【技术实现步骤摘要】
本申请涉及信息识别领域，尤其涉及目标信息识别方法、装置、设备及存储介质。
技术介绍
1、随着科技的发展，模型的使用频率指数级地增长，越来越多的
开始训练并使用各种各样的深度学习模型，使用训练完毕的深度学习模型代替人工或传统的机器程序完成工作，提高了工作的效率。
2、在传统技术中，目标信息识别需要目标检测和属性识别深度学习模型配合完成，首先使用目标检测模型检测图像中需要进行属性识别的目标，再使用目标属性识别模型进行属性识别，由于目标信息的识别需要两个深度学习模型且根据画面中需要识别的目标的不同，需要启动多个属性识别模型，导致目标信息识别的推理时间长，显存占用高。
3、上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本申请的主要目的在于提供一种目标信息识别方法，旨在解决目标信息识别的推理时间长，显存占用高的技术问题。
2、为实现上述目的，本申请提供一种目标信息识别方法，所述目标信息识别方法包括以下步骤：
3、获取待识别的图像；
4、将所述待识别的图像输入至预设的综合预测模型，基于所述综合预测模型，对所述待识别的图像进行处理，得到目标综合信息，其中，所述综合预测模型是基于目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组，对预设的待训练预测模型进行迭代训练得到的，所述目标综合信息包括目标的位置、类别和属性信息。
5、可选地，所述获取待识别的图像步骤
6、获取网络训练集的目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组；
7、基于所述目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组，对预设的待训练预测模型进行迭代训练，得到具有满足精度条件的综合预测模型。
8、可选地，所述目标待识别样本图像数据对应的特征识别标签组包括预设的目标待识别样本图像数据对应的位置、类别和属性特征识别标签。
9、可选地，所述获取网络训练集的目标待识别样本图像数据的步骤之前，所述方法包括：
10、基于用户的业务需求，将目标待识别样本图像数据中属性识别信息设置为空组或非空组，其中，所述空组用于表征综合预测模型跳过处理的目标属性组。
11、可选地，所述获取网络训练集的目标待识别样本图像数据的步骤，包括：
12、获取网络训练集的初始图像数据并进行标注；
13、对各网络训练集的初始图像数据进行增强处理，得到目标待识别样本图像数据，以实现目标待识别样本图像的数据扩充。
14、可选地，所述基于所述目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组，对预设的待训练预测模型进行迭代训练，得到具有满足精度条件的综合预测模型的步骤，包括：
15、将所述待处理图像输入至所述预设待训练检测模型，得到预测综合数据识别信息；
16、将所述预测综合数据识别信息与所述目标待识别样本图像数据对应的特征识别标签组基于损失函数进行损失计算，得到综合损失值；
17、若所述综合损失值未满足预设条件，则返回将所述待处理图像输入至所述预设待训练检测模型，得到预测综合数据识别信息的步骤进行迭代训练，最终训练得到具有满足精度条件的综合预测模型。
18、可选地，所述将所述预测综合数据识别信息与所述目标待识别样本图像数据对应的特征识别标签组基于损失函数进行损失计算，得到综合损失值的步骤，包括：
19、将所述预测综合数据识别信息与所述目标待识别样本图像数据对应的特征识别标签组拆分，得到位置、类别和属性识别信息对应的特征识别标签；
20、将所述位置识别信息与所述位置特征识别标签进行损失计算，得到第一损失值；
21、将所述类别识别信息与所述类别特征识别标签进行损失计算，得到第二损失值；
22、将所述属性识别信息与所述属性特征识别标签进行损失计算，得到第三损失值；
23、将所述第一损失值、第二损失值和第三损失值分别乘以各自的预设权重系数，得到综合损失值。
24、可选地，所述将所述预测综合数据识别信息与所述目标待识别样本图像数据对应的特征识别标签组拆分，得到位置、类别和属性识别信息对应的特征识别标签的步骤，包括：
25、将所述预测综合数据识别信息拆分为目标的位置、类别和属性数据识别信息；
26、将所述目标待识别样本图像数据对应的特征识别标签组拆分为位置特征识别标签、类别特征识别标签和属性特征识别标签。
27、可选地，所述将所述属性识别信息与所述属性特征识别标签进行损失计算，得到第三损失值的步骤，包括：
28、判断所述属性识别信息是否为空组，若所述属性识别信息为空组，则对应的该组的损失值为0；
29、若所述属性识别信息为非空组，则将所述属性识别信息与所述属性特征识别标签进行损失计算，并乘以对应的权重系数，得到第三损失值。
