基于神经网络的图像识别方法以及相关设备技术

本申请涉及人工智能领域以及数字医疗领域，提供了一种基于神经网络的图像识别方法以及相关设备，该方法在应用神经网络模型进行图像识别之前，利用本地图像样本对神经网络模型进行增量训练，在模型训练过程中对神经网络模型中不同网络层的网络参数进行更新，得到模型训练结果，并根据模型训练结果确定神经网络模型中待更新的目标网络层，在后续的模型训练过程中，仅对目标网络层的网络参数进行更新，从而跳过除目标网络层之外的其他网络层的梯度计算，在保证模型精度的前提下减少训练神经网络模型的资源占用量，能够在计算资源、内存资源较为紧缺的微型设备上完成模型增量训练，提高微型设备应用神经网络进行图像识别的准确率。

【技术实现步骤摘要】

本申请涉及人工智能领域以及数字医疗领域，尤其涉及一种基于神经网络的图像识别方法以及相关设备。

技术介绍

1、微型控制器(micro controller units，mcu)造价低廉，且能耗较低，在人工智能(artificial intelligence，ai)领域中，微型控制器又离深度学习的数据源很近，在网络时延和数据安全性上具备一定优势。因此，业界开始尝试在微型控制器上部署对网络时延和数据安全性有一定要求的神经网络模型，例如在医疗终端设备中部署用于医学影像识别的神经网络模型。

2、在微型控制器上部署图像识别模型也面临诸多挑战，由于图像识别模型在训练过程中十分耗费计算资源和内存资源，而微型控制器的计算能力和内存资源都十分紧缺，无法胜任训练任务，因此，相关技术都是直接将训练好的图像识别模型部署在微型控制器上。然而，在实际应用中预先在云上训练好的图像识别模型往往难以适应本地数据，识别准确率较低。

技术实现思路

1、本申请实施例的主要目的在于提出一种基于神经网络的图像识别方法、装置、电子设备及计算机可本文档来自技高网...

【技术保护点】

1.一种基于神经网络的图像识别方法，其特征在于，所述图像识别方法包括：

2.根据权利要求1所述的方法，其特征在于，所述特征信息为所述本地图像样本的局部特征，所述对所述第一神经网络模型中的所述目标网络层的网络参数进行更新，得到所述目标神经网络模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述接收所述全局网络参数并根据所述全局网络参数更新所述第二神经网络模型的本地网络参数，得到所述目标神经网络模型，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述特征信息对预设的第一神经网络模型进行训练，以更新所述第一神经网络模型中不同网络层的网络参...

【技术特征摘要】

1.一种基于神经网络的图像识别方法，其特征在于，所述图像识别方法包括：

2.根据权利要求1所述的方法，其特征在于，所述特征信息为所述本地图像样本的局部特征，所述对所述第一神经网络模型中的所述目标网络层的网络参数进行更新，得到所述目标神经网络模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述接收所述全局网络参数并根据所述全局网络参数更新所述第二神经网络模型的本地网络参数，得到所述目标神经网络模型，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述特征信息对预设的第一神经网络模型进行训练，以更新所述第一神经网络模型中不同网络层的网络参数，得到模型训练结果，包括：

5.根据权利要求4所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：瞿晓阳，王健宗，陶伟，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：