图像识别方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种图像识别方法、装置、电子设备及存储介质。本申请的实施例涉及人工智能的机器学习以及云技术等技术领域。该方法包括：获取目标图像；通过图像识别模型对目标图像进行识别，得到多个预置类别各自对应的预测概率；根据多个预置类别各自对应的预测概率，得到对应目标图像的识别结果。图像识别模型的共享网络层通过特征匹配损失值训练获得，且特征匹配损失值用于表征针对第一类别的第一模型以及针对第二类别的第二模型之间的独立程度，使得包括共享网络层的图像识别模型对第一类别以及第二类别的识别能力较好，提高了图像识别模型的识别效果，进而提高了通过图像识别模型得到的目标图像的识别结果的准确率。模型得到的目标图像的识别结果的准确率。模型得到的目标图像的识别结果的准确率。

【技术实现步骤摘要】
图像识别方法、装置、电子设备及存储介质


[0001]本申请涉及图像识别
，更具体地，涉及一种图像识别方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，可以通过针对特定类别的图像识别模型对待检测图像进行识别，得到针对特定类别的标签，该标签表征待检测图像包括特定类别下的对象或不包括特定类别下的对象。例如，通过针对猫的图像识别模型，确定的待检测图像的标签为待检测图像包括猫或待检测图像不包括猫。
[0003]为了使得图像识别模型可以对多个类别的对象进行识别，可以直接将不同类别的图像识别模型合并为多类别图像识别模型。在多类别图像识别模型中，在模型的前端，不同的类别共享同一个网络的若干层，在模型的后端，不同类别又开始分叉，不同的分叉用于得到不同类别的标签。例如，同一份数据输入到多类别图像识别模型中，得到各个类别的分叉分别对应的标签。
[0004]但是，不同的类别共享同一个网络的若干层，共享的若干网络层对不同类别之间的识别能力相互影响，使得多类别图像识别模型的识别效果较差，导致根据多类别图像识别模型确定的待检测图像的识别结果的准确率较低。

