【技术实现步骤摘要】
本申请涉及图像处理领域，尤其涉及一种图像识别方法、电子设备及存储介质。
技术介绍
1、在目前的图像识别方案中，全连接层中运算矩阵维度的不一致会导致运算过程繁杂，造成识别准确性低及识别速度缓慢，因此，如何在确保识别准确性的情况下加快图像识别的速度成为了目前需要解决的问题。
技术实现思路
1、鉴于以上内容，有必要提供一种图像识别方法、电子设备及存储介质，能够解决难以确保全连接层中运算矩阵维度的一致而导致图像识别速度缓慢的问题。
2、本申请提供一种图像识别方法，所述图像识别方法包括：获取待识别图像、测试图像及所述测试图像的标注类别，对所述待识别图像进行区域检测，得到识别区域，并对所述测试图像进行区域检测，得到测试区域，获取预训练后的第一识别模型对所述测试区域的预测结果，并基于所述预测结果计算所述测试区域的预测准确率，基于所述预测结果及所述测试区域生成与所述标注类别对应的目标区域，基于所述预测准确率及所述目标区域对所述第一识别模型进行调整，得到第二识别模型，所述第二识别模型包括输入层、全连接层及识别层，获取所述识别区域在所述第二识别模型中输入层所输出的初始特征矩阵，若所述初始特征矩阵的维度小于所述全连接层中的初始权重矩阵的维度，对所述初始特征矩阵进行升维处理，得到目标特征矩阵，根据所述目标特征矩阵及所述初始权重矩阵生成目标向量，将所述目标向量输入到所述识别层中，得到所述待识别图像的识别结果。
3、根据本申请可选实施例，所述对所述待识别图像进行区域检测，得到识别区域包
4、根据本申请可选实施例，在基于所述预测结果计算所述测试区域的预测准确率之前，所述图像识别方法还包括：获取训练图像，并对所述训练图像进行检测，得到训练区域，基于所述训练区域对卷积神经网络进行迭代训练，得到所述第一识别模型。
5、根据本申请可选实施例，所述预测结果包括所述测试区域的预测类别，所述基于所述预测结果计算所述测试区域的预测准确率包括：将与标注类别相同的预测类别所对应的测试区域确定为特征区域，统计所述特征区域的第一数量，并统计所述测试区域的第二数量，根据所述第一数量及所述第二数量计算所述特征区域在所述测试区域中所占的比率，确定所述预测准确率。
6、根据本申请可选实施例，所述预测结果还包括所述特征区域在所述预测类别上的第一概率，所述基于所述预测结果及所述测试区域生成与所述标注类别对应的目标区域包括：根据所述预测类别对所述特征区域进行分类，得到所述标注类别所对应的特征区域，将大于预设概率阈值的第一概率所对应的特征区域确定为所述标注类别对应的目标区域。
7、根据本申请可选实施例，所述基于所述预测准确率及所述目标区域对所述第一识别模型进行调整，得到第二识别模型包括：统计每个标注类别对应的目标区域的第三数量，将小于第一预设值的第三数量所对应的目标区域进行数据增强，得到多个增强区域，若所述预测准确率小于第二预设值，将所述多个增强区域输入到所述第一识别模型中，直至所述预测准确率大于或者等于所述第二预设值，得到所述第二识别模型。
8、根据本申请可选实施例，所述对所述初始特征矩阵进行升维处理，得到目标特征矩阵包括：统计所述初始特征矩阵的矩阵行数及矩阵列数，将所述矩阵行数与所述矩阵列数进行相乘运算，得到目标乘积，将所述目标乘积进行质因子分解，得到多个质因子，将所述多个质因子中相同的任意两个质因子组合成质因子对，并计算所述质因子对中两个质因子的乘积，得到特征乘积，每个质因子只能组合一次，根据所述目标乘积及所述特征乘积从所述质因子对中选取目标质因子对，提取所述目标质因子对中的一个质因子，得到特征质因子，根据所述目标质因子对的对数及所述特征质因子生成特征数值，在所述多个质因子中将所述目标质因子对替换为零，在完成替换后将所有不为零的质因子进行相乘运算，得到目标数值，基于配置值、所述目标数值及所述特征数值，对所述初始特征矩阵进行升维处理，得到所述目标特征矩阵。
