本发明专利技术是关于一种基于相关性图学习的图像识别方法和装置，其中，方法包括：获取待识别图像；使用训练好的特征提取网络确定所述待识别图像对应的特征向量；从训练集中随机获取每个类别的图集的多个聚类中心；将每个类别的图集的多个聚类中心与所述待识别图像的特征向量构成图；使用图卷积神经网络对所述图进行类别预测，以确定所述待识别图像所属的图像类别。通过该技术方案，充分模拟了人类的经验系统，提高了图像识别的效果。提高了图像识别的效果。提高了图像识别的效果。
【技术实现步骤摘要】
基于相关性图学习的图像识别方法及装置
[0001]本专利技术涉及图像识别
，尤其涉及一种基于相关性图学习的图像识别方法和装置。
技术介绍
[0002]图像识别以图像的主要特征为基础，每个图像都有明显或不明显的特征，例如数字1由一条竖线、数字0有一个圆，而数字8有两个圆，我们之所以能够快速识别出来，是因为我们第一眼就看到了它们的这些主要特征。由此可见，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。同时,在大脑里必定有一个负责整合信息的机制，它能把分阶段获得的信息整理成一个完整的知觉映象。
[0003]现有的图像识别方法主要包括基于传统机器学习方法和基于深度学习方法。传统机器学习方法在分类性能上提升的空间有限，准确率不高；深度学习在计算机视领域迅速发展，在许多图像识别任务中，击败了很多的传统机器学习方法，基于深度学习的方法具有以下优点：（1）学习能力强，具有较高的识别性能，准确率高。（2）深度学习的神经网络层数很多，宽度很广，理论上可以映射到任意函数，所以能解决很复杂的问题。基于以上优点，深度学习方法已成为一种主流的方法。
[0004]深度学习方法已成为图像识别中一种主流的方法。而在图像识别方面，人类之所以能够快速识别，是因为他们经验丰富，看过很多幅图像。人们可以运用以前积累起来的经验，在对一幅图像识别时，可以使用以前看过的并且比较典型的图像来辅助完成对当前图像的识别。而现在的深度学习方法几乎没有模仿利用人类的经验信息来辅助识别，对样本之间的关联性考虑不多，在对一幅图像识别时，很难将其他图像的关联性考虑进去，不能很好地使用其他图像来辅助当前图像的识别，从而影响了当前图像的识别效果。
[0005]在已有的识别方法中，基于相关性图学习的模型的方法具有以下优点：（1）对于噪声具有较好的鲁棒性。（2）模型参数量，训练速度快。与传统的识别方法不同，该类模型参数量很少，训练速度快，便于部署并且可以快速实现。（3）从建模的角度来说，该类方法更容易加入先验知识。基于以上优点，相关性图学习已成为一种主流的方法。近年来，大家都是用深度学习的方法来完成对图像的识别，但是现有深度学习的方法都是对每一张图像单独进行识别，并没有考虑不同图像之间的相似性与差异性，没有使用其他图像来辅助完成当前图像的识别，没有模拟人类的经验系统，所以识别效果较差。因此，如何使用其他图像来辅助完成当前图像的识别，提高图像识别的效果，是目前本领域技术人员需要解决的技术问题。
技术实现思路
[0006]为克服相关技术中存在的问题，本专利技术提供一种基于相关性图学习的图像识别方法和装置，使用相关性图学习的方法通过其他图像来辅助完成当前图像的识别分类，更容易加入先验知识，适当考虑了不同图像之间的相似性与差异性，充分模拟了人类的经验系
统，提高了图像识别的效果。
[0007]根据本专利技术实施例的第一方面，提供一种基于相关性图学习的图像识别方法，所述方法包括：获取待识别图像；使用训练好的特征提取网络确定所述待识别图像对应的特征向量；从训练集中随机获取每个类别的图集的多个聚类中心；将每个类别的图集的多个聚类中心与所述待识别图像的特征向量构成图；使用图卷积神经网络对所述图进行类别预测，以确定所述待识别图像所属的图像类别。
[0008]在一个实施例中，优选地，在获取待识别图像之前，所述方法还包括：构造图像识别数据集，其中，所述图像识别数据集包括训练集和测试集；使用训练集中的图像训练得到所述特征提取网络；使用所述特征提取网络对所述训练集中的每个图像进行处理，得到对应的特征向量。
[0009]在一个实施例中，优选地，从训练集中随机获取每个类别的图集的多个聚类中心，包括：使用训练好的特征提取网络对训练集中的每张图像进行处理，得到对应的特征向量；获取所述训练集中每个类别的图集中每张图像对应的特征向量，并使用K
‑
means方法，将每个类别的图集中的所有图像对应的特征向量聚成K堆，找到每堆的聚类中心，以得到该类别图集对应的K个聚类中心；从每个类别图集对应的K个聚类中心中，随机获取多个聚类中心。
[0010]在一个实施例中，优选地，将每个类别的图集的多个聚类中心与所述待识别图像的特征向量构成图，包括：将每个类别的图集的多个聚类中心与所述待识别图像的特征向量分别作为图中的节点，以得到图的特征矩阵；使用相似度计算方法计算图中任意两个节点之间的相似度，并将节点之间的相似度作为节点之间的边，以得到图的边矩阵。
