图像识别方法、装置、计算机设备、存储介质和产品制造方法及图纸

本申请实施例公开了一种图像识别方法、装置、计算机设备、存储介质和产品，通过获取图像样本，图像样本对应有样本标签；通过至少两个图像识别模型分别对图像样本进行图像识别处理，得到图像样本对应的至少两个识别结果；根据至少两个识别结果和样本标签，计算每个图像识别模型对应的损失值；基于至少两个图像识别模型对应的损失值，对图像样本进行图像扰动处理，得到至少一个图像识别模型的对抗图像样本；基于对抗图像样本和图像样本对至少两个图像识别模型进行训练，得到训练后图像识别模型；当接收到待识别图像时，基于训练后图像识别模型对待识别图像进行图像识别，提高了图像识别模型的特征提取能力和泛化性，因此可以提高图像识别效果。高图像识别效果。高图像识别效果。

【技术实现步骤摘要】
图像识别方法、装置、计算机设备、存储介质和产品


[0001]本申请涉及通信
，具体涉及一种图像识别方法、装置、计算机设备、存储介质和产品，其中，存储介质为计算机可读存储介质，产品为计算机程序产品。

技术介绍

[0002]在图像识别领域，可以通过卷积神经网络(Convolutional Neural Network，CNN)提取图像的特征，然后通过全连接层进行分类，得到图像的识别结果，对包含卷积神经网络和全连接层的神经网络模型的训练可以依据损失函数进行端到端训练，神经网络模型在训练过程中会自动学习到对当前分类任务最适合的特征。由于卷积神经网络的训练需要有大量的标注好的训练样本，然而在一些应用场景中，难以收集到大量的训练样本，训练样本数量不足，神经网络模型会出现过拟合问题，导致神经网络模型泛化性差，图像识别效果不佳。

技术实现思路

[0003]本申请实施例提供一种图像识别方法、装置、计算机设备、存储介质和产品，不仅提高了图像识别模型的特征提取能力，还提高图像识别模型的泛化性，所以图像识别模型的图像识别效果好。
[000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，包括：获取图像样本，所述图像样本对应有样本标签；通过至少两个图像识别模型分别对所述图像样本进行图像识别处理，得到所述图像样本对应的至少两个识别结果；根据所述至少两个识别结果和所述样本标签，计算每个所述图像识别模型对应的损失值；基于所述至少两个图像识别模型对应的损失值，对所述图像样本进行图像扰动处理，得到至少一个图像识别模型的对抗图像样本；基于所述对抗图像样本和所述图像样本对所述至少两个图像识别模型进行训练，得到训练后图像识别模型；当接收到待识别图像时，基于所述训练后图像识别模型对所述待识别图像进行图像识别。2.根据权利要求1所述的方法，其特征在于，所述基于所述至少两个图像识别模型对应的损失值，对所述图像样本进行图像扰动处理，得到至少一个图像识别模型的对抗图像样本，包括：针对每个图像识别模型，根据所述图像识别模型之外的其他图像识别模型对应的损失值计算针对所述图像样本的干扰图像分量；通过所述干扰图像分量对所述图像样本进行图像扰动处理，得到每个图像识别模型对应的对抗图像样本。3.根据权利要求2所述的方法，其特征在于，所述基于所述对抗图像样本和所述图像样本对所述至少两个图像识别模型进行训练，得到训练后图像识别模型，包括：根据每个所述图像识别模型对应的对抗图像样本和所述图像样本，得到每个图像识别模型的训练样本集合；基于所述训练样本集合，对每个所述图像识别模型进行训练，得到每个图像识别模型对应的训练后图像识别模型。4.根据权利要求1所述的方法，其特征在于，所述基于所述至少两个图像识别模型对应的损失值，对所述图像样本进行图像扰动处理，得到至少一个图像识别模型的对抗图像样本，包括：根据所述图像样本对应的样本标签，确定所述图像样本的样本类型；若所述样本类型为目标样本类别，则根据每个所述图像识别模型对应的损失值，计算对图像样本进行扰动处理的候选图像分量；基于所述候选图像分量进行采样处理，得到多个图像分量；根据多个图像分量对所述图像样本进行图像扰动处理，得到至少一个图像识别模型对应的多个对抗图像样本。5.根据权利要求1所述的方法，其特征在于，所述通过至少两个图像识别模型分别对所述图像样本进行图像识别处理，得到所述图像样本对应的至少两个识别结果，包括：通过所述至少两个图像识别模型对所述图像样本进行图像识别处理，得到每个所述图像识别模型对应...

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