细粒度图像识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种细粒度图像识别方法、装置、设备及存储介质，属于图像识别技术领域，该方法包括：获取待识别的细粒度图像；利用识别模型对所述细粒度图像进行识别，得到识别结果；其中，所述识别模型的预设层的参数为预设值，所述识别模型除所述预设层外的其它层的参数为基于无标签训练得到的，所述预设层的层数高于除所述预设层之外的层的层数。本发明专利技术实施例的方案不容易产生过拟合，而且识别准确率较高。高。高。

【技术实现步骤摘要】
细粒度图像识别方法、装置、设备及存储介质


[0001]本专利技术涉及图像识别
，尤其涉及一种细粒度图像识别方法、装置、设备及存储介质。

技术介绍

[0002]图像分类是计算机视觉领域的一个经典研究课题。图像分类主要包括粗粒度图像分类和细粒度图像分类。细粒度图像分类，即子类的分类问题，是对一个大类别进行更加细致的子类划分，如区分鸟的种类、车的品牌款式等，因为图像采集中存在姿态、视角、光照、遮挡、背景干扰等差异因素，所以细粒度分类时往往具有细微的类间差异和较大的类内差异，和普通的图像分类相比，细粒度图像分类难度更大。
[0003]对于有监督的识别模型训练方案来说，由于细粒度图像数据需要很强的专业知识才能标注，导致细粒度图像的标注相比普通图像的标注较为困难，目前带标签的细粒度图像数据集中包含的图像规模较小，但是图像规模较小的话容易出现过拟合现象。

