一种小批量图像识别方法、设备及介质技术

本发明专利技术公开了一种小批量图像识别方法、设备及介质，通过将采集到的为数不多的特殊领域目标图像作为原始图像输入，经过深度卷积神经网络提取特征，送入策略网络模型和价值网络模型加以推理决策，以实现端到端的小批量图像识别学习，解决了由于小批量图像所采集到的数据存在不完整性和不确定性，导致难以对小批量图像进行精准识别的问题。像进行精准识别的问题。像进行精准识别的问题。

【技术实现步骤摘要】
一种小批量图像识别方法、设备及介质


[0001]本专利技术涉及图像识别
，具体涉及一种小批量图像识别方法、设备及介质。

技术介绍

[0002]某些特殊领域(如战场、罕见病例医疗图像等)的图像由于难以获得、不易标注、重复性低等特点，只能获得小批量图像，导致可供利用的图像特征数据很少，从而增加了图像识别的难度。
[0003]现有技术通常采用深度学习对于图像进行识别，但是采用深度学习对于图像进行识别通常依赖于大量高质量的人工标注数据，在小批量图像识别任务中，由于显而易见的数据标注的困难性及数据本身的稀缺性，大量有标注图像数据难以获取。
[0004]其次，特殊领域的新技术装备不断更新，新的特殊领域目标也会不断涌现。而，由于新的特殊领域目标图像所采集到的数据存在不完整性和不确定性，导致可供利用的图像特征数据很少，采用深度学习难以对其进行识别。
[0005]因此，如何对小批量图像进行高精度识别成为研究热点。