[0011]在一个实施例中，优选地，使用图卷积神经网络对所述图进行类别预测，以确定所述待识别图像所属的图像类别，包括：使用图卷积神经网络的第一层图卷积层对所述图的特征矩阵和边矩阵进行卷积操作，以得到新的特征矩阵；使用所述图卷积神经网络的第二层图卷积层对所述新的特征矩阵和图的边矩阵进行卷积操作，确定图中每个节点的预测类别；根据所述图中所有节点的预测类别，确定所述待识别图像所属的图像类别。
[0012]根据本专利技术实施例的第二方面，提供一种基于相关性图学习的图像识别装置，所述装置包括：第一获取模块，用于获取待识别图像；确定模块，用于使用训练好的特征提取网络确定所述待识别图像对应的特征向
量；第二获取模块，用于从训练集中随机获取每个类别的图集的多个聚类中心；构成模块，用于将每个类别的图集的多个聚类中心与所述待识别图像的特征向量构成图；识别模块，用于使用图卷积神经网络对所述图进行类别预测，以确定所述待识别图像所属的图像类别。
[0013]在一个实施例中，优选地，在获取待识别图像之前，所述装置还包括：构造模块，用于构造图像识别数据集，其中，所述图像识别数据集包括训练集和测试集；训练模块，用于使用训练集中的图像训练得到所述特征提取网络；处理模块，用于使用训练好的所述特征提取网络对所述训练集中的每个图像进行处理，得到对应的特征向量。
[0014]在一个实施例中，优选地，所述第二获取模块包括：第一处理单元，用于使用所述特征提取网络对训练集中的每张图像进行处理，得到对应的特征向量；聚类单元，用于获取所述训练集中每个类别的图集中每张图像对应的特征向量，并使用K
‑
means方法，将每个类别的图集中的所有图像对应的特征向量聚成K堆，找到每堆的聚类中心，以得到该类别图集对应的K个聚类中心；获取单元，用于从每个类别图集对应的K个聚类中心中，随机获取多个聚类中心。
[0015]在一个实施例中，优选地，所述构成模块包括：第二处理单元，用于将每个类别的图集的多个聚类中心与所述待识别图像的特征向量分别作为图中的节点，以得到图的特征矩阵；第三处理单元，用于使用相似度计算方法计算图中任意两个节点之间的相似度，并将节点之间的相似度作为节点之间的边，以得到图的边矩阵。
[0016]在一个实施例中，优选地，所述识别模块包括：第四处理单元，用于使用图卷积神经网络的第一层图卷积层对所述图的特征矩阵和边矩阵进行卷积操作，以得到新的特征矩阵；第一确定单元，用于使用所述图卷积神经网络的第二层图卷积层对所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于相关性图学习的图像识别方法，其特征在于，所述方法包括：获取待识别图像；使用训练好的特征提取网络确定所述待识别图像对应的特征向量；从训练集中随机获取每个类别的图集的多个聚类中心；将每个类别的图集的多个聚类中心与所述待识别图像的特征向量构成图；使用图卷积神经网络对所述图进行类别预测，以确定所述待识别图像所属的图像类别。2.根据权利要求1所述的方法，其特征在于，在获取待识别图像之前，所述方法还包括：构造图像识别数据集，其中，所述图像识别数据集包括训练集和测试集；使用训练集中的图像训练得到所述特征提取网络；使用训练好的所述特征提取网络对所述训练集中的每个图像进行处理，得到对应的特征向量。3.根据权利要求2所述的方法，其特征在于，从训练集中随机获取每个类别的图集的多个聚类中心，包括：使用所述特征提取网络对训练集中的每张图像进行处理，得到对应的特征向量；获取所述训练集中每个类别的图集中每张图像对应的特征向量，并使用K
‑
means方法，将每个类别的图集中的所有图像对应的特征向量聚成K堆，找到每堆的聚类中心，以得到该类别图集对应的K个聚类中心；从每个类别图集对应的K个聚类中心中，随机获取多个聚类中心。4.根据权利要求1所述的方法，其特征在于，将每个类别的图集的多个聚类中心与所述待识别图像的特征向量构成图，包括：将每个类别的图集的多个聚类中心与所述待识别图像的特征向量分别作为图中的节点，以得到图的特征矩阵；使用相似度计算方法计算图中任意两个节点之间的相似度，并将节点之间的相似度作为节点之间的边，以得到图的边矩阵。5.根据权利要求4所述的方法，其特征在于，使用图卷积神经网络对所述图进行类别预测，以确定所述待识别图像所属的图像类别，包括：使用图卷积神经网络的第一层图卷积层对所述图的特征矩阵和边矩阵进行卷积操作，以得到新的特征矩阵；使用所述图卷积神经网络的第二层图卷积层对所述新的特征矩阵和图的边矩阵进行卷积操作，确定图中每个节点的预测类别；根据所述图中所有节点的预测类别，确定所述待识别图像所属的图像类别。6.一种基于相关性图学习的图像识别装置，其特征在于，所述装置包括：第...
【专利技术属性】
技术研发人员：张凯，侯文杰，袭肖明，逯天斌，
申请(专利权)人：山东力聚机器人科技股份有限公司，
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。