本發(fā)明涉及圖像處理，尤其涉及一種圖像識(shí)別方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、圖像識(shí)別，也稱為圖像分類，是利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別出不同模式或類別的目標(biāo)對(duì)象。

2、在圖像識(shí)別任務(wù)中，相關(guān)技術(shù)采用直接分類的方法進(jìn)行圖像分類，即利用標(biāo)記了目標(biāo)類別的樣本圖像訓(xùn)練出分類模型，直接利用分類模型進(jìn)行圖像分類。這種方法無(wú)法使模型學(xué)習(xí)到區(qū)分度較大的特征，特別是在細(xì)粒度圖像識(shí)別任務(wù)中，類內(nèi)相似圖像容易造成誤識(shí)別，導(dǎo)致圖像識(shí)別的準(zhǔn)確性不高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種圖像識(shí)別方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)，用以解決現(xiàn)有技術(shù)中同類相似圖像誤識(shí)別的問(wèn)題，提高圖像識(shí)別的準(zhǔn)確性。

2、本發(fā)明提供一種圖像識(shí)別方法，包括：

3、獲取待識(shí)別圖像，并將所述待識(shí)別圖像輸入特征提取模型，得到所述特征提取模型輸出的目標(biāo)特征向量；

4、基于所述目標(biāo)特征向量識(shí)別所述待識(shí)別圖像中目標(biāo)對(duì)象的分類結(jié)果；

5、其中，所述特征提取模型是將強(qiáng)增強(qiáng)樣本數(shù)據(jù)和弱增強(qiáng)樣本數(shù)據(jù)均分別輸入初始特征提取模型和所述初始特征提取模型對(duì)應(yīng)的動(dòng)量更新模型，并對(duì)所述初始特征提取模型和所述動(dòng)量更新模型進(jìn)行自監(jiān)督對(duì)比學(xué)習(xí)訓(xùn)練得到的；所述強(qiáng)增強(qiáng)樣本數(shù)據(jù)為對(duì)每種目標(biāo)樣本類別對(duì)應(yīng)的第一樣本圖像進(jìn)行強(qiáng)增強(qiáng)處理得到的；所述弱增強(qiáng)樣本數(shù)據(jù)為對(duì)所述每種目標(biāo)樣本類別對(duì)應(yīng)的第二樣本圖像進(jìn)行弱增強(qiáng)處理得到的。

6、根據(jù)本發(fā)明提供的一種圖像識(shí)別方法，所述特征提取模型是通過(guò)如下步驟訓(xùn)練得到的：

7、從訓(xùn)練數(shù)據(jù)集中隨機(jī)獲取每個(gè)訓(xùn)練批次的第一訓(xùn)練樣本圖像，所述第一訓(xùn)練樣本圖像包括每種所述目標(biāo)樣本類別對(duì)應(yīng)的所述第一樣本圖像和所述第二樣本圖像；

8、對(duì)所述第一樣本圖像進(jìn)行強(qiáng)增強(qiáng)處理，得到所述強(qiáng)增強(qiáng)樣本數(shù)據(jù)；

9、對(duì)所述第二樣本圖像進(jìn)行弱增強(qiáng)處理，得到所述弱增強(qiáng)樣本數(shù)據(jù)；

10、將所述強(qiáng)增強(qiáng)樣本數(shù)據(jù)和所述弱增強(qiáng)樣本數(shù)據(jù)均輸入所述初始特征提取模型和所述動(dòng)量更新模型，并將所述初始特征提取模型輸出的第一樣本特征向量和所述動(dòng)量更新模型輸出的第二樣本特征向量進(jìn)行兩兩配對(duì)；

11、確定每對(duì)配對(duì)樣本特征向量的第一特征相似度，并對(duì)所述第一特征相似度添加用于標(biāo)識(shí)是否為同類別特征的相似度標(biāo)簽；

