图像识别方法和装置与流程
本发明涉及图像识别领域，具体而言，涉及一种图像识别方法和装置。
背景技术：
在现有的图像识别领域，特别主流的人脸识别领域中，主要通过图像识别模型进行识别，图像识别模型都是基于深度学习算法模型进行训练得到，深度学习模型训练的好坏对识别准确度的影响至关重要。而在整个深度学习模型训练过程中，用于训练的数据集又是重中之重，会对深度学习模型的最终算法性能产生决定性影响。
目前，深度学习模型基本都是在单个训练数据集上进行，比如人脸识别领域中，训练数据集可以是在某个场景下采集到的人脸数据或者是从网上下载的公开人脸数据库。由于不同数据集之间可能覆盖到相同的人，而又由于不同数据集之间命名规则不统一，所以很难根据其文件名合并相同的人的人脸图片。而在进行人脸识别分类训练时，必须要求相同的人的人脸图片共享相同的标签类别号，所以导致无法同时利用多个可能出现人员交集的人脸数据集。仅仅基于单个训练数据集训练得到的深度学习模型，在图像识别中准确度低，无法满足不同应用场合的需求。
针对现有技术中图像识别方法的识别准确率低的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种图像识别方法和装置，以至少解决现有技术中图像识别方法的识别准确率低的技术问题。
根据本发明实施例的一个方面，提供了一种图像识别方法，包括：获取待识别图像；获取预先建立好的图像识别模型，其中，图像识别模型是通过多个训练集对初始模型进行训练得到的，初始模型是基于分支训练算法建立的识别模型，同一个训练集是从同一个数据集中提取得到的，不同训练集是从不同数据集中提取得到的；利用图像识别模型对待识别图像进行识别，得到识别结果。
进一步地，上述方法还包括：获取多个数据集；对多个数据集中的每张图像进行分类，得到每张图像的标签，其中，标签用于表征每张图像的分类结果，多个数据集中包含的至少两张张图像的标签相同；从分类后的每个数据集中提取样本图像，得到多个训练集。
进一步地，在从分类后的每个数据集中提取样本图像，得到多个训练集之前，上述方法还包括：提取分类后的每个数据集中的每张图像的预设特征；基于每张图像的预设特征，对每张图像进行对齐操作；从操作后的每个数据集中提取样本图像，得到多个训练集。
进一步地，在每张图像为人脸图像的情况下，预设特征至少包括如下之一：眼睛、眉毛、鼻尖和嘴角。
进一步地，从操作后的每个数据集中提取样本图像，得到多个训练集，包括：从操作后的每个数据集中随机提取样本图像；获取样本图像的存储路径和标签，得到多个训练集。
进一步地，获取多个数据集，包括：获取采集设备采集到的视频图像和预设数据集；对视频图像和预设数据集进行检测，得到多个数据集。
进一步地，上述方法还包括：基于分支训练算法建立初始模型，其中，初始模型至少包括：多个损失函数，多个损失函数与多个训练集是一一对应的；将多个训练集并行输入初始模型中，对初始模型进行训练；判断训练得到的模型是否满足预设条件；如果训练得到的模型满足预设条件，则确定训练得到的模型为图像识别模型。
进一步地，将多个训练集并行输入初始模型中，对初始模型进行训练，包括：将多个训练集并行输入初始模型中，得到多个损失函数的函数值；根据多个损失函数的函数值和链式求导算法，得到初始模型中每个参数的梯度值；根据随机梯度下降算法对每个参数的梯度值进行更新，得到训练得到的模型。
进一步地，判断训练得到的模型是否满足预设条件，包括：获取验证集；利用验证集对训练得到的模型进行验证，得到训练得到的模型的精度；判断训练得到的模型的精度与历史精度是否相同，其中，历史精度为训练得到的模型在上一次验证过程中得到的精度；如果训练得到的模型的精度与历史精度相同，则确定训练得到的模型满足预设条件。
进一步地，如果训练得到的模型的精度与历史精度不同，则确定训练得到的模型的精度为历史精度，并继续对初始模型进行训练。