30、可选地，所述若所述综合损失值未满足预设条件，则返回将所述待处理图像输入至所述预设待训练检测模型，得到预测综合数据识别信息的步骤进行迭代训练，最终训练得到具有满足精度条件的综合预测模型的步骤，包括：
31、判断所述综合损失值是否满足预设条件；
32、若所述综合损失值未满足预设条件，则返回将所述待处理图像输入至所述预设待训练检测模型，得到预测综合数据识别信息的步骤进行迭代训练；
33、若所述综合损失值满足预设条件，则停止训练，并将所述预设待训练检测模型输出为具有满足精度条件的综合预测模型。
34、此外，为实现上述目的，本申请还提供一种目标信息识别装置，所述装置包括：
35、第一获取模块，用于获取待识别的图像；
36、输入模块，用于将所述待识别的图像输入至预设的综合预测模型，基于所述综合预测模型，对所述待识别的图像进行处理，得到目标综合信息，其中，所述综合预测模型是基于目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组，对预设的待训练预测模型进行迭代训练得到的，所述目标综合信息包括目标的位置、类别和属性信息。
37、可选地，所述装置还包括：
38、第二获取模块，用于获取网络训练集的目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组；
39、训练模块，用于基于所述目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组，对预设的待训练预测模型进行迭代训练，得到具有满足精度条件的综合预测模型。
40、可选地，所述第二获取模块包括：
41、获取子模块，用于获取网络训练集的初始图像数据并进行标注；
42、扩充子模块，用于对各网络训练集的初始图像数据进行增强处理，得到目标待识别样本图像数据，以本文档来自技高网...
【技术保护点】
1.一种目标信息识别方法，其特征在于，所述目标信息识别方法包括以下步骤：
2.如权利要求1所述的目标信息识别方法，其特征在于，所述获取待识别的图像步骤之前，所述方法包括：
3.如权利要求2所述的目标信息识别方法，其特征在于，所述目标待识别样本图像数据对应的特征识别标签组包括预设的目标待识别样本图像数据对应的位置、类别和属性特征识别标签。
4.如权利要求2所述的目标信息识别方法，其特征在于，所述获取网络训练集的目标待识别样本图像数据的步骤之前，所述方法包括：
5.如权利要求2所述的目标信息识别方法，其特征在于，所述获取网络训练集的目标待识别样本图像数据的步骤，包括：
6.如权利要求2所述的目标信息识别方法，其特征在于，所述基于所述目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别标签组，对预设的待训练预测模型进行迭代训练，得到具有满足精度条件的综合预测模型的步骤，包括：
7.如权利要求6所述的目标信息识别方法，其特征在于，所述将所述预测综合数据识别信息与所述目标待识别样本图像数据对应的特征识别标签
8.一种目标信息识别装置，其特征在于，所述装置包括：
9.一种目标信息识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的目标信息识别程序，所述目标信息识别程序配置为实现如权利要求1至7中任一项所述的目标信息识别方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有目标信息识别程序，所述目标信息识别程序被处理器执行时实现如权利要求1至7中任一项所述的目标信息识别方法的步骤。
...【技术特征摘要】
1.一种目标信息识别方法，其特征在于，所述目标信息识别方法包括以下步骤：
2.如权利要求1所述的目标信息识别方法，其特征在于，所述获取待识别的图像步骤之前，所述方法包括：
3.如权利要求2所述的目标信息识别方法，其特征在于，所述目标待识别样本图像数据对应的特征识别标签组包括预设的目标待识别样本图像数据对应的位置、类别和属性特征识别标签。
4.如权利要求2所述的目标信息识别方法，其特征在于，所述获取网络训练集的目标待识别样本图像数据的步骤之前，所述方法包括：
5.如权利要求2所述的目标信息识别方法，其特征在于，所述获取网络训练集的目标待识别样本图像数据的步骤，包括：
6.如权利要求2所述的目标信息识别方法，其特征在于，所述基于所述目标待识别样本图像数据和所述目标待识别样本图像数据对应的特征识别...
【专利技术属性】
技术研发人员：薛朋强，
申请(专利权)人：北京视觉世界科技有限公司，
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。