【技术实现步骤摘要】
本专利技术实施例涉及图像识别领域，具体而言，涉及一种识别图像的方法及装置。
技术介绍
1、端云模型是指将云端计算和端侧计算相结合的一种模型。在这种模型中，计算任务可以在云端进行处理，也可以在端侧设备上进行处理。通过在云端和端侧之间灵活地分配任务，可以实现更高效的计算和数据处理。端云模型因其能够充分利用云端计算的强大计算能力和资源，同时也能够降低延迟和带宽消耗，提高数据处理的效率，目前已在物联网、智能制造、智能交通等需要大量数据处理和分析的领域中广泛应用。
2、而在实际应用中，端侧设备往往需要面对大量复杂场景，但端侧设备的训练能力却受限于部署在端侧设备上模型的能力上限，无法直接利用复杂场景数据进行训练，容易存在训练发散和数据分布偏差引起的风险，从而导致训练后产物不可信。
3、针对上述问题，目前尚未存在有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种识别图像的方法及装置，以至少解决相关技术中端侧设备部署的模型识别能力受限的问题。
2、根据本专利技术的一个实施例，提供了一种识别图像的方法，包括：将端侧设备采集的图像集合输入第i个轻量化网络模型，获取所述第i个轻量化网络模型输出的第一特征矩阵，其中，所述第i个轻量化网络模型是对初始轻量化网络模型进行第i次训练后得到的模型，其中，i是大于或等于1的整数，所述轻量化网络模型部署在所述端侧设备；通过所述第一特征矩阵对第i个通用网络模型进行i+1次训练，得到第i+1个通用网络模型输出的第一图像识别结
3、在一个示例性实施例中，通过所述第一特征矩阵对第i个通用网络模型进行i+1次训练，包括：将所述第一特征矩阵输入特征映射网络，通过所述特征映射网络将所述第一特征矩阵转换为第三特征矩阵，其中，所述特征映射网络位于所述通用网络模型和所述轻量化网络模型之间；将所述第三特征矩阵输入所述第i个通用网络模型的特征升级网络，通过所述第三特征矩阵对所述特征升级网络进行训练，得到目标特征升级网络。
4、在一个示例性实施例中，在所述得到目标特征升级网络之后，所述方法还包括：使用所述云端图像集合对第i个特征提取网络和所述目标特征升级网络进行训练，得到所述第i+1个通用网络模型，其中，所述云端图像集合是所述云端存储的图像集合，所述通用网络模型包括特征提取网络和特征升级网络，所述特征提取网络的输出是所述特征升级网络的输入，所述第i个特征提取网络是所述第i个通用网络模型中的特征提取网络。
5、在一个示例性实施例中，将端侧设备采集的图像集合输入第i个轻量化网络模型，获取所述第i个轻量化网络模型输出的第一特征矩阵，包括：通过所述第i个轻量化网络模型对所述图像集合中的图像进行特征提取，得到图像特征向量集合；将所述图像特征向量集合划分为n个图像特征向量子集，每个所述图像特征向量子集包括同一样本对象的至少一个图像特征向量，所述样本对象是所述端侧设备采集的图像中的对象，所述n是大于或等于1的整数；通过所述n个图像特征向量子集得到所述第一特征矩阵。
6、在一个示例性实施例中，通过所述n个图像特征向量子集得到所述第一特征矩阵，包括：根据所述图像特征向量的信噪比，对各个所述图像特征向量子集中的图像特征向量进行筛选，得到n个目标图像特征向量子集；将所述n个目标图像特征向量子集确定为所述第一特征矩阵。
7、在一个示例性实施例中，根据所述图像特征向量的信噪比，对各个所述图像特征向量子集中的图像特征向量进行筛选，得到n个目标图像特征向量子集，包括：对所述图像特征向量子集中的每个图像特征向量执行以下操作，将执行以下操作的图像特征向量确定为当前图像特征向量：确定所述当前图像特征向量的信噪比；在所述信噪比大于或等于预设信噪比阈值的情况下，确定所述当前图像特征向量有效；在所述信噪比小于预设信噪比阈值的情况下，确定所述当前图像特征向量无效，并删除所述当前图像特征向量；将有效的图像特征向量确定为所述目标图像特征向量子集中的图像特征向量。
8、在一个示例性实施例中，通过所述第一图像识别结果、所述图像集合对所述第i个轻量化网络模型进行训练，得到第i+1个轻量化网络模型，包括：通过所述图像集合对所述第i个轻量化网络模型进行第j轮训练，得到所述第i个轻量化网络模型第j轮训练输出的第二图像识别结果，其中，所述j是大于或等于1的整数；对所述第二图像识别结果与所述第一图像识别结果的相似度进行计算，得到计算结果；在所述计算结果大于或等于预设相似度阈值的情况下，将所述第j轮训练得到的轻量化网络模型确定为所述第i+1个轻量化网络模型；在所述计算结果小于所述预设相似度阈值的情况下，对所述第i个轻量化网络模型进行第j+1轮训练。
