图像识别方法及装置制造方法及图纸

本申请实施例提供了一种图像识别方法及装置，涉及图像处理技术领域

【技术实现步骤摘要】
图像识别方法及装置


[0001]本申请涉及图像处理
，具体而言，本申请涉及一种图像识别方法及装置
。

技术介绍

[0002]图像识别是计算机视觉领域中的一个重要的研究课题，已被广泛应用在众多领域
。
例如，面向海洋环境中的浮游生物的图像识别，以实现对该浮游生物长期
、
连续的原位观测
。
[0003]目前，图像识别通常是利用训练集训练卷积神经网络模型，再根据该卷积神经网络模型对待识别图像进行类别预测，以得到待识别图像的目标类别
。
在基于图像分类的上述图像识别方案中，需要不断地更新训练集，进而使得卷积神经网络模型也随之开展较为频繁地重训练，方能够维持基于该卷积神经网络模型所进行的图像识别的识别性能
。
[0004]然而，训练集的更新依赖于大量的人工标注和人工校正，由此，如何在减少人工参与的前提下，提高识别准确率
、
稳健性，进而保证泛化性能是尚待解决的问题
。

技术实现思路

[0005]本申请各实施例提供了一种图像识别方法
、
装置
、
电子设备及存储介质，可以解决相关技术中存在的识别准确率不高
、
不稳健
、
泛化性能不佳的问题
。
所述技术方案如下：
[0006]根据本申请实施例的一个方面，一种图像识别方法，包括：获取待识别图像；对所述待识别图像进行图像特征提取，得到第一特征向量；在用于存储样本图像及其对应的样本类别的检索库中，查找第二特征向量和所述第一特征向量的相似度满足相似条件的样本图像，所述第二特征向量用于表示所述样本图像的图像特征；根据查找到的样本图像所对应的样本类别，确定所述待识别图像的目标类别
。
[0007]根据本申请实施例的一个方面，一种图像识别装置，包括：图像获取模块，用于获取待识别图像；特征提取模块，用于对所述待识别图像进行图像特征提取，得到第一特征向量；图像查找模块，用于在用于存储样本图像及其对应的样本类别的检索库中，查找第二特征向量和所述第一特征向量的相似度满足相似条件的样本图像，所述第二特征向量用于表示所述样本图像的图像特征；图像识别模块，用于根据查找到的样本图像所对应的样本类别，确定所述待识别图像的目标类别
。
[0008]在一示例性实施例中，所述特征提取模块包括：提取器单元，用于利用完成模型训练的特征提取器，将所述待识别图像转换为所述第一特征向量
。
[0009]在一示例性实施例中，所述装置还包括：模型训练模块，用于根据训练集中的图像对，对基础模型进行模型训练，得到所述特征提取器，所述基础模型包括第一训练分支和第二训练分支，所述第一训练分支和所述第二训练分支分别包括特征提取层和降维层；所述模型训练模块包括：图像遍历单元，用于对所述训练集中的图像对进行遍历，所述图像对包括正样本对和负样本对，所述正样本对中的两个样本图像属于相同的样本类别，所述负样本对中的两个样本图像属于不同的样本类别；所述遍历包括：将所述图像对中的两个样本
图像，分别输入所述第一训练分支和所述第二训练分支进行处理；根据所述第一训练分支和所述第二训练分支得到的处理结果，计算模型损失值；收敛单元，用于若所述模型损失值使得收敛条件被满足，则由所述基础模型中的特征提取层收敛得到所述特征提取器
。
[0010]在一示例性实施例中，所述装置还包括：图像对构建模块；所述图像对构建模块包括：扩增单元，用于对所述训练集中的其中一个样本图像，至少进行两次不同的图像数据增强处理，则由所述样本图像至少扩增得到第一增强图像和第二增强图像；配对单元，用于对由所述训练集中各样本图像扩增得到的第一增强图像和第二增强图像，进行图像配对处理，得到所述图像对
。
[0011]在一示例性实施例中，所述图像查找模块包括：相似度计算单元，用于针对特征向量集合中的每一个第二特征向量，分别计算所述第二特征向量和所述第一特征向量的相似度，所述特征向量集合由所述检索库中样本图像的第二特征向量构建；图像查找单元，用于将所述第二特征向量和所述第一特征向量的相似度最高的样本图像，作为从所述检索库中查找到的样本图像
。
[0012]在一示例性实施例中，所述装置还包括：集合构建模块，用于由所述检索库中样本图像的第二特征向量构建所述特征向量集合；所述集合构建模块包：向量添加单元，用于对所述检索库中的每一个样本图像进行图像特征提取，分别得到所述检索库中各样本图像的第二特征向量，并添加至所述特征向量集合；向量遍历单元，用于对所述特征向量集合中的第二特征向量进行遍历，以遍历到的第二特征向量作为第一向量，分别计算所述第一向量和所述特征向量集合中其余第二特征向量的相似度，得到第一相似度；向量删除单元，用于基于所述第一相似度，从所述特征向量集合中删除冗余度高的第二特征向量，所述冗余度用于指示在所述特征向量集合中存在相似的第二特征向量的个数