进一步地，精度用于表征验证集中所有验证样本的验证结果之和与所有验证样本总数的比例。
进一步地，获取验证集，包括：获取多个数据集中样本图像之外的其他图像；从其他图像中随机提取图像验证对，得到验证集。
进一步地，图像验证对包括：正样本对和负样本对，正样本对包含两张标签相同的图像，负样本对包含两张标签不同的图像。
进一步地，损失函数为平方损失函数。
根据本发明实施例的另一方面，还提供了一种图像识别装置，包括：第一获取模块，用于获取待识别图像；第二获取模块，用于获取预先建立好的图像识别模型，其中，图像识别模型是通过多个训练集对初始模型进行训练得到的，初始模型是基于分支训练算法建立的识别模型，同一个训练集是从同一个数据集中提取得到的，不同训练集是从不同数据集中提取得到的；识别模块，用于利用图像识别模型对待识别图像进行识别，得到识别结果。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的图像识别方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的图像识别方法。
在本发明实施例中，可以基于分支训练算法建立初始模型，并通过不同数据集生成的多个训练集对初始模型进行训练，得到图像识别模型，进一步通过图像识别模型对用户输入的待识别图像进行识别，得到最终的识别结果。与现有技术相比，结合了多个数据集的分支训练的图像识别模型比现有的基于单个数据集训练的图像识别模型的准确率更高，达到了提高识别准确率的技术效果，进而解决了现有技术中图像识别方法的识别准确率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种图像识别方法的流程图；
图2是根据本发明实施例的一种可选的人脸图片的示意图；
图3是根据本发明实施例的一种可选的对齐后的人脸图片的示意图；
图4是根据本发明实施例的一种可选的基于单个数据集输入的人脸识别深度神经网络模型的示意图；
图5是根据本发明实施例的一种可选的基于多个数据集输入的人脸识别深度神经网络模型的示意图；
图6是根据本发明实施例的一种可选的图像识别方法的流程图；以及
图7是根据本发明实施例的一种图像识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种图像识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种图像识别方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取待识别图像。
具体地，上述的待识别图像可以是需要进行识别的图像，在本发明实施例中，以人脸图像为例进行详细说明。
步骤s104，获取预先建立好的图像识别模型，其中，图像识别模型是通过多个训练集对初始模型进行训练得到的，初始模型是基于分支训练算法建立的识别模型，同一个训练集是从同一个数据集中提取得到的，不同训练集是从不同数据集中提取得到的。
具体地，为了能够提高图像识别准确率，可以预先通过多个不同的数据集构建多个训练集，并通过训练集对初始模型进行训练，从而得到最终的图像识别模型。
在人脸识别领域中，由于不同数据集之间可能包含相同的人的人脸图片，而且用户无法确定不同数据集中包含哪些相同的人，因此，不能将不同数据集进行简单直接地合并成一个单一的数据集。可以集合分值训练方法建立深度神经网络模型，得到初始模型，通过将不同数据集分开进行分支训练，从而能够得到训练好的图像识别模型，并将训练好的图像识别模型部署到应用场景中。
步骤s106，利用图像识别模型对待识别图像进行识别，得到识别结果。
具体地，在人脸识别领域中，可以通过比对人脸特征feat-id(采用欧式距离)进行人脸识别流程。