技术实现思路

[0005]有鉴于此，本申请实施例提出了一种图像识别方法、装置、电子设备及存储介质。
[0006]第一方面，本申请实施例提供了一种图像识别方法，方法包括：获取目标图像；通过图像识别模型对目标图像进行识别，得到多个预置类别各自对应的预测概率，每个预置类别的预测概率表征目标图像包括该预置类别下的对象的概率；图像识别模型包括共享网络层，共享网络层是指第一模型中被第二模型共享的网络层，图像识别模型是通过特征匹配损失值训练获得，特征匹配损失值用于表征第一模型以及第二模型之间的独立程度，第一模型是针对第一类别的模型，第二模型是针对第二类别的模型；第一类别包括至少一个预置类别，第二类别包括与第一类别不同的至少一个预置类别；根据多个预置类别各自对应的预测概率，得到对应目标图像的识别结果。
[0007]第二方面，本申请实施例提供了一种图像识别装置，装置包括：获取模块，用于获取目标图像；识别模块，用于通过图像识别模型对目标图像进行识别，得到多个预置类别各自对应的预测概率，每个预置类别的预测概率表征目标图像包括该预置类别下的对象的概率；图像识别模型包括共享网络层，共享网络层是指第一模型中被第二模型共享的网络层，图像识别模型是通过特征匹配损失值训练获得，特征匹配损失值用于表征第一模型以及第二模型之间的独立程度，第一模型是针对第一类别的模型，第二模型是针对第二类别的模型；第一类别包括至少一个预置类别，第二类别包括与第一类别不同的至少一个预置类别；结果获得模块，用于根据多个预置类别各自对应的预测概率，得到对应目标图像的识别结
果。
[0008]可选地，装置还包括模型训练模块，用于从第一模型中获取排序最靠前的预设数量个网络层，作为第一初始共享网络层；通过第一模型确定针对第一样本图像的第一概率，第一概率表征第一样本图像包括第一类别下的对象的概率；通过第一独立模型确定针对第一样本图像的第二概率，第二概率表征第一样本图像包括第二类别下的对象的概率，第一独立模型包括第一初始共享网络层以及第一独立网络层，第一独立网络层是指第二模型中除去第一相关网络层以外的网络层，第一相关网络层是指第二模型中与第一初始共享网络层对应的网络层；根据第一概率以及第二概率，确定特征匹配损失值；根据特征匹配损失值，对第一模型进行迭代训练，得到图像识别模型。
[0009]可选地，模型训练模块，还用于根据第一概率，确定第一损失值，第一损失值用于表征第一模型预测的第一概率的准确率；根据第二概率，确定第二损失值，第二损失值用于表征第一独立模型预测的第二概率的准确率；根据第一损失值、第二损失值以及特征匹配损失值，得到最终损失值；根据最终损失值，对第一模型进行迭代训练，得到图像识别模型。
[0010]可选地，模型训练模块，还用于计算第一损失值、第二损失值以及特征匹配损失值的和，作为最终损失值。
[0011]可选地，模型训练模块，还用于根据最终损失值，对第一模型进行迭代训练；若迭代次数达到预设次数，且训练后的第一模型不满足预设条件，从训练后的第一模型中获取训练后的第一初始共享网络层，作为共享网络层；根据共享网络层、训练后的第一模型以及第一独立网络层，得到图像识别模型。
[0012]可选地，模型训练模块，还用于根据最终损失值，对第一模型进行迭代训练；若训练后的第一模型满足预设条件，且迭代次数未达到预设次数，从训练后的第一模型中获取位于训练后的第一初始共享网络层之后的一个网络层以及训练后的第一初始共享网络层，作为新的第一初始共享网络层；获取训练后的第一模型作为新的第一模型；返回执行通过第一模型确定针对第一样本图像的第一概率的步骤，直到迭代次数达到预设次数或训练后的第一初始共享网络层为训练后的第一模型；获取最后一次训练过程得到的训练后的第一初始共享网络层，作为共享网络层；根据共享网络层、最后一次训练过程得到的训练后的第一模型以及第二模型，得到图像识别模型。
[0013]可选地，模型训练模块，还用于若最后一次训练过程得到的训练后的第一初始共享网络层为训练后的第一模型，获取共享网络层，作为图像识别模型；若最后一次训练过程得到的训练后的第一初始共享网络层不为训练后的第一模型，获取第二独立网络层以及第三独立网络层；根据共享网络层、第二独立网络层以及第三独立网络层，得到图像识别模型，第二独立网络层是指最后一次训练过程得到的训练后的第一模型中，除去共享网络层以外的网络层，第三独立网络层是指第二模型中除去第二相关网络层以外的网络层，第二相关网络层是指第二模型中与共享网络层对应的网络层。
[0014]可选地，第二模型包括多个；模型训练模块，还用于从多个第二模型中确定第三模型；从第一模型中获取排序最靠前的预设数量个网络层，作为第二初始共享网络层；通过第一模型确定针对第二样本图像的第三概率，第三概率表征第二样本图像包括第一类别下的对象的概率；通过第二独立模型，确定针对第二样本图像的第四概率，第四概率表征第二样本图像包括第三类别下的对象的概率，第三类别包括针对第三模型的预置类别，第二独立
模型包括第二初始共享网络层以及第四独立网络层，第四独立网络层是指第三模型中除去第三相关网络层以外的网络层，第三相关网络层是指第三模型中与第二初始共享网络层对应的网络层；根据第三概率以及第四概率，确定特征匹配损失值；通过特征匹配损失值，对第一模型进行迭代训练；根据训练后的第一模型以及第四独立网络层，得到新的第一模型；从多个第二模型中确定与第三模型不同的第二模型，作为新的第三模型；返回执行通过第一模型确定针对第二样本图像的第三概率的步骤，直到遍历多个第二模型；获取最后一次训练过程获得的新的第一模型，作为图像识别模型。
[0015]可选地，装置还包括模型确定模块，用于获取多个初始类别各自对应的初始模型，每个初始类别包括至少一个预置类别；根据每个初始模型对应的识别能力以及预置类别数量，对多个初始模型本文档来自技高网...