技术实现思路

[0006]本专利技术所要解决的技术问题是由于小批量图像所采集到的数据存在不完整性和不确定性，导致难以对小批量图像进行精准识别，目的在于提供一种小批量图像识别方法、设备及介质，通过将采集到的为数不多的特殊领域目标图像作为原始图像输入，经过深度卷积神经网络提取特征，送入策略网络模型和价值网络模型加以推理决策，以实现端到端的小批量图像识别学习，解决了由于小批量图像所采集到的数据存在不完整性和不确定性，导致难以对小批量图像进行精准识别的问题。
[0007]本专利技术通过下述技术方案实现：
[0008]本专利技术第一方面提供了一种小批量图像识别方法，包括如下步骤：
[0009]S1、获取小批量图像；
[0010]S2、构建特征提取网络模型，采用所述特征提取网络模型对所述小批量图像进行特征提取，得到所述小批量图像的图像特征；
[0011]S3、构建小批量图像分类模型，将所述图像特征送入所述小批量图像分类模型中进行预测，得到分类标签预测；
[0012]S4、根据分类标签预测对所述特征提取网络模型和所述小批量图像分类模型进行训练，得到小批量图像识别模型SDRL，采用所述小批量图像识别模型SDRL对所述小批量图像进行识别，得到目标图像。
[0013]在上述技术方案中，首先使用特征提取网络模型对小批量图像进行特征提取得到小批量图像的图像特征，再使用小批量图像分类模型对图像特征进行推理与决策从而完成对小批量图像的图像特征预测，通过分类预测可以提取出小批量图像中的关键图像特征，即使小批量图像所采集的数据不完整也可以得出小批量图像的关键图像特征。
[0014]以预测后的结果对特征提取网络模型和小批量图像分类模型进行训练最终构建出小批量图像识别模型SDRL，采用小批量图像识别模型SDRL对小批量图像进行识别，得到目标图像。
[0015]采用强化学习的方法，在只输入原始图像的情况下，通过交互学习的方式，实现信息不完备和不确定情况下的小批量图像识别。充分利用深度学习的特征提取及强化学习的智能决策功能，构建出高精度的特殊领域小批量图像识别模型SDRL。通过小批量图像识别模型SDRL可以解决某些特殊领域中仅靠有限数据量及有限计算资源，实现边缘计算图像识别的问题，最终可实现快速精准目标识别的效果。
[0016]在一种可选实施例中，构建特征提取网络模型，采用所述特征提取网络模型对所述小批量图像进行特征提取，得到所述小批量图像的图像特征包括如下步骤：
[0017]构建11层卷积神经网络M_Net；其中，所述卷积神经网络的前10层由卷积层和最大池化层交替构成，所述卷积神经网络M_Net的第11层由正则化层dropout构成；
[0018]采用所述卷积层提取所述小批量图像的图像信息并通过ReLU函数进行激活后传递给所述最大池化层；
[0019]采用所述最大池化层对所述图像信息进行挑选；
[0020]采用所述正则化层dropout随机删除所述卷积神经网络M_Net中的部分神经元。
[0021]在一种可选实施例中，构建小批量图像分类模型，将所述图像特征送入所述小批量图像分类模型中进行预测，得到分类标签预测包括如下步骤：
[0022]构建策略网络模型，使用所述策略网络模型计算分类选择概率；
[0023]构建价值网络模型，使用所述价值网络模型对所述策略网络模型进行更新；
[0024]将小批量图像识别场景建模为一个马尔可夫决策过程MDP，通过分类器Agent对所述图像特征以更新后的策略网络模型进行计算，得到分类标签预测。
[0025]在一种可选实施例中，构建策略网络模型，使用所述策略网络模型计算分类选择概率包括如下步骤：
[0026]采用深度神经网络学习策略函数构建策略网络模型，使用所述策略网络模型对所述策略函数进行多轮次计算，得到多个策略梯度；
[0027]将多个策略梯度取平均数作为分类选择概率。
[0028]在一种可选实施例中，使用所述策略网络模型对所述策略函数进行多轮次计算之前还包括：
[0029]构建梯度函数，采用所述梯度函数对策略函数中的权重进行更新，其中，所述梯度函数表示如下：
[0030][0031]其中，为梯度函数，π(a/s,θ)为策略函数，V
π
(s
t
)为状态s
t
拥有的基准值，Q
π
(s
t
,a
t
)为状态st下由策略π选择动作a
t
的期望累计回报动作值函数。
[0032]在一种可选实施例中，构建梯度函数之后还包括：
[0033]通过所述期望累计回报动作值函数和状态s
t
拥有的基准值构建优势函数，所述优势函数用于降低因状态基准值的变化引起的方差；
[0034]其中，所述优势函数表示如下：
[0035]A
π
(s
t
,a
t
)＝Q
π
(s
t
,a
t
)
‑
V
π
(s
t
)
[0036]其中，A
π
(s
t
,a
t
)为优势函数。
[0037]在一种可选实施例中，构建价值网络模型，使用所述价值网络模型对所述策略网络模型进行更新包括如下步骤：
[0038]采用深度神经网络学习价值函数构建价值网络模型；
[0039]将策略梯度输入所述价值网络模型中，所述价值网络模型根据所述策略梯度进行更新；
[0040]将更新后的价值网络模型反馈至所述策略网络模型中，对所述策略网络模型进行更新。
[0041]在一种可选实施例中，将策略梯度输入所述价值网络模型中，所述价值网络模型根据所述策略梯度进行更新之后还包括：
[0042]使用所述价值网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小批量图像识别方法，其特征在于，包括如下步骤：S1、获取小批量图像；S2、构建特征提取网络模型，采用所述特征提取网络模型对所述小批量图像进行特征提取，得到所述小批量图像的图像特征；S3、构建小批量图像分类模型，将所述图像特征送入所述小批量图像分类模型中进行预测，得到分类标签预测；S4、根据分类标签预测对所述特征提取网络模型和所述小批量图像分类模型进行训练，得到小批量图像识别模型SDRL，采用所述小批量图像识别模型SDRL对所述小批量图像进行识别，得到目标图像。2.根据权利要求1所述的一种小批量图像识别方法，其特征在于，构建特征提取网络模型，采用所述特征提取网络模型对所述小批量图像进行特征提取，得到所述小批量图像的图像特征包括如下步骤：构建11层卷积神经网络M_Net；其中，所述卷积神经网络的前10层由卷积层和最大池化层交替构成，所述卷积神经网络M_Net的第11层由正则化层dropout构成；采用所述卷积层提取所述小批量图像的图像信息并通过ReLU函数进行激活后传递给所述最大池化层；采用所述最大池化层对所述图像信息进行挑选；采用所述正则化层dropout随机删除所述卷积神经网络M_Net中的部分神经元。3.根据权利要求1所述的一种小批量图像识别方法，其特征在于，构建小批量图像分类模型，将所述图像特征送入所述小批量图像分类模型中进行预测，得到分类标签预测包括如下步骤：构建策略网络模型，使用所述策略网络模型计算分类选择概率；构建价值网络模型，使用所述价值网络模型对所述策略网络模型进行更新；将小批量图像识别场景建模为一个马尔可夫决策过程MDP，通过分类器Agent对所述图像特征以更新后的策略网络模型进行计算，得到分类标签预测。4.根据权利要求3所述的一种小批量图像识别方法，其特征在于，构建策略网络模型，使用所述策略网络模型计算分类选择概率包括如下步骤：采用深度神经网络学习策略函数构建策略网络模型，使用所述策略网络模型对所述策略函数进行多轮次计算，得到多个策略梯度；将多个策略梯度取平均数作为分类选择概率。5.根据权利要求4所述的一种小批量图像识别方法，其特征在于，使用所述策略网络模型对所述策略函数进行多轮次计算之前还包括：构建梯度函数，采用所述梯度函数对策略函数中的权重进行更新，其中，所述梯度函数表示如下：
▽
θ
J
θ
(s)＝E
πθ
[
▽
θ
lnπ
θ
(a
t
|s
t
)[Q
π
(s
t
,a
t
)
‑
V<...

【专利技术属性】
技术研发人员：杨娟，肖朝清，郑艺泽，沈非凡，刘磊，
申请(专利权)人：中国人民武装警察部队警官学院，
类型：发明
国别省市：