9、根据本申请可选实施例，所述将所述目标特征矩阵输入到所述识别层中，得到所述待识别图像的识别结果包括：将所述目标特征矩阵输入到所述识别层中，得到所述待识别图像在所述标注类别上所对应的第二概率及每个标注类别中的多个子类别所对应的第三概率，将取值最大的第二概率所对应的标注类别确定为目标类别，将所述目标类别中取值最大的第三概率所对应的子类别确定为所述待识别图像的识别结果。
10、本申请提供一种电子设备，所述电子设备包括：
11、存储器，存储至少一个指令；及
12、处理器，执行所述至少一个指令以实现所述的图像识别方法。
13、本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的图像识别方法。
14、由以上技术方案可以看出，对所述待识别图像进行检测，得到所述识别区域，能够将所述待识别图像中包含待识别对象的区域选取出来，从而能够加快图像识别过程中的特征提取效率，基于所述预测结果计算所述测试区域的预测准确率，并基于所述预测结果及所述测试区域生成与所述标注类别对应的目标区域，能够确保生成的目标区域均为预测正确的测试区域，基于所述预测准确率及所述目标区域对所述第一识别模型进行调整，能够提高第二识别模型的预测能力，由于所述目标区域中包含了多个标注类别的区域，及每个标注类别中有足够数量的目标区域对所述第一识别模型进行调整，能够提高所述第二识别模型的泛化能力，若所述初始特征矩阵的维度小于所述全连接层中的初始权重矩阵的维度，对所述初始特征矩阵进行升维处理，通过对所述初始特征矩阵的维度进行判断，确保了所述目标特征矩阵的维度及所述初始权重矩阵的维度一致，使得所述目标特征矩阵及所述初始权重矩阵能够直接进行相乘运算，由于升维后的目标特征矩阵能够增加每次参与运算的参数量，因此能够提高图像识别的速度。
本文档来自技高网...【技术保护点】
1.一种图像识别方法，其特征在于，所述图像识别方法包括：
2.如权利要求1所述的图像识别方法，其特征在于，所述对所述待识别图像进行区域检测，得到识别区域包括：
3.如权利要求1所述的图像识别方法，其特征在于，在基于所述预测结果计算所述测试区域的预测准确率之前，所述图像识别方法还包括：
4.如权利要求1所述的图像识别方法，其特征在于，所述预测结果包括所述测试区域的预测类别，所述基于所述预测结果计算所述测试区域的预测准确率包括：
5.如权利要求4所述的图像识别方法，其特征在于，所述预测结果还包括所述特征区域在所述预测类别上的第一概率，所述基于所述预测结果及所述测试区域生成与所述标注类别对应的目标区域包括：
6.如权利要求1所述的图像识别方法，其特征在于，所述基于所述预测准确率及所述目标区域对所述第一识别模型进行调整，得到第二识别模型包括：
7.如权利要求1所述的图像识别方法，其特征在于，所述对所述初始特征矩阵进行升维处理，得到目标特征矩阵包括：
8.如权利要求1所述的图像识别方法，其特征在于，所述将所
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至8中任意一项所述的图像识别方法。
...【技术特征摘要】
1.一种图像识别方法，其特征在于，所述图像识别方法包括：
2.如权利要求1所述的图像识别方法，其特征在于，所述对所述待识别图像进行区域检测，得到识别区域包括：
3.如权利要求1所述的图像识别方法，其特征在于，在基于所述预测结果计算所述测试区域的预测准确率之前，所述图像识别方法还包括：
4.如权利要求1所述的图像识别方法，其特征在于，所述预测结果包括所述测试区域的预测类别，所述基于所述预测结果计算所述测试区域的预测准确率包括：
5.如权利要求4所述的图像识别方法，其特征在于，所述预测结果还包括所述特征区域在所述预测类别上的第一概率，所述基于所述预测结果及所述测试区域生成与所述标注类别对应的目标区域包括：<...
【专利技术属性】
技术研发人员：颜健武，
申请(专利权)人：鸿海精密工业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。