【技术实现步骤摘要】
目标图像识别方法、模型训练方法、装置、设备和介质
[0001]本公开的实施例涉及图像识别
，具体涉及目标图像识别方法、装置、电子设备和计算机可读介质。
技术介绍
[0002]目标图像识别，是指对目标图像进行特征判别的一项技术。目前，常用的目标图像(例如，商标图像)识别方法主要是基于深度学习的目标图像识别方法。此种算法提取的图像特征对于正向视角的图像有较好的判别能力。
[0003]然而，当采用上述方式对目标图像进行识别操作时，经常会存在如下技术问题：
[0004]在遇到多角度、多形态、背景多样化和颜色复杂化的目标图像时，目标图像识别的结果的准确度会存在明显的下降。
技术实现思路
[0005]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0006]本公开的一些实施例提出了特征图像识别方法、装置、电子设备和计算机可读介质，来解决...
【技术保护点】
【技术特征摘要】
1.一种目标图像识别方法，包括：对于图像组中的每个图像，将该图像输入至预先训练的图像特征提取模型以生成该图像对应的图像特征，得到图像特征组，其中，所述预先训练的图像特征提取模型包括：第一损失函数和第二损失函数，所述第一损失函数用于对不同角度和形态的图像进行修正，所述第二损失函数用于对不同背景和颜色的图像进行修正；将所述图像特征组中每个图像特征与预设的图像特征进行对比以生成对比结果，得到对比结果集合；响应于确定所述对比结果集合中的对比结果满足第一预定条件，将所满足第一预定条件的对比结果对应的图像确定为目标图像。2.一种图像特征提取模型训练方法，包括：基于训练样本集和预设的第一损失函数，对初始图像特征提取模型进行训练，得到训练后的图像特征提取模型，作为第一图像特征提取模型，其中，所述第一损失函数用于对不同角度和形态的图像进行修正；将预设的第二损失函数添加至所述第一图像特征提取模型中，得到添加后的图像特征提取模型，作为第二图像特征提取模型，其中，所述第二损失函数用于对不同背景和颜色的图像进行修正；利用所述训练样本集，对所述第二图像特征提取模型进行模型调整，得到调整后的图像特征提取模型，作为第三图像特征提取模型；对所述第三图像特征提取模型进行网络结构提取，得到图像特征提取模型，其中，所述图像特征提取模型用于对图像进行特征提取。3.根据权利要求2所述的方法，其中，在所述基于训练样本集和预设的第一损失函数，对初始图像特征提取模型进行训练之前，所述方法还包括：获取待训练样本集，其中，所述待训练样本集中的训练样本包括：样本图像和样本图像的标签，所述标签包括所述样本图像的识别结果。4.根据权利要求3所述的方法，其中，在所述基于训练样本集和预设的第一损失函数，对初始图像特征提取模型进行训练之前，所述方法还包括：对所述待训练样本集进行样本增强，得到增强后的训练样本集，作为所述训练样本集。5.根据权利要求4所述的方法，其中，所述样本图像的识别结果包括图像的二值图像；以及所述基于训练样本集和预设的第一损失函数，对初始图像特征提取模型进行训练，得到训练后的图像特征提取模型，包括：从所述训练样本集中选取训练样本；将所选取的训练样本包括的样本图像输入至所述初始图像特征提取模型，以生成实际二值图像；基于所述第一损失函数，确定所述实际二值图像和所述标签包括的二值图像的差异，得到第一损失值；响应于确定所述第一损失值不满足第二预定条件，基于所述第一损失值，调整所述初始图像特征提取模型的第一参数。6.根据权利要求5所述的方法，其中，所述基于训练样本集和预设的第一损失函数，对
初始图像特征提取模型进行训练，得到训练后的图像特征提取模型，还包括：响应于确定所述第一损失值满足所述第二预定条件，将所述初始图像特征提取模型确定为训练后的图像特征提取模型。7.根据权利要求6所述的方法，其中，所述样本图像的识别结果包括识别特征三元组；以及所述利用所述训练样本集，对所述第二图像特征提取模型进行模型调整，得到调整后的图像特征提取模型，包括：从所述训练样本集中选取训...
【专利技术属性】
技术研发人员：谢树雷，
申请(专利权)人：北京京东世纪贸易有限公司，
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。