【技术实现步骤摘要】
一种图像识别模型的训练方法及图像识别方法
本专利技术涉及人工智能
,具体涉及一种图像识别模型的训练方法及图像识别方法。
技术介绍
细粒度识别也叫精细识别。它与现有的通用图像分析任务不同,细粒度图像识别所需识别的种类更加细致,识别的粒度也更为精细,需要在一个大类中区分出更加细分的子类,对存在细微差别的物体进行区分和识别。例如,通用图像分类只需要区分出“鸟”和“花”这两个物体大类,而细粒度图像分类则要求对“花”该类类别下细粒度的子类进行区分,即区分出是“月季花”还是“玫瑰花”。因此,细粒度图像识别要求找出同类别物种的不同子类之间的细微差异,因此,使得它的难度和挑战大大增加。目前来说,细粒度图像识别在生活和工业上都有很广泛的应用场景,它作为一项图像识别技术,是人工智能领域不可或缺的一门重要技术。同时,由于它所区分的粒度更加细致,使得细粒度图像识别技术能大幅度提升现有的识别技术,帮助提高相关上层技术精度。现有的细粒度分类模型,按照其采用的监督信息的强弱,可分为两大类:分别是“基于强监督信息的分类模型”和“基于弱监督信息的分类模型”。其中,基于强监督信息的分类模型在训练的过程中引入了两种额外的人工标注信息,分别是目标标注框和关键部位标注点。对于这两种额外信息,强监督分类模型可以借助目标标注框得到前景对象的检测,排除背景所带来的噪声干扰;而关键部位标注点则可以被用来定位目标具有显著区别的关键点,在这些关键点上就可以高效率地提取出图片的局部特征。因此,通过这两种额外信息所提供的定位,强监督分类 ...
【技术保护点】
1.一种图像识别模型的训练方法,其特征在于,包括:/n记录样本图片的第一图像矩阵后,将所述样本图片进行切分及打乱,从而获取打乱后所述样本图片的第二图像矩阵;/n将所述第一图像矩阵输入到第一卷积神经网络,通过所述第一卷积神经网络提取第一图片特征及获取第一图片分类结果;以及,将所述第二图像矩阵输入到第二卷积神经网络,通过所述第二卷积神经网络提取第二图片特征及获取第二图片分类结果;/n根据所述第一图片特征和所述第二图片特征求解预设的蒸馏损失函数,所述蒸馏损失函数越小表示所述第一卷积神经网络和所述第二卷积神经网络在特征计算流程上越接近;以及,根据所述第一图片分类结果和所述第二图片分类结果求解预设的分类损失函数,所述分类损失函数越小表示所述第一卷积神经网络和所述第二卷积神经网络在分类结果上越接近真值;/n通过不断优化所述蒸馏损失函数及所述分类损失函数进行所述第一卷积神经网络和所述第二卷积神经网络的优化,在所述蒸馏损失函数小于预设第一阈值以及所述分类损失函数小于预设第二阈值时训练结束,从而获取训练好的由所述第一卷积神经网络和所述第二卷积神经网络所构建的图像识别模型。/n
【技术特征摘要】
1.一种图像识别模型的训练方法,其特征在于,包括:
记录样本图片的第一图像矩阵后,将所述样本图片进行切分及打乱,从而获取打乱后所述样本图片的第二图像矩阵;
将所述第一图像矩阵输入到第一卷积神经网络,通过所述第一卷积神经网络提取第一图片特征及获取第一图片分类结果;以及,将所述第二图像矩阵输入到第二卷积神经网络,通过所述第二卷积神经网络提取第二图片特征及获取第二图片分类结果;
根据所述第一图片特征和所述第二图片特征求解预设的蒸馏损失函数,所述蒸馏损失函数越小表示所述第一卷积神经网络和所述第二卷积神经网络在特征计算流程上越接近;以及,根据所述第一图片分类结果和所述第二图片分类结果求解预设的分类损失函数,所述分类损失函数越小表示所述第一卷积神经网络和所述第二卷积神经网络在分类结果上越接近真值;
通过不断优化所述蒸馏损失函数及所述分类损失函数进行所述第一卷积神经网络和所述第二卷积神经网络的优化,在所述蒸馏损失函数小于预设第一阈值以及所述分类损失函数小于预设第二阈值时训练结束,从而获取训练好的由所述第一卷积神经网络和所述第二卷积神经网络所构建的图像识别模型。
2.根据权利要求1所述的图像识别模型的训练方法,其特征在于,所述将所述样本图片进行切分及打乱,具体包括:
首先,将图像分割成多个图像块;然后,先进行行方向上所述图像块的打乱操作,再进行列方向上所述图像块的打乱操作;或,先进行列方向上所述图像块的打乱操作,再进行行方向上所述图像块的打乱操作。
3.根据权利要求2所述的图像识别模型的训练方法,其特征在于,所述进行行方向上所述图像块的打乱操作,包括:对于每一行的每个所述图像块,在预设的第一步长范围内,根据第一随机变量的值,与对应位置的所述图像块进行行方向上位置的互换;
所述进行列方向上所述图像块的打乱操作,包括:对于每一列的每个所述图像块,在预设的第二步长范围内,根据第二随机变量的值,与对应位置的所述图像块进行列方向上位置的互换。
4.根据权利要求1所述的图像识别模型的训练方法,其特征在于,所述根据所述第一图片特征和所述第二图片特征求解预设的蒸馏损失函数,包括:
根据所述第一卷积神经网络中卷积层相邻两层所提取的所述第一图片特征获取全局流矩阵,根据所述第二卷积神经网络中卷积层相邻两层所提取的所述第二图片特征获取局部流矩阵;
通过计算所述全局流矩阵和所述局部流矩阵的L2范数距离,求解预设的所述蒸馏损失函数。
5.根据权利要求4所述的图像...
【专利技术属性】
技术研发人员:陈嘉敏,王金桥,唐明,胡建国,招继恩,朱贵波,赵朝阳,林格,
申请(专利权)人:杰创智能科技股份有限公司,
类型:发明
国别省市:广东;44
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。