目标图像的识别方法和装置、存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种目标图像的识别方法和装置、存储介质及电子设备。其中，该方法包括：获取目标图像；将目标图像输入目标学生网络模型，通过目标学生网络模型提取目标图像的目标特征，并根据目标特征，分别执行N个花屏等级识别任务，得到N个识别标签；根据N个识别标签在M个花屏等级中确定目标图像的预测花屏等级。本申请实施例的技术方案可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景，本发明专利技术解决了相关技术中花屏识别的结果准确率较低的技术问题。术问题。术问题。

【技术实现步骤摘要】
目标图像的识别方法和装置、存储介质及电子设备


[0001]本专利技术涉及计算机领域，具体而言，涉及一种目标图像的识别方法和装置、存储介质及电子设备。

技术介绍

[0002]花屏识别是图像或者视频的质量分析中的重要步骤，可以用来评估图像或者视频的质量。花屏识别是指识别图像是否存在花屏现象，识别结果是图像花屏严重程度。
[0003]现有技术中通过分类器对图像的花屏程度进行分类，这种方法需要对输入图像进行手工特征的提取，根据提取到的手工特征训练分类器，通过训练好的分类器对当前图片的花屏程度进行分类。然而手工特征泛化性比较差，对于实际应用场景中存在的多样化的图像数据，手工特征中往往会提取到一些对后续分类器产生混淆的有害特征或者是无用特征，从而导致花屏识别结果的准确率较低。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种目标图像的识别方法和装置、存储介质及电子设备，以至少解决相关技术中花屏识别的结果准确率较低的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种目标图像的识别方法，包括：获取目标图像，其中，所述目标图像为待识别花屏等级的图像；将所述目标图像输入目标学生网络模型，通过所述目标学生网络模型提取所述目标图像的目标特征，并根据所述目标特征，分别执行N个花屏等级识别任务，得到N个识别标签，其中，所述N个花屏等级识别任务中的每个任务用于根据所述目标特征确定对应的一个识别标签，N为大于或等于2的正整数，所述目标学生网络模型是使用训练样本集合以及已训练好的目标教师网络模型对原始学生网络模型进行训练得到的模型，所述训练样本集合中的每个训练样本包括所述M个花屏等级中的各个花屏等级的样本图像以及与所述样本图像对应的N个实际样本标签，所述原始学生网络模型包括与所述N个花屏等级识别任务对应的模型结构，，M大于0；根据N个识别标签在所述M个花屏等级中确定所述目标图像的预测花屏等级。
[0007]可选地，所述将所述目标图像输入目标学生网络模型，通过所述目标学生网络模型提取所述目标图像的目标特征，并根据所述目标特征，分别执行N个花屏等级识别任务，得到N个识别标签，包括：将所述目标图像输入所述目标学生网络模型，通过所述目标学生网络模型中的目标隐藏层提取所述目标图像的所述目标特征；将所述目标特征分别输入所述目标学生网络模型中的N个全连接层，得到所述N个全连接层输出的所述N个识别标签，其中，所述N个全连接层中的每个全连接层用于根据所述目标特征确定对应的一个识别标签，所述N个全连接层是用于执行所述N个花屏等级识别任务的模型结构。
[0008]可选地，所述根据N个识别标签在所述M个花屏等级中确定所述目标图像的预测花屏等级，包括：根据所述N个识别标签中包含第一标签的数量，在所述M个花屏等级中确定所
述目标图像的所述预测花屏等级，其中，所述N个识别标签中所述第一标签的数量越多，所述目标图像的所述预测花屏等级越高。
