享的方式越来越丰富。图片分享作为一种新兴的信息分享功能，可以实现用户通过图片(如照片或者拍摄的视频中的帧图片等)向他人展现自己生活的点点滴滴，提升用户分享信息的便捷性及趣味性。
[0003]目前，伴随着图片分享的迅速推广，人们传播的图片也越来越多，需要对每一图片的图片类型进行分类，以便于对图片的管理，例如，可以将存在违法、违背社会公德或者低俗等内容的图片归类为低俗图片，以便防止低俗图片的传播。但是，目前对于图片所属的图片类型的识别通常是由人工进行标注，工作强度大，从而导致图片识别的效率低下。可见，目前的图片识别过程中存在效率低的问题。

技术实现思路

[0004]本公开实施例的目的是提供一种图片识别方法、装置、电子设备及存储介质，以解决目前的图片识别过程中存在效率低的问题。
[0005]本公开的技术方案如下：
[0006]根据本公开实施例的第一方面，提供一种图片识别方法，包括：
[0007]获取待识别图片；
[0008]将所述待识别图片输入至图片识别模型的特征提取网络中，通过所述特征提取网络提取多尺度特征，其中，所述图片识别模型包括所述特征提取网络以及与所述特征提取网络连接的全局识别网络、局部识别网络，且所述全局识别网络用于基于图片的全局图像特征进行图片类型识别，所述局部识别网络用于基于图片的局部图像特征进行图片类型识别，所述多尺度特征包括所述待识别图片的全局图像特征以及局部图像特征；
[0009]将所述多尺度特征输入至所述全局识别网络中识别所述待识别图片的第一类型信息，和/或，将所述多尺度特征输入至所述局部识别网络中识别所述待识别图片的第二类型信息，其中，所述第一类型信息用于指示所述待识别图片的全局图像是否异常，所述第二类型信息用于：指示所述待识别图片的局部图像是否异常；
[0010]在所述第一类型信息指示异常和/或所述第二类型信息指示异常的情况下，确定所述待识别图片为异常图片。
[0011]在其中一个实施例中，所述获取待识别图片，并将所述待识别图片输入至图片识别模型中之前，还包括：
[0012]获取训练样本集；
[0013]将所述训练样本集的图片样本输入至包括所述特征提取网络、所述全局识别网络和所述局部识别网络的待训练识别模型中，计算所述全局识别网络和所述局部识别网络的
第一加权损失；
[0014]在所述第一加权损失未满足预设条件的情况下，更新所述待训练识别模型中各网络的参数，并将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，直至所述第一加权损失满足所述预设条件，得到所述图片识别模型。
[0015]在其中一个实施例中，所述在所述第一加权损失未满足预设条件的情况下，更新所述待训练识别模型中各网络的参数，并将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，直至所述第一加权损失满足所述预设条件，得到所述图片识别模型，包括：
[0016]在所述待训练识别模型的特征提取网络的参数为固定状态的情况下，若所述第一加权损失未满足预设条件且迭代次数未达到预设次数的情况下，更新所述待训练识别模型中的全局识别网络和局部识别网络的参数，并将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，其中，所述迭代次数为更新所述待训练识别模型中的全局识别网络和局部识别网络的参数的次数；
[0017]在所述第一加权损失未满足所述预设条件且所述迭代次数达到所述预设次数的情况下，设置所述特征提取网络的参数为可更新状态，并更新所述待训练识别模型中的特征提取网络、全局识别网络和局部识别网络的参数，将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，直至所述第一加权损失满足所述预设条件，得到所述图片识别模型。
[0018]在其中一个实施例中，所述训练样本集包括至少一个第一图片样本以及至少一个第二图片样本，且所述第一图片样本与所述全局识别网络对应，所述第二图片样本与所述局部识别网络对应；
[0019]所述获取待识别图片，并将所述待识别图片输入至图片识别模型中之前，还包括：
[0020]在所述待训练识别模型中第一识别网络的参数为固定状态的情况下，将所述训练样本集中与第二识别网络对应的图片样本输入至所述第二识别网络中，计算得到所述第二识别网络的损失，其中，所述第一识别网络为所述全局识别网络和所述局部识别网络中的任一识别网络，所述第二识别网络为所述全局识别网络和所述局部识别网络中除所述第一识别网络之外的识别网络；
[0021]在所述第二识别网络的损失未达到预设条件的情况下，更新所述待训练识别模型中特征提取网络和第二识别网络的参数，并重新执行将所述训练样本集中与所述第二识别网络对应的图片样本输入至所述第二识别网络中；
[0022]在所述第二识别网络的损失达到所述预设条件的情况下，设置所述第一识别网络的参数为更新状态以及所述第二识别网络的参数为固定状态，并将所述训练样本集中与第一识别网络对应的图片样本输入至所述第一识别网络中，计算得到所述第一识别网络的损失；
[0023]在所述第一识别网络的损失未达到所述预设条件的情况下，更新所述待训练识别模型中特征提取网络和第一识别网络的参数，并重新执行将所述训练样本集中与所述第一识别网络对应的图片样本输入至所述第一识别网络中，直至所述第一识别网络的损失达到所述预设条件，得到所述图片识别模型。
