图像识别及其模型的训练方法、装置、设备和存储介质制造方法及图纸

本公开提供了一种图像识别及其模型的训练方法、装置、设备和存储介质，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、人脸图像识别等场景。图像识别方法包括：对图像进行特征提取处理，以获取所述图像的局部特征，所述局部特征用于表达所述图像的区域内特征；获取所述图像的全局特征，所述全局特征用于表达所述图像的区域间特征；基于所述局部特征和所述全局特征，获取所述图像的图像识别结果。本公开可以提高图像识别精度。别精度。别精度。

【技术实现步骤摘要】
图像识别及其模型的训练方法、装置、设备和存储介质


[0001]本公开涉及人工智能
，具体为深度学习、计算机视觉
，可应用于人脸识别、人脸图像识别等场景下，尤其涉及一种图像识别及其模型的训练方法、装置、设备和存储介质。

技术介绍

[0002]人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。通常，可以采用人脸识别模型，对输入的人脸图像进行识别，以获取人脸识别结果。

技术实现思路

[0003]本公开提供了一种图像识别及其模型的训练方法、装置、设备和存储介质。
[0004]根据本公开的一方面，提供了一种图像识别方法，包括：对图像进行特征提取处理，以获取所述图像的局部特征，所述局部特征用于表达所述图像的区域内特征；获取所述图像的全局特征，所述全局特征用于表达所述图像的区域间特征；基于所述局部特征和所述全局特征，获取所述图像的图像识别结果。
[0005]根据本公开的另一方面，提供了一种图像识别模型的训练方法，包括：采用初始的图像识别模型，对输入的图像样本进行特征提取处理，以获取所述图像样本的局部特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，包括：对图像进行特征提取处理，以获取所述图像的局部特征，所述局部特征用于表达所述图像的区域内特征；获取所述图像的全局特征，所述全局特征用于表达所述图像的区域间特征；基于所述局部特征和所述全局特征，获取所述图像的图像识别结果。2.根据权利要求1所述的方法，其中，所述局部特征为局部特征图，所述全局特征为全局特征图，所述获取所述图像的全局特征，包括：对所述局部特征图进行区域分块处理，以获取多个图像块；基于所述多个图像块，确定分块特征图，所述分块特征图包括所述多个图像块；基于所述分块特征图，确定区域相似度矩阵，所述区域相似度矩阵用于表明所述多个图像块之间的相似度；基于所述区域相似度矩阵和所述分块特征图，获取所述全局特征图。3.根据权利要求2所述的方法，其中，所述基于所述分块特征图，确定区域相似度矩阵，包括：对所述分块特征图进行第一形状转换处理，以获取第一矩阵；对所述分块特征图进行第二形状转换处理，以获取第二矩阵；将所述第一矩阵和所述第二矩阵的乘积，作为所述区域相似度矩阵；其中，所述第一矩阵的行数与所述第一矩阵的列数均为所述多个图像块的个数。4.根据权利要求2所述的方法，其中，所述基于所述区域相似度矩阵和所述分块特征图，获取所述全局特征图，包括：对所述区域相似度矩阵进行归一化处理，以获取归一化处理后的区域相似度矩阵；将所述归一化处理后的区域相似度矩阵与所述分块特征图的乘积，作为加权特征图；对所述加权特征图进行形状转换处理，以获取所述全局特征图，其中，所述全局特征图的维度与所述局部特征图的维度一致。5.根据权利要求1所述的方法，其中，所述局部特征为局部特征图，所述全局特征为全局特征图，所述基于所述局部特征和所述全局特征，获取所述图像的图像识别结果，包括：对所述局部特征图和所述全局特征图进行融合处理，以获取融合特征图；基于所述融合特征图，获取所述图像的图像识别结果。6.根据权利要求5所述的方法，其中，所述图像为人脸图像，所述基于所述融合特征图，获取所述图像的图像识别结果，包括：将所述融合特征图转换为待识别特征向量；确定所述待识别特征向量与预存的多个用户的候选特征向量中各个候选特征向量之间的向量相似度；基于所述向量相似度，确定所述人脸图像属于的用户。7.根据权利要求1
‑
6任一项所述的方法，其中，所述对图像进行特征提取处理，以获取所述图像的局部特征，包括：采用图像识别模型，对输入的所述图像进行特征提取处理，以输出所述图像的局部特征。8.一种图像识别模型的训练方法，包括：
采用初始的图像识别模型，对输入的图像样本进行特征提取处理，以获取所述图像样本的局部特征，所述局部特征用于表达所述图像样本的区域内特征；获取所述图像样本的全局特征，所述全局特征用于表达所述图像样本的区域间特征；基于所述局部特征和所述全局特征，获取所述图像样本的预测识别结果；基于所述预测识别结果和所述图像样本对应的真实识别结果，构建损失函数；基于所述损失函数，调整所述初始的图像识别模型的参数，以生成最终的图像识别模型。9.根据权利要求8所述的方法，其中，所述局部特征为局部特征图，所述全局特征为全局特征图，所述获取所述图像的全局特征，包括：对所述局部特征图进行区域分块处理，以获取多个图像块；基于所述多个图像块，确定分块特征图，所述分块特征图包括所述多个图像块；基于所述分块特征图，确定区域相似度矩阵，所述区域相似度矩阵用于表明所述多个图像块之间的相似度；基于所述区域相似度矩阵和所述分块特征图，获取所述全局特征图。10.根据权利要求9所述的方法，其中，所述基于所述分块特征图，确定区域相似度矩阵，包括：对所述分块特征图进行第一形状转换处理，以获取第一矩阵；对所述分块特征图进行第二形状转换处理，以获取第二矩阵；将所述第一矩阵和所述第二矩阵的乘积，作为所述区域相似度矩阵；其中，所述第一矩阵的行数与所述第一矩阵的列数均为所述多个图像块的个数。11.根据权利要求9所述的方法，其中，所述基于所述区域相似度矩阵和所述分块特征图，获取所述全局特征图，包括：对所述区域相似度矩阵进行归一化处理，以获取归一化处理后的区域相似度矩阵；将所述归一化处理后的区域相似度矩阵与所述分块特征图的乘积，作为加权特征图；对所述加权特征图进行形状转换处理，以获取所述全局特征图，其中，所述全局特征图的维度与所述局部特征图的维度一致。12.根据权利要求8
‑
11任一项所述的方法，其中，所述局部特征为局部特征图，所述全局特征为全局特征图，所述基于所述局部特征和所述全局特征，获取所述图像样本的预测识别结果，包括：对所述局部特征图和所述全局特征图进行融合处理，以获取融合特征图；基于所述融合特征图，获取所述图像样本的预测识别结果。13.根据权利要求12所述的方法，其中，所述图像样本为人脸图像样本，所述基于所述融合特征图，获取所述图像样本的预测识别结果，包括：将所述融合特征图转换为待识别特征向量；确定所述待识别特征向量与预存的多个用户的候选特征向量中各个候选特征向量之间的向量相似度；基于所述向量相似度，确定所述人脸图像样本属于的用户的用户信息，将所述用户信息作为所述预测识别结果。14.一种图像识别装置，包括：
第一获取模块，用于对图像进行特征提取处理，以获取所述图像的局部特征，所述局部特征用于表达所述图像的区域内特征；第二获取模块，用于获取所述图像的全局特征，所述全局特征用于表达所述图...

【专利技术属性】
技术研发人员：杨馥魁，温圣召，韩钧宇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：