。
[0013]在一示例性实施例中，所述向量删除单元包括：向量确定子单元，用于将与所述第一向量的第一相似度大于第一设定阈值的第二特征向量，作为第二向量；相似度计算子单元，用于分别计算所述第二向量和所述特征向量集合中其余第二特征向量的相似度，得到第二相似度；冗余度计算子单元，用于根据与所述第一向量的第一相似度大于第一设定阈值的第二特征向量的个数，确定所述第一向量的冗余度，并根据与所述第二向量的第二相似度大于第二设定阈值的第二特征向量的个数，确定所述第二向量的冗余度；删除子单元，用于若所述第一向量的冗余度大于所述第二向量的冗余度，则将所述第一向量从所述特征向量集合中删除
。
[0014]在一示例性实施例中，所述图像识别模块包括：图像识别单元，用于若查找到的样本图像的第二特征向量满足决策条件，则将查找到的样本图像所对应的样本类别，作为所述待识别图像的目标类别
。
[0015]在一示例性实施例中，所述装置还包括：新类别校正模块，用于响应于类别校正指令，对所述待识别图像的目标类别进行校正；新类别添加模块，用于在所述待识别图像校正后的目标类别为新类别的情况下，响应于类别添加指令，将所述待识别图像及其校正后的目标类别添加至所述检索库，所述新类别是指所述待识别图像校正后的目标类别区别于所述检索库中的样本类别
。
[0016]根据本申请实施例的一个方面，一种电子设备，包括：至少一个处理器
、
至少一个存储器
、
以及至少一条通信总线，其中，存储器上存储有计算机程序，处理器通过通信总线
读取存储器中的计算机程序；计算机程序被处理器执行时实现如上所述的图像识别方法
。
[0017]根据本申请实施例的一个方面，一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的图像识别方法
。
[0018]根据本申请实施例的一个方面，一种计算机程序产品，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：获取待识别图像；对所述待识别图像进行图像特征提取，得到第一特征向量；在用于存储样本图像及其对应的样本类别的检索库中，查找第二特征向量和所述第一特征向量的相似度满足相似条件的样本图像，所述第二特征向量用于表示所述样本图像的图像特征；根据查找到的样本图像所对应的样本类别，确定所述待识别图像的目标类别
。2.
如权利要求1所述的方法，其特征在于，所述对所述待识别图像进行图像特征提取，得到第一特征向量，包括：利用完成模型训练的特征提取器，将所述待识别图像转换为所述第一特征向量
。3.
如权利要求2所述的方法，其特征在于，所述方法还包括：根据训练集中的图像对，对基础模型进行模型训练，得到所述特征提取器，所述基础模型包括第一训练分支和第二训练分支，所述第一训练分支和所述第二训练分支分别包括特征提取层和降维层；所述根据训练集中的图像对，对基础模型进行模型训练，得到所述特征提取器，包括：对所述训练集中的图像对进行遍历，所述图像对包括正样本对和负样本对，所述正样本对中的两个样本图像属于相同的样本类别，所述负样本对中的两个样本图像属于不同的样本类别；所述遍历包括：将所述图像对中的两个样本图像，分别输入所述第一训练分支和所述第二训练分支进行处理；根据所述第一训练分支和所述第二训练分支得到的处理结果，计算模型损失值；若所述模型损失值使得收敛条件被满足，则由所述基础模型中的特征提取层收敛得到所述特征提取器
。4.
如权利要求3所述的方法，其特征在于，所述方法还包括：在所述训练集中构建所述图像对；所述在所述训练集中构建所述图像对，包括：对所述训练集中的其中一个样本图像，至少进行两次不同的图像数据增强处理，则由所述样本图像至少扩增得到第一增强图像和第二增强图像；对由所述训练集中各样本图像扩增得到的第一增强图像和第二增强图像，进行图像配对处理，得到所述图像对
。5.
如权利要求1所述的方法，其特征在于，所述在用于存储样本图像及其对应的样本类别的检索库中，查找第二特征向量和所述第一特征向量的相似度满足相似条件的样本图像，包括：针对特征向量集合中的每一个第二特征向量，分别计算所述第二特征向量和所述第一特征向量的相似度，所述特征向量集合由所述检索库中样本图像的第二特征向量构建；将所述第二特征向量和所述第一特征向量的相似度最高的样本图像，作为从所述检索库中查找到的样本图像
。6.
如权利要求5所述的方法，其特征在于，所述方法还包括：由所述检索库中样本图像的第二特征向量构建所述特征向...

【专利技术属性】
技术研发人员：杨振宇，李剑平，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：