本申请实施例公开了一种识别方法、装置及电子设备和存储介质，对待识别图像进行特征提取，得到待识别图像的特征图，该特征图中包含待识别图像中多个区域的特征信息，不同区域的特征信息对待识别图像的识别结果的影响不同；对特征图中待识别图像的多个区域的特征信息进行处理，得到待识别图像的识别结果。得到待识别图像的识别结果。得到待识别图像的识别结果。
【技术实现步骤摘要】
识别方法及装置
[0001]本申请涉及图像处理
，更具体地说，涉及一种识别方法、装置及电子设备和存储介质。
技术介绍
[0002]细粒度图像识别相对通用图像识别的区别和难点在于，图像所属类别的粒度更为精细。比如，通用的图像识别是识别图像中的动物是狗还是袋鼠，而细粒度图像识别则是识别图像中的狗是哈士奇还是爱斯基摩犬。
[0003]目前的细粒度图像识别需要从待识别图像中分别提取全局特征和多个局部特征，然后将全局特征和局部特征融合，利用融合特征进行识别，这种识别方式使得细粒度图像识别的效率较低。
技术实现思路
[0004]本申请的目的是提供一种识别方法、装置及电子设备和存储介质，包括如下技术方案：
[0005]一种识别方法，所述方法包括：
[0006]对待识别图像进行特征提取，得到所述待识别图像的特征图；所述特征图中包含所述待识别图像中多个区域的特征信息，不同区域的特征信息对所述待识别图像的识别结果的影响不同；
[0007]对所述特征图中所述待识别图像的多个区域的特征信息进行处理，得到所述待识别图像的识别结果。
[0008]上述方法，可选的，其中，对所述待识别图像进行特征提取，对所述待识别图像的特征图中多个区域的特征信息进行处理的过程，包括：
[0009]通过目标识别模型的特征提取模块对所述待识别图像进行特征提取，得到所述待识别图像的特征图；
[0010]通过所述目标识别模型的识别模块对所述特征图中所述待识别图像的多个区域的特征信息进行处理，得到所述待识别图像的识别结果；
[0011]其中，所述目标识别模型基于样本图像的多级图像训练得到；所述多级图像中的第一级图像为所述样本图像，所述多级图像中的非第一级图像通过对所述非第一级图像的上一级图像进行掩码处理得到。
[0012]上述方法，可选的，所述目标识别模型通过如下方式训练得到：
[0013]对于所述多级图像中的任一级图像，通过所述任一级图像对应的识别模型中的特征提取模块对所述任一级图像进行特征提取，得到所述任一级图像的特征图，通过所述任一级图像对应的识别模型中的识别模块对所述任一级图像的特征图中所述任一级图像的多个区域的特征信息进行处理，得到所述任一级图像的识别结果；
[0014]其中，如果所述任一级图像是所述多级图像中的非第一级图像，所述任一级图像
是基于所述任一级图像的上一级图像的特征图对所述任一级图像的上一级图像进行掩码处理得到的；
[0015]以所述多级图像中的第一级图像的识别结果趋近于所述样本图像的类别标签，所述多级图像中的各个非第一级图像的识别结果趋近于所述多级图像中的第一级图像的识别结果为目标，对各级图像对应的识别模型的参数进行更新，直到得到所述目标识别模型。
[0016]上述方法，可选的，基于所述任一级图像的上一级图像的特征图对所述任一级图像的上一级图像进行掩码处理的过程包括，
[0017]通过类别响应模型对所述任一级图像的上一级图像的特征图进行处理，得到所述任一级图像的上一级图像的类别响应图；
[0018]基于所述样本图像的类别标签和所述任一级图像的上一级图像的类别响应图对所述任一级图像的上一级图像进行掩码处理，得到所述任一级图像。
[0019]上述方法，可选的，所述基于所述样本图像的类别标签和所述任一级图像的上一级图像的类别响应图对所述任一级图像的上一级图像进行掩码处理，包括：
[0020]基于所述任一级图像的上一级图像的类别响应图和所述类别标签，在所述任一级图像的上一级图像的类别响应图中确定目标区域；所述目标区域内的元素与所述类别标签的关联度，大于非目标区域内的元素与所述类别标签的关联度；
[0021]对所述任一级图像的上一级图像中与所述目标区域对应的区域进行掩码，得到所述任一级图像。
[0022]上述方法，可选的，所述基于所述任一级图像的上一级图像的类别响应图和所述类别标签，在所述任一级图像的上一级图像的类别响应图中确定目标区域，包括：
[0023]在所述任一级图像的上一级图像的类别响应图中获取与所述类别标签所表征类别对应通道的类别响应子图；
[0024]将所述类别响应子图中取值大于或等于目标取值的元素确定为目标元素；所有目标元素所在区域构成所述目标区域。
[0025]上述方法，可选的，所述类别响应模型对所述任一级图像的上一级图像的特征图进行处理时，用于：
[0026]基于所述任一级图像的上一级图像的特征图的各个通道对应同一类别的权重，将所述任一级图像的上一级图像的特征图的各个通道的子特征图加权求和，得到所述任一级图像的上一级图像的类别响应图中一个通道的类别响应子图；
[0027]不同类别对应所述任一级图像的上一级图像的类别响应图中的不同通道。
