【技术实现步骤摘要】
图像识别方法、装置以及计算机可读存储介质
[0001]本专利技术涉及图像处理
，具体提供一种图像识别方法、装置以及计算机可读存储介质。
技术介绍
[0002]图像识别指的是利用计算机设备等对图像进行分析处理以识别图像中的目标对象，如人脸识别或物品识别等。目前常规的图像识别方法主要是先利用标注好了样本标签的图像样本训练图像识别模型，再采用训练好的图像识别模型对图像进行图像识别。为了提高图像识别模型的识别准确性，往往需要采用大量的图像样本进行模型训练。但是，如果对图像样本逐一标注样本标签，不仅费时费力，也极易出错，显著降低了图像识别方法的准确性。此外，在实际应用中待识别图像中的目标对象可能处于清晰、模糊和被遮挡等多种图像状态，如果针对每种图像状态的图像样本都逐一进行样本标签标注，更加费时费力。因而，目前常规的图像识别方法往往只针对一种图像状态的目标对象进行图像识别，无法同时对不同图像状态的目标对象进行图像识别。
[0003]相应地，本领域需要一种新的图像识别方案来解决上述问题。
技术实现思路
[00...
【技术保护点】
【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：根据目标对象在图像中的图像状态对图像样本进行分类，得到不同图像状态的图像样本集，其中，一个图像样本集是带样本标签的带标签图像样本集，其他图像样本集是不带样本标签的不带标签图像样本集；采用所述带标签图像样本集对预设的识别模型进行训练，得到初始的图像识别模型；采用所述带标签图像样本集与所述不带标签图像样本集对所述初始的图像识别模型进行分类对抗学习训练，并根据所述带标签图像样本集与每个不带标签图像样本集之间图像样本的图像特征距离对所述初始的图像识别模型进行特征回归训练，得到最终的图像识别模型；采用所述最终的图像识别模型对待识别图像进行目标对象识别。2.根据权利要求1所述的图像识别方法，其特征在于，“对所述初始的图像识别模型进行分类对抗学习训练”的步骤具体包括：采用所述初始的图像识别模型分别提取所述带标签图像样本集中图像样本的图像特征以及所述不带标签图像样本集中图像样本的图像特征；采用多分类器，根据所述带标签图像样本集中图像样本的图像特征与所述不带标签图像样本集中图像样本的图像特征进行图像分类训练；根据所述图像分类训练的结果计算所述初始的图像识别模型的模型参数的梯度并对所述梯度进行梯度反转，根据梯度反转后的梯度反向传播更新所述模型参数，完成分类对抗学习训练。3.根据权利要求2所述的图像识别方法，其特征在于，“对所述梯度进行梯度反转，根据梯度反转后的梯度反向传播更新所述模型参数”的步骤具体包括：判断当前分类对抗学习训练的迭代训练次数是否达到预设的次数阈值；若是，则根据所述迭代训练次数匹配相应的梯度反转系数，根据所述梯度反转系数对所述梯度进行梯度反转，根据梯度反转后的梯度反向传播更新所述模型参数；其中，所述梯度反转系数小于零且所述梯度反转系数的绝对值与迭代训练次数成正相关关系；若否，则不对所述梯度进行梯度反转，直接根据所述梯度反向传播更新所述模型参数。4.根据权利要求1所述的图像识别方法，其特征在于，“对所述初始的图像识别模型进行特征回归训练”的步骤具体包括：分别计算所述带标签图像样本集与所述不带标签图像样本集中图像样本的图像特征平均值；根据所述图像特征平均值计算所述带标签图像样本集与所述不带标签图像样本集的图像特征距离；采用L2范数损失函数并根据所述图像特征距离对所述带标签图像样本集与所述不带标签图像样本集的图像特征进行特征回归训练；根据所述特征回归训练的结果计算所述初始的图像识别模型的模型参数的梯度并根据所述梯度反向传播更新所述模型参数，直至特征回归训练满足预设的训练收敛条件；并且/或者，所述方法还包括：在进行分类对抗学习训练的每次迭代训练时分别获取带标签图像样本集与不同不带标签图像样本集之间图像样本的图像特征距离，根据所述图像特征距离对
所述初始的图像识别模型进行特征回归训练。5.一种图像识别装置，其特征在于，所述装置包括：图像样本分类模块，其被配置成根据目标对象在图像中的图像状态对图像样本进行分类，得到不同图像状态的图像样本集，其中，一个图像样本集是带样本标签的带标签图像样本集，其他图像样本集是不带样本标签的不带标签图像样本集；第一模型训练模块，其被配置成采用所述带标签图像样本...
【专利技术属性】
技术研发人员：王曦，蹇易，
申请(专利权)人：上海云从汇临人工智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。