[0024]在其中一个实施例中，所述在所述第一识别网络的损失未达到所述预设条件的情况下，更新所述待训练识别模型中特征提取网络和第一识别网络的参数，并重新执行将所述训练样本集中与第一识别网络对应的图片样本输入至所述第一识别网络中，直至所述第一识别网络的损失达到所述预设条件，得到所述图片识别模型，包括：
[0025]所述在所述第一识别网络的损失未达到所述预设条件的情况下，更新所述待训练识别模型中特征提取网络和第一识别网络的参数，并重新执行将所述训练样本集中与所述第一识别网络对应的图片样本输入至所述第一识别网络中；
[0026]在所述第一识别网络的损失满足所述预设条件的情况下，设置所述第二识别网络的参数为更新状态，并更新所述待训练识别模型中的特征提取网络、第一识别网络和第二识别网络的参数，并将参数更新后的模型作为所述待训练识别模型；
[0027]将所述训练样本集中与所述第一识别网络、所述第二识别网络对应的图片样本输入至所述待训练识别模型中，计算得到所述第一识别网络和所述第二识别网络的第二加权损失；
[0028]在所述第二加权损失未满足所述预设条件的情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片识别方法，其特征在于，包括：获取待识别图片；将所述待识别图片输入至图片识别模型的特征提取网络中，通过所述特征提取网络提取多尺度特征，其中，所述图片识别模型包括所述特征提取网络以及与所述特征提取网络连接的全局识别网络、局部识别网络，且所述全局识别网络用于基于图片的全局图像特征进行图片类型识别，所述局部识别网络用于基于图片的局部图像特征进行图片类型识别，所述多尺度特征包括所述待识别图片的全局图像特征以及局部图像特征；将所述多尺度特征输入至所述全局识别网络中识别所述待识别图片的第一类型信息，和/或，将所述多尺度特征输入至所述局部识别网络中识别所述待识别图片的第二类型信息，其中，所述第一类型信息用于指示所述待识别图片的全局图像是否异常，所述第二类型信息用于：指示所述待识别图片的局部图像是否异常；在所述第一类型信息指示异常和/或所述第二类型信息指示异常的情况下，确定所述待识别图片为异常图片。2.根据权利要求1所述的方法，其特征在于，所述获取待识别图片，并将所述待识别图片输入至图片识别模型中之前，还包括：获取训练样本集；将所述训练样本集的图片样本输入至包括所述特征提取网络、所述全局识别网络和所述局部识别网络的待训练识别模型中，计算所述全局识别网络和所述局部识别网络的第一加权损失；在所述第一加权损失未满足预设条件的情况下，更新所述待训练识别模型中各网络的参数，并将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，直至所述第一加权损失满足所述预设条件，得到所述图片识别模型。3.根据权利要求2所述的方法，其特征在于，所述在所述第一加权损失未满足预设条件的情况下，更新所述待训练识别模型中各网络的参数，并将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，直至所述第一加权损失满足所述预设条件，得到所述图片识别模型，包括：在所述待训练识别模型的特征提取网络的参数为固定状态的情况下，若所述第一加权损失未满足预设条件且迭代次数未达到预设次数的情况下，更新所述待训练识别模型中的全局识别网络和局部识别网络的参数，并将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，其中，所述迭代次数为更新所述待训练识别模型中的全局识别网络和局部识别网络的参数的次数；在所述第一加权损失未满足所述预设条件且所述迭代次数达到所述预设次数的情况下，设置所述特征提取网络的参数为可更新状态，并更新所述待训练识别模型中的特征提取网络、全局识别网络和局部识别网络的参数，将网络参数更新后模型作为所述待训练识别模型，重新执行将所述训练样本集的图片样本输入至所述待训练识别模型，直至所述第一加权损失满足所述预设条件，得到所述图片识别模型。4.根据权利要求2所述的方法，其特征在于，所述获取待识别图片，并将所述待识别图片输入至图片识别模型中之前，还包括：
在所述待训练识别模型中第一识别网络的参数为固定状态的情况下，将所述训练样本集中与第二识别网络对应的图片样本输入至所述第二识别网络中，计算得到所述第二识别网络的损失，其中，所述第一识别网络为所述全局识别网络和所述局部识别网络中的任一识别网络，所述第二识别网络为所述全局识别网络和所述局部识别网络中除所述第一识别网络之外的识别网络；在所述第二识别网络的损失未达到预设条件的情况下，更新所述待训练识别模型中特征提取网络和第二识别网络的参数，并重新执行将所述训练样本集中与所述第二识别网络对应的图片样本输入至所述第二识别网络中；在所述第二识别网络的损失达到所述预设条件的情况下，设置所述第一识别网络的参数为更新状态以及所述第二识别网络的参数为固定状态，并将所述训练样本集中与第一识别网络对应的图片样本输入至所述第一识别网络中，计算得到所述第一识别网络的损失；在所述第一识别网络的损失未达到所述预设条件的情况下，更新所述待训练识别模型中特征提取网络和第一识别网络的参数，并重新执行将所述训练样本集中与所述第一识别网络对应的图片样本输入至...

【专利技术属性】
技术研发人员：张恒，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：