9、根据本专利技术的另一个实施例，提供了一种识别图像的装置，包括：获取模块，用于将端侧设备采集的图像集合输入第i个轻量化网络模型，获取所述第i个轻量化网络模型输出的第一特征矩阵，其中，所述第i个轻量化网络模型是对初始轻量化网络模型进行第i次训练后得到的模型，其中，i是大于或等于1的整数，所述轻量化网络模型部署在所述端侧设备；第一训练模块，用于通过所述第一特征矩阵对第i个通用网络模型进行i+1次训练，得到第i+1个通用网络模型输出的第一图像识别结果，其中，所述第i个通用网络模型是对初始通用网络模型进行第i次训练后得到的模型，第i+1个通用网络模型是对所述第i个通用网络模型进行i+1次训练后得到模型，所述通用网络模型部署在云端；第二训练模块，用于通过所述第一图像识别结果、所述图像集合对所述第i个轻量化网络模型进行训练，得到第i+1个轻量化网络模型；识别模块，用于通过所述第i+1个轻量化网络模型对所述端侧设备采集的图像中的目标对象进行识别。
10、根据本专利技术的又一个实施例，还提供了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计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
11、根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
12、根据本专利技术的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
13、通过本专利技术，将端侧设备采集的图像集合输入第i个轻量化网络模型，获取第i个轻量化网络模型输出的第一特征矩阵，其中，第i个轻量化网络模型是对初始轻量化网络模型进行第i次训练后得到的模型，其中，i是大于或本文档来自技高网...
【技术保护点】
1.一种识别图像的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过所述第一特征矩阵对第i个通用网络模型进行i+1次训练，包括：
3.根据权利要求2所述的方法，其特征在于，在所述得到目标特征升级网络之后，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，将端侧设备采集的图像集合输入第i个轻量化网络模型，获取所述第i个轻量化网络模型输出的第一特征矩阵，包括：
5.根据权利要求4所述的方法，其特征在于，通过所述N个图像特征向量子集得到所述第一特征矩阵，包括：
6.根据权利要求5所述的方法，其特征在于，根据所述图像特征向量的信噪比，对各个所述图像特征向量子集中的图像特征向量进行筛选，得到N个目标图像特征向量子集，包括：
7.根据权利要求1所述的方法，其特征在于，通过所述第一图像识别结果、所述图像集合对所述第i个轻量化网络模型进行训练，得到第i+1个轻量化网络模型，包括：
8.一种识别图像的装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
...【技术特征摘要】
1.一种识别图像的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过所述第一特征矩阵对第i个通用网络模型进行i+1次训练，包括：
3.根据权利要求2所述的方法，其特征在于，在所述得到目标特征升级网络之后，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，将端侧设备采集的图像集合输入第i个轻量化网络模型，获取所述第i个轻量化网络模型输出的第一特征矩阵，包括：
5.根据权利要求4所述的方法，其特征在于，通过所述n个图像特征向量子集得到所述第一特征矩阵，包括：
6.根据权利要求5所述的方法，其特征在于，根据所述图像特征向量的信噪比，对各个所述图像特征向...
【专利技术属性】
技术研发人员：高康康，郝敬松，葛主贝，朱树磊，
申请(专利权)人：浙江大华技术股份有限公司，
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。