【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：获取目标图像；通过图像识别模型对所述目标图像进行识别，得到多个预置类别各自对应的预测概率，每个所述预置类别的预测概率表征所述目标图像包括该预置类别下的对象的概率；所述图像识别模型包括共享网络层，所述共享网络层是指第一模型中被第二模型共享的网络层，所述图像识别模型是通过特征匹配损失值训练获得，所述特征匹配损失值用于表征所述第一模型以及所述第二模型之间的独立程度，所述第一模型是针对第一类别的模型，所述第二模型是针对第二类别的模型；所述第一类别包括至少一个所述预置类别，所述第二类别包括与所述第一类别不同的至少一个所述预置类别；根据所述多个预置类别各自对应的预测概率，得到对应所述目标图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述图像识别模型的获取方法包括：从所述第一模型中获取排序最靠前的预设数量个网络层，作为第一初始共享网络层；通过所述第一模型确定针对第一样本图像的第一概率，所述第一概率表征所述第一样本图像包括所述第一类别下的对象的概率；通过第一独立模型确定针对所述第一样本图像的第二概率，所述第二概率表征所述第一样本图像包括所述第二类别下的对象的概率，所述第一独立模型包括所述第一初始共享网络层以及第一独立网络层，所述第一独立网络层是指所述第二模型中除去第一相关网络层以外的网络层，所述第一相关网络层是指所述第二模型中与所述第一初始共享网络层对应的网络层；根据所述第一概率以及所述第二概率，确定特征匹配损失值；根据所述特征匹配损失值，对所述第一模型进行迭代训练，得到图像识别模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述特征匹配损失值，对所述第一模型进行迭代训练，得到图像识别模型，包括：根据所述第一概率，确定第一损失值，所述第一损失值用于表征所述第一模型预测的所述第一概率的准确率；根据所述第二概率，确定第二损失值，所述第二损失值用于表征所述第一独立模型预测的所述第二概率的准确率；根据所述第一损失值、所述第二损失值以及所述特征匹配损失值，得到最终损失值；根据所述最终损失值，对所述第一模型进行迭代训练，得到图像识别模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一损失值、所述第二损失值以及所述特征匹配损失值，得到最终损失值，包括：计算所述第一损失值、所述第二损失值以及所述特征匹配损失值的和，作为最终损失值。5.根据权利要求3所述的方法，其特征在于，所述根据所述最终损失值，对所述第一模型进行迭代训练，得到图像识别模型，包括：根据所述最终损失值，对所述第一模型进行迭代训练；若迭代次数达到预设次数，且训练后的第一模型不满足预设条件，从所述训练后的第一模型中获取训练后的第一初始共享网络层，作为所述共享网络层；根据所述共享网络层、所述训练后的第一模型以及所述第一独立网络层，得到所述图
像识别模型。6.根据权利要求3所述的方法，其特征在于，所述根据所述最终损失值，对所述第一模型进行迭代训练，得到图像识别模型，包括：根据所述最终损失值，对所述第一模型进行迭代训练；若训练后的第一模型满足预设条件，且迭代次数未达到预设次数，从所述训练后的第一模型中获取位于训练后的第一初始共享网络层之后的一个网络层以及所述训练后的第一初始共享网络层，作为新的第一初始共享网络层；获取所述训练后的第一模型作为新的第一模型；返回执行所述通过所述第一模型确定针对第一样本图像的第一概率的步骤，直到迭代次数达到预设次数或训练后的第一初始共享网络层为所述训练后的第一模型；获取最后一次训练过程得到的训练后的第一初始共享网络层，作为所述共享网络层；根据所述共享网络层、最后一次训练过程得到的训练后的第一模型以及所述第二模型，得到图像识别模型。7.根据权利要求6所述的方法，其特征在于，所述根据所述共享网络层、最后一次训练过程得到的训练后的第一模型以及所述第二模型，得到图像识别模型，包括：若最后一次训练过程得到的训练后的第一初始共享网络层为所述训练后的第一模型，获取所述共享网络层，作为所述...

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