本申请上述实施例中，可以基于分支训练算法建立初始模型，并通过不同数据集生成的多个训练集对初始模型进行训练，得到图像识别模型，进一步通过图像识别模型对用户输入的待识别图像进行识别，得到最终的识别结果。与现有技术相比，结合了多个数据集的分支训练的图像识别模型比现有的基于单个数据集训练的图像识别模型的准确率更高，达到了提高识别准确率的技术效果，进而解决了现有技术中图像识别方法的识别准确率低的技术问题。
可选地，本发明上述实施例中，该方法还包括：获取多个数据集；对多个数据集中的每张图像进行分类，得到每张图像的标签，其中，标签用于表征每张图像的分类结果，多个数据集中包含的至少两张张图像的标签相同；从分类后的每个数据集中提取样本图像，得到多个训练集。
具体地，在人脸识别领域中，为了构建多个训练集，可以预先获取不同应用场景下的人脸图片，得到多个数据集。由于从互联网上下载的公开人脸数据集一般是已经标注好的，对于没有标注的数据集，可以人工检测并提取出人脸图片，进行分类和标注，将属于相同的人的人脸图片放在一起并予以标记，得到每张照片的标签。假设总人数为n，每个人有m张人脸图片。可以在已经进行标注的每个数据集中随机抽取一定数量的人脸图片，得到每个训练集。
可选地，本发明上述实施例中，在从分类后的每个数据集中提取样本图像，得到多个训练集之前，该方法还包括：提取分类后的每个数据集中的每张图像的预设特征；基于每张图像的预设特征，对每张图像进行对齐操作；从操作后的每个数据集中提取样本图像，得到多个训练集。
可选地，在每张图像为人脸图像的情况下，预设特征至少包括如下之一：眼睛、眉毛、鼻尖和嘴角。
具体地，在人脸识别领域中，人脸图片中的人脸角度和人脸位置是不一致的，为了保证提取到稳定的特征并取得较好的人脸识别效果，需要对人脸图片进行对齐操作，以除人脸角度对人脸识别带来的影响。关键点包括眼睛、鼻尖和嘴角等的位置，如图2所示。对齐后的人脸如图3所示。
可选地，本发明上述实施例中，从操作后的每个数据集中提取样本图像，得到多个训练集，包括：从操作后的每个数据集中随机提取样本图像；获取样本图像的存储路径和标签，得到多个训练集。
具体地，可以在已进行标注和人脸对齐的人脸图片中随机抽取同时包含人脸身份信息和验证信息的人脸图片，得到样本图像，抽取出的每个训练样本如下：人脸图片img_1，img_1的身份信息(类别号)、...、人脸图片img_n，img_n的身份信息(类别号)。
其中，人脸图片img_1指的是第1张人脸图片的存储路径，类别号是指我们为该人预先标注好的标签，类别号一般从0开始。不同的标签表示同一个数据集内部对于不同的人的数字代号。比如第一个数据集中，共有100个人，那么类别号分别为1-0，1-1，1-2，……，1-99；第二个数据集或者场景覆盖50个人，那么类别号分别为2-0，2-1，2-2，……，2-49。两组类别号之间不等同，分别来自不同的数据集。
可选地，本发明上述实施例中，获取多个数据集，包括：获取采集设备采集到的视频图像和预设数据集；对视频图像和预设数据集进行检测，得到多个数据集。
具体地，在人脸识别领域中，采集设备可以是安装在不同应用场景中的摄像头，使用摄像头采集视频图片，并通过网络传输和数据线存储在计算机系统中，应用场景可以是工程项目对应的使用场景，例如银行vtm(videotellermachine，远程柜员机)验证、珠宝店vip识别等。上述的预设数据集可以是从互联网下载的公开人脸数据集。
通过上述方法获取的人脸数据集之间可能覆盖到相同的人，例如，在银行和珠宝店用摄像头拍到的顾客，其照片也可能在互联网上出现并被整理到公开人脸数据集中。而且互联网上公开人脸数据集a和b之间可能也包含相同人的人脸图片。
对于摄像头采集到的视频图片，对采集到的视频图片进行人脸检测，将人脸图片提取出来存储在计算机系统硬盘中。
可选地，本发明上述实施例中，该方法还包括：基于分支训练算法建立初始模型，其中，初始模型至少包括：多个损失函数，多个损失函数与多个训练集是一一对应的；将多个训练集并行输入初始模型中，对初始模型进行训练；判断训练得到的模型是否满足预设条件；如果训练得到的模型满足预设条件，则确定训练得到的模型为图像识别模型。