12、基于所述第一特征相似度和所述相似度標(biāo)簽確定損失函數(shù)值，并基于所述損失函數(shù)值調(diào)整所述初始特征提取模型和所述動(dòng)量更新模型的模型參數(shù)，直至訓(xùn)練結(jié)束，將訓(xùn)練好的初始特征提取模型確定為所述特征提取模型。

13、根據(jù)本發(fā)明提供的一種圖像識(shí)別方法，所述從訓(xùn)練數(shù)據(jù)集中隨機(jī)獲取每個(gè)訓(xùn)練批次的第一訓(xùn)練樣本圖像，包括：

14、針對(duì)每個(gè)訓(xùn)練批次，對(duì)所述訓(xùn)練數(shù)據(jù)集的所有樣本類別進(jìn)行隨機(jī)排序，并將排序后的樣本類別的前第一預(yù)設(shè)數(shù)量的樣本類別確定為所述訓(xùn)練批次的目標(biāo)樣本類別；

15、從每種所述目標(biāo)樣本類別的樣本圖像中獲取兩張樣本圖像，得到每種所述目標(biāo)樣本類別對(duì)應(yīng)的所述第一樣本圖像和所述第二樣本圖像。

16、根據(jù)本發(fā)明提供的一種圖像識(shí)別方法，所述基于所述損失函數(shù)值調(diào)整所述初始特征提取模型和所述動(dòng)量更新模型的模型參數(shù)，包括：

17、基于所述損失函數(shù)值，通過(guò)梯度反傳對(duì)所述初始特征提取模型的模型參數(shù)進(jìn)行調(diào)整；

18、基于預(yù)設(shè)的動(dòng)量更新參數(shù)和所述初始特征提取模型調(diào)整后的模型參數(shù)，對(duì)所述動(dòng)量更新模型的模型參數(shù)進(jìn)行調(diào)整。

19、根據(jù)本發(fā)明提供的一種圖像識(shí)別方法，所述基于所述目標(biāo)特征向量識(shí)別所述待識(shí)別圖像中目標(biāo)對(duì)象的分類結(jié)果，包括：

20、將所述目標(biāo)特征向量輸入分類層，得到所述分類層輸出的分類概率；

21、將所述分類概率中的最大分類概率對(duì)應(yīng)的第一分類類別確定為所述待識(shí)別圖像中目標(biāo)對(duì)象的分類結(jié)果；

22、其中，所述分類層為基于第二訓(xùn)練樣本圖像、所述第二訓(xùn)練樣本圖像對(duì)應(yīng)的類別標(biāo)簽和所述特征提取模型對(duì)初始分類層進(jìn)行單獨(dú)訓(xùn)練得到的。

23、根據(jù)本發(fā)明提供的一種圖像識(shí)別方法，所述基于所述目標(biāo)特征向量識(shí)別所述待識(shí)別圖像中目標(biāo)對(duì)象的分類結(jié)果，包括：

24、確定所述目標(biāo)特征向量與獲取的第一模板特征向量中各特征向量的第二特征相似度；

25、對(duì)所述第二特征相似度按照從大到小的順序排序，并獲取排序結(jié)果中前第二預(yù)設(shè)數(shù)量的特征向量所對(duì)應(yīng)的第二分類類別；

26、將所述第二分類類別中數(shù)量最多的分類類別確定為所述待識(shí)別圖像中目標(biāo)對(duì)象的分類結(jié)果。

27、根據(jù)本發(fā)明提供的一種圖像識(shí)別方法，還包括：

28、將測(cè)試樣本圖像輸入所述特征提取模型，得到所述特征提取模型輸出的每個(gè)測(cè)試分類類別對(duì)應(yīng)的第一特征向量；

29、確定所述第一特征向量中各特征向量之間的第三特征相似度，并按照所述第三特征相似度從低到高的順序，確定所述第一特征向量中對(duì)應(yīng)的前第三預(yù)設(shè)數(shù)量的特征向量，得到第二模板特征向量；