[0028]上述方法，可选的，还包括：
[0029]基于所述任一级图像的上一级图像的特征图的各个通道对应同一类别的权重，以及所述任一级图像的上一级图像的特征图，获得所述任一级图像的上一级图像对应各个类别的概率分布；
[0030]以所述任一级图像的上一级图像对应各个类别的概率分布趋近于所述类别标签为目标，对所述类别响应模型的参数进行更新，所述类别响应模型的参数包括所述任一级图像的上一级图像的特征图的各个通道对应同一类别的权重。
[0031]上述方法，可选的，所述以所述多级图像中的第一级图像的识别结果趋近于所述样本图像的类别标签，所述多级图像中的各个非第一级图像的识别结果趋近于所述多级图
像中的第一级图像的识别结果为目标，对各级图像对应的识别模型的参数进行更新，包括：
[0032]获得所述多级图像中的第一级图像的识别结果与所述类别标签的第一损失值，以及所述多级图像中的各个非第一级图像的识别结果与所述多级图像中的第一级图像的识别结果的第二损失值；
[0033]将所述第一损失值以及各个第二损失值加权求和，得到综合损失值；其中，如果迭代次数小于目标迭代次数，所述第二损失值的权重与所述迭代次数正相关；如果所述迭代次数大于或等于所述目标迭代次数，所述第二损失值的权重为目标权重；
[0034]以所述综合损失值越来越小为目标，对各级图像对应的识别模型的参数进行更新。
[0035]一种识别装置，所述装置包括：
[0036]提取单元，用于对待识别图像进行特征提取，得到特征图；所述特征图中包含所述待识别图像中多个区域的特征信息，不同区域的特征信息对所述待识别图像的识别结果的影响不同；
[0037]处理单元，用于对所述特征图中所述待识别图像的多个区域的特征信息进行处理，得到所述待识别图像的识别结果。
[0038]一种电子设备，包括：
[0039]存储器，用于存储程序；
[0040]处理器，用于调用并执行所述存储器中的所述程序，通过执行所述程序实现如上任一项所述的识别方法的各个步骤。
[0041]一种可读存储介质，其上存储有计算机程本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种识别方法，所述方法包括：对待识别图像进行特征提取，得到所述待识别图像的特征图；所述特征图中包含所述待识别图像中多个区域的特征信息，不同区域的特征信息对所述待识别图像的识别结果的影响不同；对所述特征图中所述待识别图像的多个区域的特征信息进行处理，得到所述待识别图像的识别结果。2.根据权利要求1所述的方法，其中，对所述待识别图像进行特征提取，对所述待识别图像的特征图中多个区域的特征信息进行处理的过程，包括：通过目标识别模型的特征提取模块对所述待识别图像进行特征提取，得到所述待识别图像的特征图；通过所述目标识别模型的识别模块对所述特征图中所述待识别图像的多个区域的特征信息进行处理，得到所述待识别图像的识别结果；其中，所述目标识别模型基于样本图像的多级图像训练得到；所述多级图像中的第一级图像为所述样本图像，所述多级图像中的非第一级图像通过对所述非第一级图像的上一级图像进行掩码处理得到。3.根据权利要求2所述的方法，所述目标识别模型通过如下方式训练得到：对于所述多级图像中的任一级图像，通过所述任一级图像对应的识别模型中的特征提取模块对所述任一级图像进行特征提取，得到所述任一级图像的特征图，通过所述任一级图像对应的识别模型中的识别模块对所述任一级图像的特征图中所述任一级图像的多个区域的特征信息进行处理，得到所述任一级图像的识别结果；其中，如果所述任一级图像是所述多级图像中的非第一级图像，所述任一级图像是基于所述任一级图像的上一级图像的特征图对所述任一级图像的上一级图像进行掩码处理得到的；以所述多级图像中的第一级图像的识别结果趋近于所述样本图像的类别标签，所述多级图像中的各个非第一级图像的识别结果趋近于所述多级图像中的第一级图像的识别结果为目标，对各级图像对应的识别模型的参数进行更新，直到得到所述目标识别模型。4.根据权利要求3所述的方法，基于所述任一级图像的上一级图像的特征图对所述任一级图像的上一级图像进行掩码处理的过程包括，通过类别响应模型对所述任一级图像的上一级图像的特征图进行处理，得到所述任一级图像的上一级图像的类别响应图；基于所述样本图像的类别标签和所述任一级图像的上一级图像的类别响应图对所述任一级图像的上一级图像进行掩码处理，得到所述任一级图像。5.根据权利要求4所述的方法，所述基于所述样本图像的类别标签和所述任一级图像的上一级图像的类别响应图对所述任一级图像的上一级图像进行掩码处理，包括：基于所述任一级图像的上一级图像的类别响应图和所述类别标签，在所述任一级图像的上一级图像的类别响应图中确定目标区域；所述目标区域内的元素与所述类别标签的关联度，大于非目标区域内的元素与所述类别标签的关联度...
【专利技术属性】
技术研发人员：刘林虎，田疆，
申请(专利权)人：联想北京有限公司，
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。