目标识别方法、设备及存储介质技术

本申请实施例提供一种目标识别方法、设备及存储介质。其中，目标识别方法基于神经网络模型实现。神经网络模型中包含归一化层，该归一化层，可对输入归一化层的一部分特征数据进行实例归一化操作，并对输入的另一部分特征数据进行批量归一化操作。基于这种方式，可利用实例归一化操作，降低图像上的独特性的部分对目标识别过程的影响，以提升神经网络模型对具有不同特征分布的图像的适应能力，同时，利用批量归一化操作，提升神经网络模型对图像特征的辨识能力，进而，可有效增强神经网络模型的泛化性能，使得神经网络模型对多种不同环境下拍摄到的图像均具有较高的目标识别准确率。拍摄到的图像均具有较高的目标识别准确率。拍摄到的图像均具有较高的目标识别准确率。

【技术实现步骤摘要】
目标识别方法、设备及存储介质


[0001]本申请涉及计算机视觉
，尤其涉及一种目标识别方法、设备及存储介质。

技术介绍

[0002]现如今，深度学习技术被广泛应用到各个领域，为人们的生活、出行等提供了极大的方便。在基于深度学习的计算机视觉领域中，通常需要对不同环境下拍摄到的图像进行识别分析。
[0003]但是，图像质量受拍摄环境的影响较大，现有的深度学习技术，无法较好地针对不同环境下拍摄的到的图像进行识别分析。因此，有待提出一种新的解决方案。

技术实现思路

[0004]本申请的多个方面提供一种目标识别方法、设备及存储介质，用以提升对不同环境下拍摄到的图像的目标识别能力。
[0005]本申请实施例提供一种目标识别方法，包括：响应客户端对第一接口的调用请求，获取接口参数包含的待处理的图像；将所述图像输入神经网络模型，得到所述图像中的目标的识别结果；其中，所述神经网络模型中的归一化层，用于：对所述归一化层的一部分输入特征数据进行实例归一化操作，对所述归一化层的另一部分输入特征数据进行批量归一化操作，得到所述归一化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别方法，其特征在于，包括：响应客户端对第一接口的调用请求，获取接口参数包含的待处理的图像；将所述图像输入神经网络模型，得到所述图像中的目标的识别结果；其中，所述神经网络模型中的归一化层，用于：对所述归一化层的一部分输入特征数据进行实例归一化操作，对所述归一化层的另一部分输入特征数据进行批量归一化操作，得到所述归一化层的输出数据；将所述识别结果返回至所述客户端。2.一种目标识别方法，其特征在于，包括：获取待处理的图像；将所述图像输入神经网络模型，得到所述图像中的目标的识别结果；其中，所述神经网络模型中的归一化层，用于：对所述归一化层的一部分输入特征数据进行实例归一化操作，对所述归一化层的另一部分输入特征数据进行批量归一化操作，得到所述归一化层的输出数据。3.根据权利要求2所述的方法，其特征在于，所述归一化层，由并列的批量归一化层和实例归一化层组成；对所述归一化层的一部分输入特征数据进行实例归一化操作，对所述归一化层的另一部分输入特征数据进行批量归一化操作，包括：将输入所述归一化层的多通道特征数据中的第一通道数的特征数据以及第二通道数的特征数据，分别输入所述实例归一化层以及所述批量归一化层；基于所述实例归一化层，对所述第一通道数的特征数据进行实例归一化操作，得到第一通道数的输出数据；基于所述批量归一化层，对所述第二通道数的特征数据进行批量归一化操作，得到第二通道数的输出数据。4.根据权利要求3所述的方法，其特征在于，所述第一通道数以及所述第二通道数，分别为所述归一化层的输出通道数的二分之一。5.根据权利要求3所述的方法，其特征在于，基于所述实例归一化层，对所述第一通道数的特征数据进行实例归一化操作，得到第一通道数的输出数据，包括：在所述实例归一化层中，根据所述实例归一化层对应的实例均值和实例方差，对所述第一通道数的特征数据进行归一化操作，得到所述第一通道数的输出数据；其中，所述实例均值和实例方差，根据输入所述实例归一化层的样本图像实例的特征数据计算得到。6.根据权利要求3所述的方法，其特征在于，基于所述批量归一化层，对所述第二通道数的特征数据进行批量归一化操作，得到第二通道数的输出数据，包括：获取所述批量归一化层对应的批量归一化调节因子；在所述批量归一化层中，根据所述批量归一化调节因...

【专利技术属性】
技术研发人员：何天宇，沈旭，黄建强，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：