[0009]可选地，在所述将所述目标图像输入目标学生网络模型之前，所述方法还包括：通过所述训练样本集合和已训练好的所述目标教师网络模型，对待训练的所述原始学生网络模型进行训练，直到所述原始学生网络模型对应的目标损失函数的取值满足预设损失条件，结束训练，将结束训练时的所述原始学生网络模型确定为所述目标学生网络模型，其中，在所述目标损失函数的取值不满足所述预设损失条件的情况下，对所述原始学生网络模型中的参数进行调整；其中，所述目标损失函数的取值是通过第一损失函数的取值和第二损失函数的取值确定出的取值，所述第一损失函数的取值用于表示所述目标教师网络模型根据所述样本图像确定的输出特征与所述原始学生网络模型根据所述样本图像确定的输出特征之间的差异，所述第二损失函数的取值用于表示所述原始学生网络模型中的与所述N个花屏等级识别任务对应的模型结构根据所述样本图像确定出的N个预测样本标签和N个实际样本标签之间的损失。
[0010]可选地，所述通过所述训练样本集合和已训练好的所述目标教师网络模型，对待训练的所述原始学生网络模型进行训练，包括：对所述原始学生网络模型进行多轮迭代训练，其中，i为大于或等于1的正整数，第0轮训练的原始学生网络模型为未经训练的所述原始学生网络模型，所述多轮迭代训练中的第i轮训练包括：将所述训练样本集合中第i轮训练使用的当前样本图像输入第i
‑
1轮训练得到的所述原始学生网络模型，得到所述当前样本图像对应的N个预测样本标签，以及第i
‑
1轮训练得到的所述原始学生网络模型确定出的所述当前样本图像的第一输出特征；将所述当前样本图像输入所述目标教师网络模型，得到所述目标教师网络模型确定出的所述当前样本图像的第二输出特征；将所述第一输出特征和所述第二输出特征输入所述第一损失函数，得到所述第一损失函数的取值；将所述当前样本图像对应的N个预测样本标签和所述当前样本图像对应的N个实际样本标签输入所述第二损失函数，得到所述第二损失函数的取值；根据所述第一损失函数的取值和所述第二损失函数的取值，确定所述目标损失函数的取值；若所述目标损失函数的取值不满足所述预设损失条件，调整所述原始学生网络模型中的参数，得到第i轮训练得到的所述原始学生网络模型；若所述目标损失函数的取值满足所述预设损失条件，将所述第i
‑
1轮训练得到的所述原始学生网络模型确定为所述目标学生网络模型。
[0011]可选地，所述将所述第一输出特征和所述第二输出特征输入所述第一损失函数，得到所述第一损失函数的取值，包括：将所述第一输出特征和所述第二输出特征输入以下公式，得到特征损失参数L
KD
：
[0012]L
KD
＝
‑
F
t
*logF
s
[0013]其中，所述F
t
是所述第二输出特征，所述F
s
是所述第一输出特征；根据所述特征损失参数，确定所述第一损失函数的取值。
[0014]可选地，所述根据所述特征损失参数，确定所述第一损失函数的取值，包括：在所述特征损失参数为特征损失矩阵的情况下，将所述特征损失参数中的各矩阵成员的和确定为所述第一损失函数的取值；或者，在所述特征损失参数为特征损失矩阵的情况下，将所述特征损失参数中的各矩阵成员的均值确定为所述第一损失函数的取值。
[0015]可选地，将所述当前样本图像对应的N个预测样本标签和所述当前样本图像对应
的N个实际样本标签输入所述第二损失函数，得到所述第二损失函数的取值，包括：将所述当前样本图像对应的N个预测样本标签和所述当前样本图像对应的N个实际样本标签分别输入所述N个花屏等级识别任务对应的N个损失函数，得到所述N个损失函数输出的N个损失值；将所述N个损失值的和确定为所述第二损失函数的取值。