需要说明的是，现有的图像识别模型中只使用一个softmaxloss损失函数作为目标进行训练，图4所示的基于单个数据集输入的图像识别模型只包含一个分类损失函数，loss＝softmaxloss1。
可以将不同数据集分开进行分支训练，并行地输入到同一个图像识别模型中，第i个数据集中的对齐后的人脸图片经过前向传播得到特征后，对接到对应的损失函数softmaxlossi，作为独立的目标函数进行优化。如图5所示，当输入第i个人脸数据集中的人脸图片到初始模型中进行分支训练时，对应的损失函数为loss＝softmaxlossi。
需要说明的是，图4和图5所示的图像识别模型示出了简化后的通用残差网络的示意图。
可选地，损失函数为平方损失函数。
具体地，在人脸识别领域中，为了采用欧式距离进行人脸识别流程，初始模型中的多个损失函数可以是平方损失函数。
进一步地，上述的预设条件可以是训练结束判断条件，当训练得到的模型满足预设条件时，确定训练结束，最终训练得到的模型为训练好的图像识别模型。
可选地，本发明上述实施例中，将多个训练集并行输入初始模型中，对初始模型进行训练，包括：将多个训练集并行输入初始模型中，得到多个损失函数的函数值；根据多个损失函数的函数值和链式求导算法，得到初始模型中每个参数的梯度值；根据随机梯度下降算法对每个参数的梯度值进行更新，得到训练得到的模型。
具体地，在将多个训练集并行输入初始模型中之后，可以通过分支训练得到损失函数的函数值loss，然后根据loss和链式求导算法得到如图5所示的图像识别模型中每一个参数的梯度值，最后根据随机梯度下降算法更新模型参数，得到训练好的模型，在训练好的模型满足训练结束判断条件之后，可以确定训练好的模型为最终的图像识别模型。
可选地，本发明上述实施例中，判断训练得到的模型是否满足预设条件，包括：获取验证集；利用验证集对训练得到的模型进行验证，得到训练得到的模型的精度；判断训练得到的模型的精度与历史精度是否相同，其中，历史精度为训练得到的模型在上一次验证过程中得到的精度；如果训练得到的模型的精度与历史精度相同，则确定训练得到的模型满足预设条件。
需要说明的是，在图像识别模型的训练过程中，每隔固定的迭代次数可以将当前训练好的模型在验证集上进行测试，随着模型的训练，训练好的模型在验证集上的精度会不断提升，但随着模型不断训练，当模型趋于收敛或者出现过拟合的现象时，模型在验证集上的精度不会再稳定提升，表明模型训练可以停止了。
可选地，精度用于表征验证集中所有验证样本的验证结果之和与所有验证样本总数的比例。
具体地，在人脸识别领域中，验证集由随机抽取的人脸图片验证对组成。按照国际标准人脸验证测试集lfw的规则，验证集中人脸图片验证对的数量为6000对。对于包含6000对人脸图片验证对的验证集，测试精度可以定义为：
进一步地，上述的历史精度可以是上一次对训练好的模型进行验证时，获取到的训练好的模型的精度。如果此次验证过程中，训练好的模型的精度与历史精度相同，也即训练好的模型的精度不再稳定提升，可以确定训练结束，将此次训练好的模型作为最终的图像识别模型。
可选地，本发明上述实施例中，如果训练得到的模型的精度与历史精度不同，则确定训练得到的模型的精度为历史精度，并继续对初始模型进行训练。
在一种可选的方案中，如果训练得到的模型的精度与历史精度不同，也即，训练得到的模型满足不满足预设条件，则确定训练未结束，需要继续进行训练，将此次精度作为下一次模型验证过程中的历史精度。再次判断训练好的模型的精度与历史精度是否相同，从而确定训练得到的模型是否满足预设条件。
可选地，本发明上述实施例中，获取验证集，包括：获取多个数据集中样本图像之外的其他图像；从其他图像中随机提取图像验证对，得到验证集。
