图像识别方法、装置、存储介质及电子设备制造方法及图纸

本申请的实施例提供了一种图像识别方法，所述方法包括：构建神经网络模型，并通过预先采集的样本图像数据对所述神经网络模型进行训练，得到图像识别模型，所述神经网络模型由依次串行的输入层，多个图像特征捕捉模块，全连接层，以及输出层组成，其中，所述图像特征捕捉模块由依次串行的第一通道整合模块，第一卷积模块，特征图拼接模块，第二通道整合模块，空间注意力模块，第一激活层，第二卷积模块，以及第二激活层组成；获取待识别图像，将所述待识别图像输入所述图像识别模型；输出由所述图像识别模型识别出的所述待识别图像的分类结果。本申请实施例的技术方案能提高基于神经网络模型进行图像识别的适用性。模型进行图像识别的适用性。模型进行图像识别的适用性。

【技术实现步骤摘要】
图像识别方法、装置、存储介质及电子设备


[0001]本申请涉及图像识别
，具体而言，涉及一种图像识别方法、装置、存储介质及电子设备。

技术介绍

[0002]目前基于神经网络模型具有准确率高，运行速度快等特点，使得神经网络模型被广泛应用于图像识别领域，但用于图像识别的神经网络模型往往需要过多的参数量和计算量，相应的，需要硬件平台提供可用的高内存和大算力的支持，即导致基于神经网络模型在硬件资源低和功耗低的移动设备端上难以实现图像识别功能。基于此，如何提高基于神经网络模型进行图像识别的适用性是亟待解决的技术问题。

技术实现思路

[0003]本申请的实施例提供了一种图像识别方法、装置、存储介质及电子设备，进而在一定程度上能降低图像识别模型的参数量和计算量，进而提高基于所述图像识别模型进行图像识别的适用性。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0005]根据本申请实施例的第一方面，提供了一种图像识别方法，所述方法包括：
[0006]构建神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，所述方法包括：构建神经网络模型，并通过预先采集的样本图像数据对所述神经网络模型进行训练，得到图像识别模型，所述神经网络模型由依次串行的输入层，多个图像特征捕捉模块，全连接层，以及输出层组成，其中，所述图像特征捕捉模块由依次串行的第一通道整合模块，第一卷积模块，特征图拼接模块，第二通道整合模块，空间注意力模块，第一激活层，第二卷积模块，以及第二激活层组成；获取待识别图像，将所述待识别图像输入所述图像识别模型，以由所述图像识别模型对所述待识别图像进行分类；输出由所述图像识别模型识别出的所述待识别图像的分类结果。2.根据权利要求1所述的方法，其特征在于，所述第一通道整合模块用于将输入所述图像特征捕捉模块的原始特征图的原始输出通道数降低至预设输出通道数。3.根据权利要求2所述的方法，其特征在于，所述特征图拼接模块由数据运算层，拼接层依次连接组成；所述数据运算层用于对输入所述特征图拼接模块的第一特征图进行数据处理以得到第二特征图；所述拼接层用于对所述第二特征图与所述第一特征图进行拼接，以实现所述第一特征图的输出通道数扩展至所述原始输出通道数。4.根据权利要求1所述的方法，其特征在于，所述第二通道整合模块由通道分组模块，数据交换模块，以及维度压缩模块依次连接组成；所述通道分组模块用于将输入所述第二通道整合模块的初始维度的特征图划分为多组特征图组，并将所述初始维度扩展至预设维度；所述数据交换模块用于交换所述多组特征图组中不同特征图组之间的图像数据；所述维度压缩模块用于将所述预设维度压缩至所述初始维度，以实现所述不同特征图组之间的图像数据融合。5.根据权利要求1所述的方法，其特征在于，所述空间注意力模块由运算模块，拼接模块，卷积模块，激活模块依次连接组成；所述运算模块用于对输入所述空间注意力模块的特征图进行绝对运算以得到绝对特征图，并对所述绝对特征图进行数据处理分别得到输出通道数为一的均值特征图和最大值特征图；所述拼接模块用于将所述均值特征图与所述最大值特征图进行拼接，以得输出通道数为二的中间特征图；所述卷积模块为...

【专利技术属性】
技术研发人员：李威君，尚德龙，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
类型：发明
国别省市：