[0016]可选地，将所述当前样本图像对应的N个预测样本标签和所述当前样本图像对应的N个实际样本标签分别输入所述N个花屏等级识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标图像的识别方法，其特征在于，包括：获取目标图像，其中，所述目标图像为待识别花屏等级的图像；将所述目标图像输入目标学生网络模型，通过所述目标学生网络模型提取所述目标图像的目标特征，并根据所述目标特征，分别执行N个花屏等级识别任务，得到N个识别标签，其中，所述N个花屏等级识别任务中的每个任务用于根据所述目标特征确定对应的一个识别标签，N为大于或等于2的正整数，所述目标学生网络模型是使用训练样本集合以及已训练好的目标教师网络模型对原始学生网络模型进行训练得到的模型，所述训练样本集合中的每个训练样本包括M个花屏等级中的各个花屏等级的样本图像以及与所述样本图像对应的N个实际样本标签，所述原始学生网络模型包括与所述N个花屏等级识别任务对应的模型结构，M大于0；根据N个识别标签在所述M个花屏等级中确定所述目标图像的预测花屏等级。2.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入目标学生网络模型，通过所述目标学生网络模型提取所述目标图像的目标特征，并根据所述目标特征，分别执行N个花屏等级识别任务，得到N个识别标签，包括：将所述目标图像输入所述目标学生网络模型，通过所述目标学生网络模型中的目标隐藏层提取所述目标图像的所述目标特征；将所述目标特征分别输入所述目标学生网络模型中的N个全连接层，得到所述N个全连接层输出的所述N个识别标签，其中，所述N个全连接层中的每个全连接层用于根据所述目标特征确定对应的一个识别标签，所述N个全连接层是用于执行所述N个花屏等级识别任务的模型结构。3.根据权利要求1所述的方法，其特征在于，所述根据N个识别标签在所述M个花屏等级中确定所述目标图像的预测花屏等级，包括：根据所述N个识别标签中包含第一标签的数量，在所述M个花屏等级中确定所述目标图像的所述预测花屏等级，其中，所述N个识别标签中所述第一标签的数量越多，所述目标图像的所述预测花屏等级越高。4.根据权利要求1所述的方法，其特征在于，在所述将所述目标图像输入目标学生网络模型之前，所述方法还包括：通过所述训练样本集合和已训练好的所述目标教师网络模型，对待训练的所述原始学生网络模型进行训练，直到所述原始学生网络模型对应的目标损失函数的取值满足预设损失条件，结束训练，将结束训练时的所述原始学生网络模型确定为所述目标学生网络模型，其中，在所述目标损失函数的取值不满足所述预设损失条件的情况下，对所述原始学生网络模型中的参数进行调整；其中，所述目标损失函数的取值是通过第一损失函数的取值和第二损失函数的取值确定出的取值，所述第一损失函数的取值用于表示所述目标教师网络模型根据所述样本图像确定的输出特征与所述原始学生网络模型根据所述样本图像确定的输出特征之间的差异，所述第二损失函数的取值用于表示所述原始学生网络模型中的与所述N个花屏等级识别任务对应的模型结构根据所述样本图像确定出的N个预测样本标签和N个实际样本标签之间的损失。5.根据权利要求4所述的方法，其特征在于，所述通过所述训练样本集合和已训练好的
所述目标教师网络模型，对待训练的所述原始学生网络模型进行训练，包括：对所述原始学生网络模型进行多轮迭代训练，其中，i为大于或等于1的正整数，第0轮训练的原始学生网络模型为未经训练的所述原始学生网络模型，所述多轮迭代训练中的第i轮训练包括：将所述训练样本集合中第i轮训练使用的当前样本图像输入第i
‑
1轮训练得到的所述原始学生网络模型，得到所述当前样本图像对应的N个预测样本标签，以及第i
‑
1轮训练得到的所述原始学生网络模型确定出的所述当前样本图像的第一输出特征；将所述当前样本图像输入所述目标教师网络模型，得到所述目标教师网络模型确定出的所述当前样本图像的第二输出特征；将所述第一输出特征和所述第二输出特征输入所述第一损失函数，得到所述第一损失函数的取值；将所述当前样本图像对应的N个预测样本标签和所述当前样本图像对应的N个实际样本标签输入所述第二损失函数，得到所述第二损失函数的取值；根据所述第一损失函数的取值和所述第二损失函数的取值，确定所述目...

【专利技术属性】
技术研发人员：张博深，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：