30、針對(duì)所述第二模板特征向量中的每個(gè)模板特征向量，基于所述模板特征向量與第二特征向量之間的第四特征相似度確定特征中心向量，并利用所述特征中心向量更新所述模板特征向量，得到所述第二模板特征向量更新后的第三模板特征向量；所述第二特征向量為所述第一特征向量中除所述第二模板特征向量之外的其他特征向量；

31、將各測(cè)試分類類別對(duì)應(yīng)的所述第三模板特征向量均確定為所述第一模板特征向量。

32、本發(fā)明還提供一種圖像識(shí)別裝置，包括：

33、特征提取模塊，用于獲取待識(shí)別圖像，并將所述待識(shí)別圖像輸入特征提取模型，得到所述特征提取模型輸出的目標(biāo)特征向量；

34、識(shí)別模塊，基于所述目標(biāo)特征向量識(shí)別所述待識(shí)別圖像中目標(biāo)對(duì)象的分類結(jié)果；

35、其中，所述特征提取模型是將強(qiáng)增強(qiáng)樣本數(shù)據(jù)和弱增強(qiáng)樣本數(shù)據(jù)均分別輸入初始特征提取模型和所述初始特征提取模型對(duì)應(yīng)的動(dòng)量更新模型，并對(duì)所述初始特征提取模型和所述動(dòng)量更新模型進(jìn)行自監(jiān)督對(duì)比學(xué)習(xí)訓(xùn)練得到的；所述強(qiáng)增強(qiáng)樣本數(shù)據(jù)為對(duì)每種目標(biāo)樣本類別對(duì)應(yīng)的第一樣本圖像進(jìn)行強(qiáng)增強(qiáng)處理得到的；所述弱增強(qiáng)樣本數(shù)據(jù)為對(duì)所述每種目標(biāo)樣本類別對(duì)應(yīng)的第二樣本圖像進(jìn)行弱增強(qiáng)處理得到的。

36、本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上述任一種所述的圖像識(shí)別方法。

37、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述的圖像識(shí)別方法。

38、本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述的圖像識(shí)別方法。

39、本發(fā)明提供的圖像識(shí)別方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)，將獲取的待識(shí)別圖像輸入特征提取模型，得到特征提取模型輸出的目標(biāo)特征向量，然后基于提取的目標(biāo)特征向量識(shí)別待識(shí)別圖像中目標(biāo)對(duì)象的分類結(jié)果，實(shí)現(xiàn)了對(duì)待識(shí)別圖像的識(shí)別。其中，特征提取模型是將強(qiáng)增強(qiáng)樣本數(shù)據(jù)和弱增強(qiáng)樣本數(shù)據(jù)均分別輸入初始特征提取模型和初始特征提取模型對(duì)應(yīng)的動(dòng)量更新模型，并對(duì)初始特征提取模型和動(dòng)量更新模型進(jìn)行自監(jiān)督對(duì)比學(xué)習(xí)訓(xùn)練得到的，其中的強(qiáng)增強(qiáng)樣本數(shù)據(jù)為對(duì)每種目標(biāo)樣本類別對(duì)應(yīng)的第一樣本圖像進(jìn)行強(qiáng)增強(qiáng)處理得到的，弱增強(qiáng)樣本數(shù)據(jù)為對(duì)每種目標(biāo)樣本類別對(duì)應(yīng)的第二樣本圖像進(jìn)行弱增強(qiáng)處理得到的，這樣，在模型訓(xùn)練過(guò)程中可以進(jìn)行同類樣本圖像間的對(duì)比學(xué)習(xí)和模型間的對(duì)比學(xué)習(xí)，從而提高了特征提取模型的特征提取能力，使得訓(xùn)練出的特征提取模型能夠輸出區(qū)分度較高的特征，降低了類內(nèi)相似圖像的誤識(shí)別，進(jìn)而提高了圖像識(shí)別的準(zhǔn)確性和精度。