可选地，图像验证对包括：正样本对和负样本对，正样本对包含两张标签相同的图像，负样本对包含两张标签不同的图像。
具体地，在人脸识别领域中，假设有k个人的人脸图片用于训练集的制作，则可以将剩下的n-k个人的人脸图片用于验证集的制作。验证集由随机抽取的人脸照片验证对组成，抽取正样本对和负样本对，正、负样本对的数量相同，对于包含6000对人脸图片验证对的验证集，正、负样本对各取3000对。其中，正样本对为第n个人的第a张图片，第n个人的第b张图片；负样本对为第i个人的第c张图片，第j个人的第d张图片。图像识别模型将正样本对中的两张人脸图片判断为同一个人时，可以确定验证结果正确；图像识别模型将负样本对中的两张人脸图片判断为不是一个人时，可以确定验证结构；否者，验证结果错误。
图6是根据本发明实施例的一种可选的图像识别方法的流程图，以人脸识别领域为例进行说明，如图6所示，该方法包括：收集多个场景下的人脸图片；对收集到的人脸图片进行人脸检测，将人脸图片提取出来存储在计算机硬盘中；人工对检测并提取出的人脸图片进行分类和标注，属于相同的人的人脸图片放在一起并予以标记；对人脸图片进行关键点对齐操作，以去除人脸角度对人脸识别带来的影响；在已进行标注和人脸对齐的照片中随机抽取同时包含人脸身份信息和验证信息的人脸图片对进行训练，也即提取人脸身份-验证训练集；结合分支训练算法建立人脸识别深度神经网络模型，模型中包含有多个损失函数；基于多数据集对人脸识别深度神经网络模型进行训练，得到训练好的网络模型；判断训练好的网络模型在验证集上的测试精度是否不断提升，也即判断是否到达训练结束条件；如果不满足，则继续进行模型训练；如果满足，则得到人脸识别算法网络模型和模型参数；将训练好的人脸识别算法网络模型部署到应用场景中，可以通过比对人脸特征feat-id(采用欧式距离)进行人脸识别流程。
通过上述实施例提供的方案可以用于银行vip识别项目中，在真实应用场景下采集人脸图片，同时从互联网上也下载到一些公开人脸数据集；然后将这些数据集中的人脸图片进行检测、对齐操作，并制作相应的人脸身份-验证训练集；使用前面描述的方法训练出人脸识别算法模型，从而获得在银行vip识别场景中具有高识别率和识别效果的人脸识别算法，该方法能够更好地结合多个数据集中的人脸数据信息，从而能够得到识别效果更好的人脸识别模型。结合了多个数据集的分支训练人脸深度神经网络模型要比通用的基于单个数据集训练(包括在多个数据集上逐次微调)的深度学习网络的人脸识别算法准确率更高。
实施例2
根据本发明实施例，提供了一种图像识别装置的实施例。
图7是根据本发明实施例的一种图像识别装置的示意图，如图7所示，该装置包括：
第一获取模块72，用于获取待识别图像。
具体地，上述的待识别图像可以是需要进行识别的图像，在本发明实施例中，以人脸图像为例进行详细说明。
第二获取模块74，用于获取预先建立好的图像识别模型，其中，图像识别模型是通过多个训练集对初始模型进行训练得到的，初始模型是基于分支训练算法建立的识别模型，同一个训练集是从同一个数据集中提取得到的，不同训练集是从不同数据集中提取得到的。
具体地，为了能够提高图像识别准确率，可以预先通过多个不同的数据集构建多个训练集，并通过训练集对初始模型进行训练，从而得到最终的图像识别模型。
在人脸识别领域中，由于不同数据集之间可能包含相同的人的人脸图片，而且用户无法确定不同数据集中包含哪些相同的人，因此，不能将不同数据集进行简单直接地合并成一个单一的数据集。可以集合分值训练方法建立深度神经网络模型，得到初始模型，通过将不同数据集分开进行分支训练，从而能够得到训练好的图像识别模型，并将训练好的图像识别模型部署到应用场景中。
识别模块76，用于利用图像识别模型对待识别图像进行识别，得到识别结果。
具体地，在人脸识别领域中，可以通过比对人脸特征feat-id(采用欧式距离)进行人脸识别流程。