技术实现思路

[0004]本专利技术提供一种细粒度图像识别方法、装置、设备及存储介质，用以解决现有技术中基于较小的图像规模进行训练容易出现过拟合的缺陷，实现不容易产生过拟合的细粒度图像识别方法。
[0005]本专利技术提供一种细粒度图像识别方法，包括：获取待识别的细粒度图像；利用识别模型对所述细粒度图像进行识别，得到识别结果；其中，所述识别模型的预设层的参数为预设值，所述识别模型除所述预设层外的其它层的参数为基于无标签训练得到的，所述预设层的层数高于除所述预设层之外的层的层数。
[0006]根据本专利技术提供的一种细粒度图像识别方法，所述识别模型的训练过程包括预训练过程和微调过程；所述方法还包括：在所述预训练过程中，对所述识别模型中除所述预设层之外的层进行训练；在所述微调过程中，将所述预设层的参数设为预设值，并对所述识别模型进行训练；或，在所述预训练过程中，对所述识别模型进行训练；在所述微调过程中，将所述预设层的参数设为预设值，并对所述识别模型进行训练。
[0007]根据本专利技术提供的一种细粒度图像识别方法，所述利用识别模型对所述细粒度图像进行识别，得到识别结果，包括：针对不同的目标参数，将所述细粒度图像按照所述目标参数进行分块，并将分块后的图像按照与原始排列顺序不同的排列顺序进行拼接，得到重组图像；所述目标参数包括以下至少一项：横坐标方向的分块数量、纵坐标方向的分块数量及分块大小；将所述不同的目标参数对应的重组图像输入所述识别模型，得到所述识别结果。
[0008]根据本专利技术提供的一种细粒度图像识别方法，所述将所述不同的目标参数对应的
重组图像输入所述识别模型，得到所述识别结果，包括：将所述不同的目标参数对应的重组图像按照预设顺序分不同阶段输入所述识别模型，得到所述识别结果。
[0009]根据本专利技术提供的一种细粒度图像识别方法，所述预设顺序与训练阶段采用的输入顺序相同。
[0010]根据本专利技术提供的一种细粒度图像识别方法，训练过程使用的损失函数采用如下公式（1）：（1）其中，表示损失函数值，N为细粒度图像的数量，(ai，pi)表示基于第i个细粒度图像得到的正样本对，i∈1, 2, ...,N，ni、nj表示基于N个细粒度图像中除第i个细粒度图像的细粒度图像得到的负样本，z
ai
、z
pi
、z
ni
、z
nj
表示所述识别模型提取的ai、pi、ni、nj的图像特征。
[0011]根据本专利技术提供的一种细粒度图像识别方法，所述识别模型为基于残差网络结构建立的模型。
[0012]本专利技术还提供一种细粒度图像识别装置，包括：获取模块，用于获取待识别的细粒度图像；处理模块，用于利用识别模型对所述细粒度图像进行识别，得到识别结果；其中，所述识别模型的预设层的参数为预设值，所述识别模型除所述预设层外的其它层的参数为基于无标签训练得到的，所述预设层的层数高于除所述预设层之外的层的层数。
[0013]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述细粒度图像识别方法。
[0014]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述细粒度图像识别方法。
[0015]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述细粒度图像识别方法。
[0016]本专利技术提供的细粒度图像识别方法、装置、设备及存储介质，利用识别模型对细粒度图像进行识别，得到识别结果；其中，识别模型的预设层的参数为预设值，识别模型除预设层外的其它层的参数为基于无标签训练得到的，预设层的层数高于除预设层之外的层的层数，即预设层为识别模型的高层，由于细粒度图像数据集的数据量小，而识别模型的高层网络一般参数较多，且高层包含了复杂的语义信息，所以更容易产生过拟合，而上述方案中预设层不进行训练，直接使用预设值，即在预设层的参数为预设值的情况下对识别模型的其它层进行训练，不容易产生过拟合，而且不需要有标签的训练数据。
附图说明
[0017]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一
些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术提供的细粒度图像识别方法的流程示意图之一；图2是本专利技术提供的细粒度图像识别方法的原理示意图；图3是本专利技术提供的细粒度图像识别方法的图像示意图之一；图4是本专利技术提供的细粒度图像识别方法的图像示意图之二；图5是本专利技术提供的细粒度图像识别方法的图像示意图之三；图6是本专利技术提供的细粒度图像识别方法的渐进式多粒度融合图像示意图之一；图7是本专利技术提供的细粒度图像识别方法的渐进式多粒度融合图像示意图之二；图8是本专利技术提供的细粒度图像识别方法的样本对生成示意图；图9是本专利技术提供的细粒度图像识别装置的结构示意图；图10是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0019]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]下面结合图1
‑
图10以具体的实施例对本专利技术实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0021]图1是本专利技术提供的细粒度图像识别方法的流程示意图。如图1所示，本实施例提供的方法，包括：步骤101、获取待识别的细粒度图像；步骤102、利用识别模型对所述细粒度图像进行识别，得到识别结果；其中，识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细粒度图像识别方法，其特征在于，包括：获取待识别的细粒度图像；利用识别模型对所述细粒度图像进行识别，得到识别结果；其中，所述识别模型的预设层的参数为预设值，所述识别模型除所述预设层外的其它层的参数为基于无标签训练得到的，所述预设层的层数高于除所述预设层之外的层的层数。2.根据权利要求1所述的细粒度图像识别方法，其特征在于，所述识别模型的训练过程包括预训练过程和微调过程；所述方法还包括：在所述预训练过程中，对所述识别模型中除所述预设层之外的层进行训练；在所述微调过程中，将所述预设层的参数设为预设值，并对所述识别模型进行训练；或，在所述预训练过程中，对所述识别模型进行训练；在所述微调过程中，将所述预设层的参数设为预设值，并对所述识别模型进行训练。3.根据权利要求1或2所述的细粒度图像识别方法，其特征在于，所述利用识别模型对所述细粒度图像进行识别，得到识别结果，包括：针对不同的目标参数，将所述细粒度图像按照所述目标参数进行分块，并将分块后的图像按照与原始排列顺序不同的排列顺序进行拼接，得到重组图像；所述目标参数包括以下至少一项：横坐标方向的分块数量、纵坐标方向的分块数量及分块大小；将所述不同的目标参数对应的重组图像输入所述识别模型，得到所述识别结果。4.根据权利要求3所述的细粒度图像识别方法，其特征在于，所述将所述不同的目标参数对应的重组图像输入所述识别模型，得到所述识别结果，包括：将所述不同的目标参数对应的重组图像按照预设顺序分不同阶段输入所述识别模型，得到所述识别结果。5.根据权利要求4所述的细粒度图像识...

【专利技术属性】
技术研发人员：王金桥，郭子江，黄文俊，陈雄辉，朱贵波，张海，
申请(专利权)人：杰创智能科技股份有限公司，
类型：发明
国别省市：