本申请上述实施例中，可以基于分支训练算法建立初始模型，并通过不同数据集生成的多个训练集对初始模型进行训练，得到图像识别模型，进一步通过图像识别模型对用户输入的待识别图像进行识别，得到最终的识别结果。与现有技术相比，结合了多个数据集的分支训练的图像识别模型比现有的基于单个数据集训练的图像识别模型的准确率更高，达到了提高识别准确率的技术效果，进而解决了现有技术中图像识别方法的识别准确率低的技术问题。
可选地，本发明上述实施例中，该装置还包括：第三获取模块，用于获取多个数据集；分类模块，用于对多个数据集中的每张图像进行分类，得到每张图像的标签，其中，标签用于表征每张图像的分类结果，多个数据集中包含的至少两张张图像的标签相同；第一提取模块，用于从分类后的每个数据集中提取样本图像，得到多个训练集。
可选地，本发明上述实施例中，该装置还包括：第二提取模块，用于提取分类后的每个数据集中的每张图像的预设特征；对齐模块，用于基于每张图像的预设特征，对每张图像进行对齐操作；第三提取模块，用于从操作后的每个数据集中提取样本图像，得到多个训练集。
可选地，在每张图像为人脸图像的情况下，预设特征至少包括如下之一：眼睛、眉毛、鼻尖和嘴角。
可选地，本发明上述实施例中，第三提取模块包括：提取单元，用于从操作后的每个数据集中随机提取样本图像；第一获取单元，用于获取样本图像的存储路径和标签，得到多个训练集。
可选地，本发明上述实施例中，第三获取模块包括：第二获取单元，用于获取采集设备采集到的视频图像和预设数据集；检测单元，用于对视频图像和预设数据集进行检测，得到多个数据集。
可选地，本发明上述实施例中，该装置还包括：建立模块，用于基于分支训练算法建立初始模型，其中，初始模型至少包括：多个损失函数，多个损失函数与多个训练集是一一对应的；训练模块，用于将多个训练集并行输入初始模型中，对初始模型进行训练；判断模块，用于判断训练得到的模型是否满足预设条件；确定模块，用于如果训练得到的模型满足预设条件，则确定训练得到的模型为图像识别模型。
可选地，损失函数为平方损失函数。
可选地，本发明上述实施例中，训练模块包括：输入单元，用于将多个训练集并行输入初始模型中，得到多个损失函数的函数值；处理单元，用于根据多个损失函数的函数值和链式求导算法，得到初始模型中每个参数的梯度值；更新单元，用于根据随机梯度下降算法对每个参数的梯度值进行更新，得到训练得到的模型。
可选地，本发明上述实施例中，判断模块包括：第三获取单元，用于获取验证集；验证单元，用于利用验证集对训练得到的模型进行验证，得到训练得到的模型的精度；判断单元，用于判断训练得到的模型的精度与历史精度是否相同，其中，历史精度为训练得到的模型在上一次验证过程中得到的精度；确定单元，用于如果训练得到的模型的精度与历史精度相同，则确定训练得到的模型满足预设条件。
可选地，精度用于表征验证集中所有验证样本的验证结果之和与所有验证样本总数的比例。
可选地，本发明上述实施例中，训练模块还用于如果训练得到的模型的精度与历史精度不同，则确定训练得到的模型的精度为历史精度，并继续对初始模型进行训练。
可选地，本发明上述实施例中，第三获取单元用于获取多个数据集中样本图像之外的其他图像，并从其他图像中随机提取图像验证对，得到验证集。
可选地，图像验证对包括：正样本对和负样本对，正样本对包含两张标签相同的图像，负样本对包含两张标签不同的图像。
实施例3
根据本发明实施例，提供了一种存储介质的实施例，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例1中的图像识别方法。
实施例4
根据本发明实施例，提供了一种处理器的实施例，处理器用于运行程序，其中，程序运行时执行上述实施例1中的图像识别方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！